一种基于数据驱动和深度学习的方法，用于电力系统运行模式识别

《Journal of Modern Power Systems and Clean Energy》：A Data-Driven and Deep Learning-Based Method for Power System Operating Mode Identification

　　

摘要：

高效且准确的分析方法对于识别电力系统的未来运行模式至关重要，这有助于电力系统的运行管理、规划及稳定性分析。本文提出了一种基于数据驱动和深度学习的方法来分析电力系统的典型运行模式，并解决了识别未来运行模式的需求。首先，开发了一种基于自适应阈值亲和传播（AP）聚类方法和动态时间规整（DTW）的电力系统运行模式分析方法，该方法结合了历史负荷序列数据。该方法采用了改进的距离函数和自适应阈值进行聚类。其次，提出了一种基于并行时间融合网络（PTFN）模型并结合时间特征投影的日前负荷预测方法，以应对负荷不确定性问题。最后，根据历史运行模式分析结果和未来负荷预测数据，提出了一种结合Shapley加性解释（SHAP-PTCN-SE）与嵌入挤压激励机制（Squeeze-Excitation）的并行时间卷积网络（PTCN）的方法，用于识别电力系统的未来运行模式。数值示例证明了所提方法在识别未来运行模式方面的效率和准确性，为系统监控和保护提供了指导。