
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于对比深度学习模型的智能电网稳定性分类研究
《Scientific Reports》:A robust deep learning framework for smart grid stability classification using statistical validation
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要由于参与者反应时间、电力消费弹性和电价之间的非线性相互作用,智能电网稳定性分类具有挑战性。本文提出了一种对比深度学习模型,用于基于10,000个模拟四节点电网稳定性数据集的观测值来分类稳定和不稳定运行条件。为避免确定性冗余和目标泄漏,我们省略了p1和连续稳定性变量stab
由于参与者反应时间、电力消费弹性和电价之间的非线性相互作用,智能电网稳定性分类具有挑战性。本文提出了一种对比深度学习模型,用于基于10,000个模拟四节点电网稳定性数据集的观测值来分类稳定和不稳定运行条件。为避免确定性冗余和目标泄漏,我们省略了p1和连续稳定性变量stab,共保留11个输入预测因子。相关步骤包括数据质量评估、训练、标准化、分层数据划分和五折交叉验证。在相似条件下测试了四个传统机器学习模型(逻辑回归、RBF-SVM、随机森林和梯度提升)和五个深度学习模型(DNN、AutoEncoder-DNN、1D-CNN、CNN1D-LSTM和FT-Transformer)。DNN取得了最佳的整体测试性能,准确率为97.10%,精确率为97.28%,召回率为98.20%,F1分数为97.74%,ROC-AUC为0.9963,PR-AUC为0.9980。AutoEncoder-DNN和RBF-SVM的准确率分别为96.90%和96.05%。采用Holm校正的精确配对McNemar检验表明,DNN的表现优于其他测试网络,但AutoEncoder-DNN除外,后者差异无统计学意义。SHAP分析和特征组消融实验表明,最具影响力的预测因子组是参与者的反应时间和价格弹性系数。在标准值为0.10的高斯噪声条件下,DNN的准确率为95.60%,但在10%的测量值随机且采用中位数填补的情况下,准确率降至90.90%。这些结果表明,DNN在所研究的模拟基准上是有效的。然而,在实际运行实施之前,仍需使用实际的PMU或SCADA测量数据以及更大、更多样的电网拓扑进行验证。