基于多STA-GLN集成模型的电力系统暂态稳定评估方法

doi:10.3969/j.issn.2097-0706.2023.07.006

综合智慧能源 ›› 2023, Vol. 45 ›› Issue (7): 48-60.doi: 10.3969/j.issn.2097-0706.2023.07.006

基于多STA-GLN集成模型的电力系统暂态稳定评估方法

杨波¹^,²(), 李成雲¹^,²(), 吕浩轩³(), 周博文¹^,²(), 李广地¹^,²(), 谷鹏¹^,²()

1.东北大学信息科学与工程学院，沈阳 110819
2.辽宁省综合能源优化与安全运行重点实验室（东北大学），沈阳 110819
3.国网辽宁省电力有限公司铁岭供电公司，辽宁铁岭 112099

收稿日期:2023-04-25 修回日期:2023-06-28 接受日期:2023-07-11 出版日期:2023-07-25 发布日期:2023-07-25
作者简介:杨波（1976），男，高级工程师，从事新能源、物联网、电气控制和电力通信等方面的研究，yangbo@ise.neu.edu.cn；
李成雲（1998），女，在读博士研究生，从事电力系统数字孪生建模方面的研究，17367911495@163.com；
吕浩轩（1995），男，硕士，从事电力系统稳定性分析方面的研究，18641036168@163.com；
周博文（1987），男，副教授，硕士生导师，博士，从事电力系统运行、稳定与控制，电动汽车与电网互动，储能，需求响应，虚拟储能，可再生能源，能源互联网，人工智能与电力系统等方面的研究，zhoubowen@ise.neu.edu.cn；
李广地（1989），男，讲师，博士，从事新能源并网发电、高频软开关技术等方面的研究，liguangdi@ise.neu.edu.cn；
谷鹏（1992），男，讲师，博士，从事综合能源系统、无线电能传输技术及其在电力系统中的应用、新型电力系统电磁暂态分析等方面的研究，gupeng@mail.neu.edu.cn。
基金资助:
国家自然科学基金项目(U22 B20115);辽宁省科学技术计划项目(2022-MS-110);广东省基础与应用基础研究基金项目(2021A1515110778)

Power system transient stability assessment method based on multiple STA-GLN ensemble models

YANG Bo¹^,²(), LI Chengyun¹^,²(), LYU Haoxuan³(), ZHOU Bowen¹^,²(), LI Guangdi¹^,²(), GU Peng¹^,²()

1. College of Information Science and Engineering， Northeastern University， Shenyang 110819，China
2. Key Laboratory of Integrated Energy Optimization and Secure Operation of Liaoning Province （Northeastern University）， Shenyang 110819，China
3. Tieling Power Supply Company，State Grid Liaoning Electric Power Supply Company Limited，Tieling 112099， China

Received:2023-04-25 Revised:2023-06-28 Accepted:2023-07-11 Online:2023-07-25 Published:2023-07-25
Supported by:
National Natural Science Foundation of China(U22 B20115);Liaoning Science and Technology Project(2022-MS-110);Guangdong Basic and Applied Basic Research Foundation Project(2021A1515110778)

摘要/Abstract

摘要：

随着高比例可再生能源的不断接入和电力电子化程度的提高，电力系统结构日益复杂，导致电力系统稳定性受威胁。针对基于人工智能的暂态稳定评估（TSA）方法存在的拓扑适应能力差、失稳样本学习困难和模型训练耗时长等缺陷，提出了基于图形卷积和长短时记忆组合网络的空间和时间双注意力机制（STA-GLN）集成电力系统TSA方法。搭建了电力系统仿真模型，在全接线、N-1断线和N-2断线3种拓扑结构下设置不同线路故障，获取原始样本集，基于STA-GLN的TSA方法对系统拓扑变化表现出更强的适应性和评估准确性；构建了基于自适应增强（AdaBoost）算法和迁移学习的集成STA-GLN多任务TSA模型，解决了失稳误判问题并加快了模型的响应速度。最后通过新英格兰10机39节点系统仿真分析验证了该方法的有效性。

关键词: 电力系统, 可再生能源, 暂态稳定评估, 人工智能, 集成学习, 迁移学习, 多任务模型, 电力电子化

Abstract:

