4.4不同网络模型的比较分析将采用本文的优化DBN-ELM方法与一维卷积神经网络(1Dconvolutionalneuralnetworks,1DCNN)、免疫算法(immunealgrithm,IA)优化径向基神经网络(radicalbasisfunction,RBF)以及概率神经网络(pulseneutronneatron,PNN)3种分类方法进行对比,输入样本均相同,进一步验证本文网络模型的有效性。表3给出了4种分类方法的结果对比情况。表3仿真信号不同分类方法的性能对比单位:%方法1DCNNIA优化RBFPNN本文方法标签195.0396.9799.0499.56标签294.6897.1498.8999.21标签394.9397.2399.1499.32标签493.9696.8799.2499.47标签594.7297.0699.1299.28标签694.8997.1699.1999.47标签794.8696.9599.2399.38总准确率94.7597.0899.1599.34分析表3可知,优化DBN-ELM的算法分类准确率较高于其他3种算法,达到了99.34%,相比于其他3种模型准确率分别提高了4.59%、2.26%和0.19%。相较于其他3种模型,本文方法特征提取和学习泛化能力更好,能够更好地对宽频振荡类型进行准确的分类识别和监测。5结论本文提出了一种优化DBN-ELM的电力系统宽频振荡监测方法。采用DBN进行宽频振荡时变特征的提取。用CPSO优化DBN的隐含层节点数,替代经验或实验试凑,既有效提取数据特征,又减少了分类时间。将CPSO-DBN网络提取的振荡特征送入ELM中进行分类。采用BAS改善了ELM神经网络输出权值不稳定,网络训练易陷入局部最小值的问题,提高宽频带振荡分类的精度。目前,现有研究大多数是针对部分特定场景下进行模型训练,在普适性条件下的宽频振荡研究有待进一步探索。参考文献:[1]谢小荣,贺静波,毛航银,等.“双高”电力系统稳定性的新问题及分类探讨[J].中国电机工程学报,2021,41(2):461-475.[2]樊陈,姚建国,张琦兵,等.英国“8.9”大停电振荡事件分析及思考[J].电力工程技术,2020,39(4):34-41.[3]LIANGWang,XIEXiaorong,JIANGQirong,etal.Investiga-tionofSSRinPracticalDFIGBasedWindFarmsConnectedtoaSeries-CompensatedPowerSystem[J].IEEETransactionsonPowerSystems,2015,30(5):2772-2779.[4]LIUHuakun,XIEXiaorong,HEJingbo,etal.Sub-synchro-nousInteractionBetweenDirect-drivePMSGBasedWindFarmsandWeakACNetworks[J].IEEETransactionsonPowerSystems,2017,32(6):4708-4720.[5]谢小荣,刘华坤,贺静波,等.电力系统新型振荡问题浅析[J].中国电机工程学报,2018,38(10):2821-2828.[6]马宁宁,谢小荣,唐建,等.“双高”电力系统宽频振荡广域监测与预警系统[J].清华大学学报(自然科学...
