.png){kind=icon}
返回
A Classifier-Guided Diffusion Model-Based Key Sample Augmentation Method for Power System Transient Stability
.png){kind=icon}
OA
AI
DOI：10.3390/en18184848.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代电力系统日益复杂，暂态不稳定的风险相应增加。基于数据驱动的暂态稳定性评估（TSA）因其效率而备受关注，但在实际应用中，不稳定事件的数量远小于稳定事件的数量，导致严重的类别不平衡和准确度下降。本文提出了一种SHAP引导、分类器控制的扩散增强框架，以缓解不平衡并提升TSA性能。首先，通过SHAP分析识别关键的不稳定和近边界样本，确保增强操作针对状态空间中最具信息量的区域。然后，采用一个基于Transformer去噪网络的分类器引导条件扩散模型，生成类别忠实的人工轨迹，这些轨迹能够捕捉长程时间依赖性和变量间的耦合关系。在IEEE 10机39节点系统上的案例研究表明，所提出的方法在准确度、精确度、召回率和F1分数方面，持续优于传统的过采样方法（如SMOTE/ADASYN）和深度生成基准（如CGAN/TimeGAN）。此外，该方法在少量样本设置和缩短的时间序列输入下仍能保持优异性能，展示了良好的适应性和鲁棒性。这些结果表明，所提出的增强框架为严重类别不平衡下的TSA提供了一种实用且有效的解决方案。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.2
论文数:
1.6W
被引数:
14.3W
机构
引用论文
Li, J.; Yang, H.; Yan, L.; Li, Z.; Liu, D.; Xia, Y. Data augment using deep convolutional generative adversarial networks for transient stability assessment of power systems. In Proceedings of the 39th Chinese Control Conference (CCC), Shenyang, China, 27–29 July 2020; pp. 6135–6140. [Google Scholar] [CrossRef]Li, J.; Yang, H.; Yan, L.; Li, Z.; Liu, D.; Xia, Y. 使用深度卷积生成对抗网络进行数据增强，以评估电力系统暂态稳定性。载于《第39届中国控制会议（CCC）论文集》，中国沈阳，2020年7月27–29日；第6135–6140页。 [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A study of the behavior of several methods for balancing machine learning training data平衡机器学习训练数据的几种方法的行为研究
PREAI
分享收藏Liu, M.; Huang, H.; Feng, H.; Sun, L.; Du, B.; Fu, Y. Pristi: A conditional diffusion framework for spatiotemporal imputation. In Proceedings of the 2023 IEEE 39th International Conference on Data Engineering (ICDE), Anaheim, CA, USA, 3–7 April 2023; pp. 1927–1939. [Google Scholar] [CrossRef]刘, M.; 黄, H.; 冯, H.; 孙, L.; 杜, B.; 付, Y. Pristi: 一种用于时空插补的条件扩散框架。载于《2023年IEEE第39届国际数据工程会议论文集》(ICDE)，美国加利福尼亚州阿纳海姆，2023年4月3—7日；第1927—1939页。[Google Scholar][CrossRef]
IF0
PREAI
分享收藏
查看更多内容