With the continuous access of high-proportion renewable energy to the power grid and advancing of power electronization， power systems are becoming increasingly complex in structure， which threats of systems' stability. To address the poor topology adaptability， difficulty in learning instability samples， and long model training time of the transient stability assessment （TSA） method based on artificial intelligence（AI），an ensemble TSA method based on Spatial-Temporal Attention Mechanism， Graph Convolution and Long Short-Term Memory Network（STA-GLN） is proposed. A power system simulation model is built， in which different line faults are set under three topologies， full connection， N-1 disconnection and N-2 disconnection， and the original sample sets are obtained. The TSA method based on STA-GLN shows stronger adaptability and accuracy to the variation of the system's topologies. Then， Adaptive Boosting （AdaBoost） and transfer learning are integrated into the multi-task TSA model based on STA-GLN， which reduces the false judgment and accelerates the response speed of the model. The effectiveness of the method is verified by the simulation analysis of a New England 10-generator 39-node system.

Key words: power system, renewable energy, transient stability assessment, AI, ensemble learning, transfer learning, multi-task model, power electronization

中图分类号:

TK01

杨波, 李成雲, 吕浩轩, 周博文, 李广地, 谷鹏. 基于多STA-GLN集成模型的电力系统暂态稳定评估方法[J]. 综合智慧能源, 2023, 45(7): 48-60.

YANG Bo, LI Chengyun, LYU Haoxuan, ZHOU Bowen, LI Guangdi, GU Peng. Power system transient stability assessment method based on multiple STA-GLN ensemble models[J]. Integrated Intelligent Energy, 2023, 45(7): 48-60.

图/表 29

图1

表1

表2

表3

图2

图3

图4

图5

图6

表4

表5

不同特征集的评估结果

特征集	评估指标
特征集	$P a c c$ /%	$F 1$ /%
1	94.57	95.33
2	94.15	94.54
3	93.62	94.20

表5

表6

表7

不同层数搭配的STA-GLN模型性能

SA-GCN 层数量	TA-LSTM层数量	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%
1	1	96.72	98.21	88.71	93.22
1	2	88.52	85.42	66.13	74.55
2	1	97.95	98.31	93.55	95.87
2	2	98.77	98.36	96.77	97.56
3	1	95.90	88.24	96.77	92.31
3	2	97.54	95.16	95.16	95.16

表7

表8

不同模型在数据集A上的性能表现

模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%
GCN	89.24	93.55	96.67	95.08
SA-GCN	93.72	95.93	98.33	97.12
LSTM	94.17	95.22	99.58	97.35
TA-LSTM	95.52	98.32	97.50	97.91
GCN-LSTM	96.41	99.57	97.08	98.31
STA-GLN	97.31	99.58	97.92	98.74

表8

表9

不同模型在数据集B上的性能表现

模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%
GCN	88.28	89.50	96.24	92.75
SA-GCN	92.89	96.17	94.62	95.39
LSTM	93.72	93.85	98.39	96.06
TA-LSTM	94.14	97.78	94.62	96.17
GCN-LSTM	94.56	96.76	96.24	96.50
STA-GLN	96.65	97.34	98.39	97.86

表9

表10

不同模型在数据集C上的性能表现

模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%
GCN	78.12	94.74	96.00	95.36
SA-GCN	79.69	94.77	96.67	95.71
LSTM	81.25	95.39	96.67	94.77
TA-LSTM	82.81	96.64	96.00	96.32
GCN-LSTM	84.38	95.45	98.00	96.71
STA-GLN	87.50	96.71	98.80	97.35

表10

表11

不同模型在数据集D上的性能表现

模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%
GCN	90.41	94.08	96.62	95.33
SA-GCN	91.10	94.70	96.62	95.65
LSTM	92.47	95.36	97.30	96.32
TA-LSTM	93.15	95.39	97.97	96.67
GCN-LSTM	94.52	96.67	97.97	97.32
STA-GLN	96.58	98.64	97.97	98.31

表11

表12

图7

表13

不同模型在样本集A中的性能表现

模型	任务1				任务2
模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%	J/%
AdaBoost-STA-GLN	98.77	98.32	97.50	97.91	95.70
AdaBoost-LSTM	97.54	97.28	96.24	96.76	94.55
AdaBoost-CNN	97.31	98.30	96.77	97.53	94.35
RF	96.86	97.83	96.77	97.30	93.67
AdaBoost-DT	96.55	96.28	97.08	96.68	93.38
AdaBoost-GCN	95.82	96.17	94.62	95.39	92.77

