Key points are not available for this paper at this time.
Les réseaux électriques modernes se caractérisent par une pénétration significative des sources d'énergie renouvelable (RES), une demande de puissance variable et une infrastructure de transmission vieillissante, qui contribuent tous à un haut degré d'incertitude opérationnelle. Cette incertitude complique l'évaluation de la stabilité de tension statique dans les réseaux électriques. En réponse à ce défi, cet article propose une approche novatrice basée sur l'apprentissage par ensemble profond pour évaluer la marge de stabilité de tension probabiliste (PVSM) afin de renforcer la résilience de la surveillance des réseaux électriques. Tout d'abord, l'estimation de la PVSM est formulée comme un problème de régression quantile. Ensuite, une régression quantile profonde améliorée (iDQR) est utilisée pour générer un ensemble de quantiles sous des proportions nominales spécifiques. Ensuite, un schéma d'apprentissage par ensemble profond dynamique (D2EL) basé sur des modèles iDQR divers et un algorithme d'intégrale floue Choquet amélioré (iCFI) est proposé pour améliorer la performance globale des quantiles prédictifs pour la PVSM. L'approche d'estimation de la PVSM basée sur D2EL est capable de s'adapter rapidement aux changements du système, offrant ainsi une meilleure précision d'estimation et une adaptabilité plus forte que les approches conventionnelles. Une étude numérique complète de plusieurs systèmes de test est réalisée, prenant en compte les RES et les charges incertaines, ainsi que les changements de topologie. Les résultats révèlent la performance impressionnante de l'approche proposée dans l'évaluation de la PVSM.
Su et al. (Fri,) ont étudié cette question.