.png){kind=icon}
返回
A multi-view and multi-scale transfer learning based wind farm equivalent method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijepes.2019.105740.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着风电场 (WF) 容量的增加，详细的WF模型不适用于电力系统研究，并且WF与所需精度水平的等效性提出了复杂的技术挑战。本文提出了一种基于多视角多尺度迁移学习的WF等效方法。在该方法中采取三个步骤。(a) 利用精化复合多尺度熵 (RCMSE) 对风电机组有功和无功功率 (WT) 进行特征提取，在此基础上，综合考虑视角和尺度两个方面构建聚类指标。(b) 针对聚类指标的特点，提出了一种多视图多尺度模糊C均值 (vs-fcm) 聚类算法，并将迁移学习用于WTs聚类性能。(c) 采用迁移Q学习对各等效WT的收集网络参数进行优化，提高参数优化效率。为验证所提方法的有效性，利用中国内蒙古东部的实际系统进行了案例研究。仿真结果表明，该模型在不同的风电场景和电压暂降水平下均表现出良好的动态特性和鲁棒性，在仿真时间和参数优化效率方面具有优势。
Keyword:
Wind farm equivalent
Transfer learning
Multi-view and multi-scale fuzzy C-means (VS-FCM) clustering
Refined composite multi-scale entropy (RCMSE)
Q-learning
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
I
IF:
5
论文数:
1.1W
被引数:
3.1W
机构
暂无机构信息
引用论文
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Deep transfer Q-learning with virtual leader-follower for supply-demand Stackelberg game of smart grid.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏分享收藏Differential evolution algorithm with ensemble of parameters and mutation strategies具有参数集成和变异策略的差分进化算法
PREAI
分享收藏
查看更多内容