表13

表14

不同模型在样本集B中的性能表现

模型	任务1				任务2
模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%	J/%
AdaBoost-STA-GLN	97.51	97.11	97.92	97.51	94.56
AdaBoost-LSTM	96.65	96.64	96.00	96.32	93.27
AdaBoost-CNN	96.58	96.62	95.33	95.97	93.10
RF	95.21	96.03	96.67	96.35	92.57
AdaBoost-DT	94.56	95.39	96.67	94.77	91.35
AdaBoost-GCN	92.47	94.70	96.62	95.65	89.68

表14

表15

不同模型在样本集C中的性能表现

模型	任务1				任务2
模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%	J/%
AdaBoost-STA-GLN	95.52	97.28	96.62	96.95	92.56
AdaBoost-LSTM	92.47	96.17	94.62	95.39	91.40
AdaBoost-CNN	91.78	95.39	96.67	96.03	91.25
RF	91.10	95.57	96.62	96.30	90.77
AdaBoost-DT	89.24	95.33	96.62	95.97	88.78
AdaBoost-GCN	86.55	94.67	95.95	95.30	86.55

表15

表16

不同模型在样本集E中的性能表现

模型	任务1				任务2
模型	$P a c c$ /%	$P r e c$ /%	$R e c$ /%	$F 1$ /%	J/%
AdaBoost-STA-GLN	98.36	98.76	99.58	99.17	95.50
AdaBoost-LSTM	97.31	98.38	97.85	98.11	94.25
AdaBoost-CNN	96.86	98.32	97.50	97.91	94.18
RF	96.41	97.85	97.85	97.85	93.37
AdaBoost-DT	95.40	97.83	96.77	97.30	92.86
AdaBoost-GCN	93.72	96.28	97.08	96.68	91.54

表16

表17

图8

图9

图10

表18

不同集成模型的抗干扰能力

评估模型		50 dB噪声样本集		30 dB噪声样本集
评估模型		$P a c c$ /%	J/%	$P a c c$ /%	J/%
1	AdaBoost-STA-GLN	98.20	95.30	97.67	94.75
2	AdaBoost-LSTM	96.85	94.00	95.40	93.10
3	AdaBoost-CNN	96.40	93.75	95.17	92.77
4	RF	95.52	92.46	94.34	91.56
5	AdaBoost-DT	94.17	92.18	93.40	91.49
6	AdaBoost-GCN	92.38	91.34	91.52	90.64

