基于GAN的不平衡负荷数据类型辨识方法

负荷分类对于负荷预测、风险预警、优化调度等具有重要意义.为了改善负荷类别不平衡对分类精度的影响,提出了一种基于生成式对抗网络(generative adversarial network,GAN)的不平衡负荷数据类型辨识方法.首先,通过K-means算法对负荷数据聚类获取其类别标签;其次,根据聚类结果,针对负荷数据中的小样本类别,采用基于GAN的过采样方法进行类别平衡;最后,使用支持向量机(support vector machine,SVM)进行负荷分类.选取爱尔兰实测负荷数据作为实验数据,验证了所提方法的有效性.     

利用自组织映射SOM实现电力系统暂态稳定评估结果可视化

自组织映射SOM(self-organizing map)具有拓扑关系保持的优良性能,可应用于降维可视化.该文基于SOM实现暂态稳定评估结果的可视化.采用经典的SOM算法分别对原始特征和特征选取后的IEEE16机暂态稳定分类数据进行可视化,表明了可视化的可行性以及特征选取的重要性.采用一种改进的SOM算法-DPSOM算法,提高了可视化的性能,得到了满意的暂态稳定评估分类可视化结果.     

基于XGBoost-EE的电力系统暂态稳定评估方法

深度学习在暂态稳定评估中发挥着越来越重要的作用,然而电网规模逐渐扩大导致数据出现维数灾难,这对模型的性能提出了更高的要求.目前,暂态稳定特征构建需要依靠人工经验,具有主观性;深度学习的模型在设计和训练上耗时、耗力.针对以上两点,结合极限梯度提升(XGBoost)算法和实体嵌入(EE)网络,提出了一种基于XGBoost-EE的电力系统暂态稳定评估方法.首先通过XGBoost算法的路径规则生成类别特征,将原始特征进行降维.然后采用EE网络对新的特征进行分类,从而完成快速、精准的暂态稳定评估.该方法充分利用了机器学习算法处理速度快和神经网络评估精度高的优点,能够直接面向底层量测数据.最后,在IEEE新英格兰10机39节点和IEEE 50机145节点系统的仿真结果表明,所提方法相比于其他方法具有更高的预测精度和更好的抗噪性能,且在训练时不容易过拟合.     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差,为此,提出一种改进K-means与LSTM（long short term memory network）-CNN（convolutional neural network）分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类算法（density peaks clustering,DPC）思想,提出一种相对k近邻密度峰值初始聚类中心选取方法（related k-nearest neighbor density peaks,RKDP）,将其作为K-means算法的初始中心进行聚类;其次,为提高RKDP_K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类（LSTM-auto-encoder RKDP_K-means,LARK）获得精准类别标签;最后,基于LSTM和CNN网络分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例表明在大规模负荷曲线分类时,相比于LARK算法,本文所提方法轮廓系数指标提升29.7%,效率提升3.46倍,具有良好的负荷曲线分类效果。     

基于 Stacking元学习策略的电力系统暂态稳定评估

为提高电力系统暂态稳定评估单个模型的准确率,研究了基于元学习策略的暂态稳定评估问题,提出了支持向量机、决策树、朴素贝叶斯和K最近邻法作为基学习算法,线性回归为元学习算法的Stacking评估模型.该模型将上述基学习算法的概率榆出作为新训练数据的输入特征,同时保留原始的类标识.线性回归算法在新训练集上学习得到最终暂态稳定评估结果.新英格兰39节点测试系统和IEEE50机测试系统上仿真实现了该模型,仿真结果证明所提模型比单个模型的评估性能更好,为电力系统暂态稳定评估提供了新的思路.     

电力系统暂态稳定评估的关联规则挖掘

根据IEEE16 机系统进行暂态稳定仿真, 首先对经典k- means 算法和模糊聚类FCM算法比较分析, 确定聚类个数并选择效果较好的FCM算法进行聚类, 找出候选离散断点, 再结合信息熵理论确定最终离散断点, 然后将连续数据离散化到各个离散区间中, 映射为连续的数字标识, 找出暂态稳定特征属性之间以及特征属性与暂态稳定属性类别之间的关联关系, 最后对挖掘出的规则进行分析研究, 从而对电力系统进行暂态稳定评估。     

提升型贝叶斯分类器在电力系统暂态稳定评估中的应用

应用人工智能技术可实现电力系统暂态稳定的快速评估,朴素贝叶斯分类器作为人工智能方法的一种,其训练计算复杂度是线性的,是解决分类问题最实用、有效的方法之一,但由于它是建立在属性变量相对类变量独立的假设前提下,故存在一定的误分类率.本文采用Adaptive Boost(AdaBoost)算法对朴素贝叶斯分类器进行提升,有效地降低了误分类率,并将提升型贝叶斯分类器用于电力系统暂态稳定评估.选取能迅速反映电力系统暂态过程的特征量,作为贝叶斯分类器的属性变量,将系统稳定或不稳定作为类变量,采用数值仿真算法产生大量样本,并对属性的连续数据进行离散化处理,构造了用于暂态稳定评估的提升型贝叶斯分类器.对新英格兰10机39节点系统进行仿真,结果表明:提升型贝叶斯分类器用于电力系统暂态稳定评估可有效降低机器学习的复杂度和提高暂态稳定的分类精度.     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于改进一维卷积神经网络的电力系统暂态稳定评估

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法。该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传统的单尺寸卷积核,能够有效提取量测数据的多粒度时序信息,实现了端到端的暂态稳定评估。另一方面,引入了焦点损失函数来指导模型训练,其能发掘困难样本并且缓解样本不均衡问题,进一步提升了模型的辨识性能。此外,通过应用GuidedGrad-CAM算法对暂态评估模型的类激活图进行可视化分析,提升了模型的可解释性和透明性。在新英格兰10机39节点算例系统上的仿真分析表明,相较于基于传统机器学习和深度学习的暂态稳定评估方法,所提出的方法具有更优的评估性能,并且对受"污染"数据具有更好的鲁棒性。     

基于改进K-means聚类的变压器异常状态识别模型

为有效利用变压器历史正常数据识别变压器是否异常,文章提出了基于改进K-means聚类的变压器异常状态识别模型。针对变压器绝大部分运行数据为正常数据,且正常数据逐渐按一定的趋势变化以及异常状态数据变化急剧等特点,基于历史正常数据与K-means算法建立变压器异常状态识别模型。根据对正常数据聚类的结果确定用于识别新数据的各个阈值,通过计算新数据到各聚类中心的距离并与各阈值对比确认变压器是否异常。同时针对传统K-means算法的缺点,对K-means算法进行基于密度与距离选择K值与初始聚类中心的改进,使K-means算法有稳定的K值与聚类中心,聚类过程更加快速、稳定、有效,从而使识别模型计算得到的阈值更可靠。实例分析表明,模型能有效对变压器的异常状态进行快速、准确的识别,为变压器状态评估提供一种新思路。