【关键词】贝叶斯优化；卷积神经网络；动态负载；短期电压稳定性

引言

随着电网中动态负载的不断普及，动态负载的高比例并网将成为电力系统领域发展的必然趋势。由于动态负载自身具有较强的随机波动特性，短期电压的PV输出特性曲线会出现非线性波动，严重时可能引发较大的电力故障。对于STVS评估这一研究领域，虽然采用支持向量机（Support Vector Machine，SVM）[1]、随机森林[2]以及贝叶斯模型[3]等能够解决寻优问题，但存在分类不准确与误判现象。尽管人工智能算法已应用于电力系统的STVS评估[4]，但在动态负载高比例并网场景下，如何准确评估STVS以及解析其内部影响仍存在困难。

基于上述分析，此文将CNN应用到动态负载并网后STVS评估中，提出一种基于贝叶斯优化CNN的STVS评估模型，该评估模型通过深度学习网络的损失函数自发优化所需超参数。

一、贝叶斯优化CNN的STVS评估模型

（一）CNN短期电压评估模型

CNN的主要结构由三部分组成，分别为卷积层、池化层和全连接层。短期电压稳定与否和动态负载比、发生故障位置及故障持续时间有密切关系。为此，此文采用神经网络系统CNN提取电网中的动态负载比等特征信息，创建基于CNN的短期电压稳定性评估模型。

此文采用构建网络层的方式来高效获取动态负载并网后电力系统的特征信息，其结构图如表1所示。

（二）贝叶斯优化算法

神经网络的参数有参数和超参数之分，超参数对于卷积神经网络比较重要。但是在电力系统中，通常无法准确获得超参数与输出之间的函数表示形式，因此引入贝叶斯优化算法对传统的神经网络进行优化。

贝叶斯优化的详细过程如表2所示。其中，xt为超参数集，受χ的限制；yt是xt的观测值；εt是误差；D1：t是用于记录优化过程的数据矩阵。

（三）基于贝叶斯优化CNN的STVS稳定性评估

为了更好对STVS稳定性和准确性进行评估，此文引入CNN和贝叶斯优化算法进行优化。

在模型性能评估方面，结合混淆矩阵、平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Squared Error，RMSE）进行分析。在采用数据一样的前提下，混淆矩阵可直接明了地展示各评估模型准确判定以及误判、漏判的个数。