表18

图11

参考文献 30

[1]	薛巍, 舒继武, 严剑峰, 等. 基于集群机的大规模电力系统暂态过程并行仿真[J]. 中国电机工程学报, 2003, 23(8):38-43.
	XUE Wei, SHU Jiwu, YAN Jianfeng, et al. Cluster-based parallel simulation for power system transient stability analysis[J]. Proceedings of the CSEE, 2003, 23(8):38-43.
[2]	李亚楼, 李芳, 刘赫川, 等. 基于PSASP的综合能源仿真分析系统[J]. 电网技术, 2019, 43(7):2498-2505.
	LI Yalou, LI Fang, LIU Hechuan, et al. Framework design of simulation system for integrated energy systems based on PSASP[J]. Power System Technology, 2019, 43(7):2498-2505.
[3]	CHANG H D, WU F F, VARIAYA P P. A BCU method for direct analysis of power system transient stability[J]. IEEE Transactions on Power Systems, 1994, 19(2):11-17.
[4]	汪小明, 刘涤尘, 吴军, 等. 基于能量函数法的电网暂态稳定性分析[J]. 电网技术, 2011, 35(8):13-17.
	WANG Xiaoming, LIU Dichen, WU Jun, et al. Energy function-based power system transient stability analysis[J]. Power System Technology, 2011, 35(8):13-17.
[5]	张若愚, 吴俊勇, 李宝琴, 等. 基于迁移学习的电力系统暂态稳定自适应预测[J]. 电网技术, 2020, 44(6):2196-2203.
	ZAHNG Ruoyu, WU Junyong, LI Baoqin, et al. Self-adaptive power system transient stability prediction based on transfer learning[J]. Power System Technology, 2020, 44(6):2196-2203.
[6]	钟智, 管霖, 苏寅生, 等. 基于图注意力深度网络的电力系统暂态稳定评估[J]. 电网技术, 2020, 45(6):2122-2130.
	ZHONG Zhi, GUAN Lin, SU Yinsheng, et al. Power system transient stability assessment based on graph attention deep network[J]. Power System Technology, 2020, 45(6):2122-2130.
[7]	HUANG Jiyu, GUAN Lin, SU Yinsheng, et al. Recurrent graph convolutional network-based multi-task transient stability assessment framework in power system[J]. IEEE Access, 2020, 8: 93283-93296. doi: 10.1109/Access.6287639
[8]	HE H B, GARCIA E A. Learning from imbalanced data[J]. IEEE Transactions on Knowledge and Data Engineering, 2009, 21(9):1263-1284. doi: 10.1109/TKDE.2008.239
[9]	谭本东, 杨军, 赖秋频, 等. 基于改进CGAN的电力系统暂态稳定评估样本增强方法[J]. 电力系统自动化, 2019, 43(1):149-157.
	TAN Bendong, YANG Jun, LAI Qiupin, et al. Data augment method for power system transient stability assessment based on improved conditional generative adversarial network[J]. Automation of Electric Power Systems, 2019, 43(1):149-157.
[10]	田芳, 周孝信, 史东宇, 等. 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估[J]. 中国电机工程学报, 2019, 39(14):4025-4031.
	TIAN Fang, ZHOU Xiaoxin, SHI Dongyu, et al. Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features[J]. Proceedings of the CSEE, 2019, 39(14):4025-4031.
[11]	李宝琴, 吴俊勇, 邵美阳, 等. 基于集成深度置信网络的精细化电力系统暂态稳定评估[J]. 电力系统自动化, 2020, 44(6):17-26.
	LI Baoqin, WU Junyong, SHAO Meiyang, et al. Refined transient stability evaluation for power system based on ensemble deep belief network[J]. Automation of Electric Power Systems, 2020, 44(6):17-26.
[12]	邵美阳, 吴俊勇, 李宝琴, 等. 基于两阶段集成深度置信网络的电力系统暂态稳定评估[J]. 电网技术, 2020, 44(5):1776-1787.
	SHAO Meiyang, WU Junyong, LI Baoqin, et al. Transient stability assessment of power system based on two-stage ensemble deep belief network[J]. Power System Technology, 2020, 44(5):1776-1787.
[13]	ZHOU Y Z, GUO Q L, SUN H B, et al. A novel data-driven approach for transient stability prediction of power systems considering the operational variability[J]. International Journal of Electrical Power and Energy Systems, 2019, 107:379-394. doi: 10.1016/j.ijepes.2018.11.031
[14]	李楠, 李保罗, 朱建华, 等. 计及样本不平衡与重叠的暂态稳定评估方法[J]. 电力系统自动化, 2020, 44(21):64-71.
	LI Nan, LI Baoluo, ZHU Jianhua, et al. Transient stability assessment method considering sample imbalance and overlap[J]. Automation of Electric Power Systems, 2020, 44(21):64-71.
[15]	陈振, 肖先勇, 李长松, 等. 基于代价敏感极端学习机的电力系统暂态稳定评估方法[J]. 电力自动化设备, 2016, 36(2):118-123.
	CHEN Zhen, XIAO Xianyong, LI Changsong, et al. Power system transient stability assessment based on cost-sensitive extreme learning machine[J]. Electric Power Automation Equipment, 2016, 36(2):118-123.
[16]	WANG H Y, CHEN Q F, Zhang B H. Transient stability assessment combined model framework based on cost-sensitive method[J]. IET Generation, Transmission & Distribution, 2020, 14(12): 2256-2262. doi: 10.1049/gtd2.v14.12
[17]	王怀远, 陈启凡. 基于代价敏感堆叠变分自动编码器的暂态稳定评估方法[J]. 中国电机工程学报, 2020, 40(7):2213-2220.
	WANG Haiyuan, CHEN Qifan. A transient stability assessment method based on cost-sensitive stacked variational auto-encoder[J]. Proceedings of the CSEE, 2020, 40(7):2213-2220.
[18]	WANG H Y, WANG Q Y, CHEN Q F, el at. Transient stability assessment model with improved cost-sensitive method based on the fault severity[J]. IET Generation, Transmission & Distribution, 2020, 14(20): 4605-4611. doi: 10.1049/gtd2.v14.20
[19]	LI N, LI B L, HAN Y Q, et al. Dual cost-sensitivity factors-based power system transient stability assessment[J]. IET Generation, Transmission & Distribution, 2020, 14(24): 5858-5869. doi: 10.1049/gtd2.v14.24
[20]	ZHANG R, XU Y, DONG Z Y, et al. Post-disturbance transient stability assessment of power systems by a self-adaptive intelligent system[J]. IET Generation, Transmission & Distribution, 2015, 9(3):296-305. doi: 10.1049/gtd2.v9.3
[21]	TAN B D, YANG J, ZHOU T, et al. Spatial-temporal adaptive transient stability assessment for power system under missing data[J]. International Journal of Electrical Power and Energy Systems, 2020, 123, 106237. doi: 10.1016/j.ijepes.2020.106237
[22]	SAUER P W, PAI M A. Power system dynamics and stability[M]. USA: Prentice Hall, 1998.
[23]	王莉丽, 刘崇茹. DIgSILENT在电力系统稳定计算中的应用[J]. 中国科技论文, 2016(11):1283-1287.
	WANG Lili, LIU Chongru. Application of DIgSILENT in power system stability calculation[J]. China Science Paper, 2016(11):1283-1287.
[24]	LAI G K, CHANG W C, YANG Y M, el at. Modeling long- and short-term temporal patterns with deep neural networks[C]// The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. SIGIR, 2018:95-104.
[25]	刘文慧, 严博文, 吴江, 等. 基于平行控制理论的循环流化床锅炉床温智能预测模型[J]. 综合智慧能源, 2022, 44(3): 50-57. doi: 10.3969/j.issn.2097-0706.2022.03.008
	LIU Wenhui, YAN Bowen, WU Jiang, et al. Intelligent prediction model of CFB boiler bed temperature based on parallel control theory[J]. Integrated Intelligent Energy, 2022, 44(3): 50-57. doi: 10.3969/j.issn.2097-0706.2022.03.008
[26]	周挺, 杨军, 詹祥澎, 等. 一种数据驱动的暂态电压稳定评估方法及其可解释性研究[J]. 电网技术, 2021, 45(11):4416-4425.
	ZHOU Ting, YANG Jun, ZHAN Xiangpeng, et al. Data-driven method and interpretability analysis for transient voltage stability assessment[J]. Power System Technology, 2021, 45(11):4416-4425.
[27]	梁修锐, 刘道伟, 杨红英, 等. 数据驱动的电力系统静态电压稳定态势评估[J]. 电力建设, 2020, 41(1):126-132. doi: 10.3969/j.issn.1000-7229.2020.01.015
	LIANG Xiurui, LIU Daowei, YANG Hongying, et al. Data-driven situation assessment of power system static voltage stability[J]. Electric Power Construction, 2020, 41(1):126-132. doi: 10.3969/j.issn.1000-7229.2020.01.015
[28]	孙黎霞, 彭嘉杰, 田屹昀, 等. 基于混合门控循环单元子层的多任务暂态稳定评估[J]. 电力建设, 2022, 43(2): 63-69. doi: 10.12204/j.issn.1000-7229.2022.02.008
	SUN Lixia, PENG Jiajie, TIAN Yiyun, et al. Multi-task transient stability assessment based on sub-layer of hybrid gated recurrent unit[J]. Electric Power Construction, 2022, 43(2):63-69. doi: 10.12204/j.issn.1000-7229.2022.02.008
[29]	郑真, 朱峰, 马小丽, 等. 基于TL-LSTM的新能源功率短期预测[J]. 综合智慧能源, 2023, 45(1): 41-48. doi: 10.3969/j.issn.2097-0706.2023.01.005
	ZHENG Zhen, ZHU Feng, MA Xiaoli, et al. Short-term new energy power prediction based on TL-LSTM[J]. Integrated Intelligent Energy, 2023, 45(1): 41-48. doi: 10.3969/j.issn.2097-0706.2023.01.005
[30]	PAN S J, YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10):1345-1359. doi: 10.1109/TKDE.2009.191

样本集	稳定	失稳	总计
A（全接线）	2 436	1 235	3 671
B（N-1断线）	1 517	958	2 475
C（N-2断线）	845	755	1 600

特征类型	维度	描述	输入维度
I	时间	系统各母线的电压幅值与相角	39×2
II	空间	系统拓扑连接关系的拓扑矩阵	39×39

采样序号	采样时间
1	故障前的稳态母线电压幅值与相角
2	故障发生时刻的母线电压幅值与相角
3	故障发生过程中间时刻的母线电压幅值与相角
4	故障切除时刻的母线电压幅值与相角
5	故障切除后1 s末时的母线电压幅值与相角

特征集	描述	输入维度	采样点数	总维度	样本数
1	39条母线的电压幅值与相角	78	5	390	5 000
2	34条传输线的有功、无功功率	68	5	340	5 000
3	发电机母线电压幅值	10	10	100	5 000

数据集	稳定	失稳	总计
A（全接线）	2 436	1 235	3 671
B（N-1断线）	1 517	958	2 475
C（N-2断线）	845	755	1 600
D（分层抽样混合）	1 249	757	2 006

基于多STA-GLN集成模型的电力系统暂态稳定评估方法

Power system transient stability assessment method based on multiple STA-GLN ensemble models

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 29

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

模型	训练集		测试集		训练周期或子分类器数量
模型	P_acc/%	J/%	P_acc/%	J/%	训练周期或子分类器数量
单一STA-GLN多任务TSA模型	95.70	91.50	94.56	90.69	40个epoch
	96.65	93.14	95.48	92.48	50个epoch
	95.82	91.89	94.51	91.05	60个epoch
集成STA-GLN多任务TSA模型	99.18	96.77	98.77	95.7	5个子分类器
	98.36	94.66	98.25	94.00	8个子分类器
	97.91	93.89	96.77	93.15	10个子分类器
	96.54	92.68	95.72	92.07	15个子分类器

[1]	刘艺娴, 王玉彬, 杨强. 基于门控图神经网络的高容错配电网状态估计方法[J]. 综合智慧能源, 2023, 45(6): 1-8.
[2]	窦真兰, 沈建忠, 张春雁, 江晶晶, 陈祺, 陈婧. 考虑供需不确定性的区域综合能源系统时间解耦分层能量管理[J]. 综合智慧能源, 2023, 45(6): 17-24.
[3]	倪杰, 李晨, 秦天, 吴小潇, 周霞, 马道广. 基于多源数据融合的电网计划安全稳定校核技术研究[J]. 综合智慧能源, 2023, 45(6): 42-48.
[4]	韩朝兵, 汤冰, 尹瑞麟, 朱正香, 薛明华, 祝建飞, 艾春美, 孙立. 典型综合能源系统建模及特性仿真研究[J]. 综合智慧能源, 2023, 45(6): 49-58.
[5]	刘健, 刘雨鑫, 庄涵羽. 虚拟电厂关键技术及其建设实践[J]. 综合智慧能源, 2023, 45(6): 59-65.
[6]	刘子祺, 苏婷婷, 何佳阳, 王裕. 基于多目标粒子群算法的配电网储能优化配置研究[J]. 综合智慧能源, 2023, 45(6): 9-16.
[7]	陈文轩, 李学琴, 刘鹏, 李艳玲, 卢岩, 雷廷宙. 催化生物质焦油模型化合物热解规律的研究[J]. 综合智慧能源, 2023, 45(5): 63-69.
[8]	魏伟, 高赐威, 宋梦, 明昊. 基于HHO-SVM的电力线路故障检测分类系统[J]. 综合智慧能源, 2023, 45(3): 1-8.
[9]	刘会强, 郭裕, 邢华栋, 慕腾, 刘建强, 张爱军. 基于前馈功率解耦控制的光伏电站系统稳定性研究[J]. 综合智慧能源, 2023, 45(3): 17-23.
[10]	李华, 陆明璇, 佟永吉, 仲崇飞. 态势感知技术在新型电力系统运行中的应用[J]. 综合智慧能源, 2023, 45(3): 24-33.
[11]	王芸芸, 马志程, 周强, 董海鹰. 计及公平性的多能合作博弈鲁棒优化调度[J]. 综合智慧能源, 2023, 45(2): 10-21.
[12]	张金平, 周强, 王定美, 李津, 刘丽娟. 太阳能光热发电技术及其发展综述[J]. 综合智慧能源, 2023, 45(2): 44-52.
[13]	张蒙晰, 位祺, 刘敏, 李疆生, 张文英, 金广祥, 郭慧芳. 面向新型电力系统用户侧互动的网络架构演进及发展思路[J]. 综合智慧能源, 2023, 45(2): 69-76.
[14]	葛磊蛟, 崔庆雪, 李明玮, 刘自发, 夏明超. 面向低碳经济运行的新型电力系统态势感知技术综述[J]. 综合智慧能源, 2023, 45(1): 1-13.
[15]	郑真, 朱峰, 马小丽, 田书欣, 姜皓喆. 基于TL-LSTM的新能源功率短期预测[J]. 综合智慧能源, 2023, 45(1): 41-48.

模型	训练时长
AdaBoost-STA-GLN	112
AdaBoost-LSTM	155
AdaBoost-CNN	105
RF	127
AdaBoost-DT	130
AdaBoost-GCN	133