基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

基于正则化投影孪生支持向量机的电力系统暂态稳定评估

提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题,并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先,构建由系统特征和投影能量函数特征组成的初始样本集,通过特征选择对初始特征进行压缩,获取可有效表征暂态稳定性的最优特征集。然后,基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类,寻找各稳定状态的最佳投影坐标轴,使稳定类投影到稳定类投影超平面上后尽可能地聚成簇,而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇,降低暂态稳定评估的计算时间,同时借助遗传算法进行参数选择以提高准确率。最后,通过IEEE-145和南方电网算例的仿真分析,验证了所提方法的有效性和准确性。     

基于最小二乘支持向量机的电力系统暂态稳定在线预测

利用最小二乘支持向量机进行在线轨迹预测时,反复的矩阵求逆是影响计算速度的重要因素.该文根据分块矩阵求逆定理对标准算法进行改进,以提高计算速度.为满足实际多机系统稳定预测的要求,引入轨迹聚合技术对多机轨迹进行聚合,进一步减少了计算量.在轨迹降阶的基础上,根据扩展等面积法则(EEAC),通过识别聚合轨迹的动态鞍点来判断轨迹的稳定性.以中国电力科学研究院36节点系统和中国西北电网为例进行仿真分析,从预测精度和计算时间两方面验证方法的有效性.     

基于在线最小二乘支持向量机回归的电力系统暂态稳定预测

提出了一种基于在线最小二乘支持向量机回归的电力系统暂态稳定预测方法。分析了标准最小二乘支持向量机回归算法用于在线预测时存在的主要问题，然后根据分块矩阵求逆定理对标准算法进行改进，实现支持向量的递推式求解，提高了算法的学习效率。为了满足实际多机系统在线稳定预测的要求，引入轨迹聚合技术对多机轨迹进行聚合，进一步减少了计算量。在轨迹降阶的基础上，根据EEAC理论，通过识别聚合轨迹的动态鞍点来判断轨迹的稳定性。最后，以电科院7机系统和我国西北电网为例进行仿真分析，从预测精度和计算时间两方面验证了方法的有效性。     

多输入特征融合的组合支持向量机电力系统暂态稳定评估

利用支持向量机(SVM)方法进行暂态稳定判别时，输入特征的选择是影响最终结果的最重要因素。传统启发式和试探式方法不能从根本上解决输入特征选择的问题。本文利用信息融合思想，在构造的具有不同输入特征的多组子分类器的基础上，对子分类器的结果在输出空间再进行信息融合，以提高分类准确率。文中从不同角度启发式的构造了4组不同的输入特征，构成四组弱分类器。以这四组弱分类器为子分类器，再构造一个融合SVM对几种子分类器的结果以回归方式进行融合，作为最终判别结果。IEEE39-BUS和IEEE145-BUS测试系统上进行的仿真表明，弱分类器的分类性能经过融合得到明显强化，融合后的结果比任何一种子分类器的结果以及一次包含所有输入特征的结果都更准确。该方法为在线快速进行暂态稳定计算提供了一条重要途径。     

基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

为了提高支持向量机(Support Vector Machine, SVM)的分类性能,提出了根据关键样本集构造的SVM综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM分类步骤。采用3机9节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。     

电力系统暂态稳定概率评估方法

提出了一种基于蒙特卡罗-支持向量机的电力系统暂态稳定概率评估方法。首先构建了一组包含电力系统稳定和故障信息的原始特征,经特征选择降维后作为支持向量机的输入,在训练集上进行10折交叉验证,研究了4种支持向量机,其中径向基核支持向量机具有优良的评估性能;然后采用非序贯蒙特卡罗模拟方法选择随机因素,径向基核支持向量机加速暂态稳定评估过程,利用累计分类结果计算电力系统暂态不稳定概率。新英格兰39节点测试系统算例表明,该方法能大幅减少模拟时间,满足暂态稳定概率评估的精度要求。     

基于支持向量机的在线暂态稳定故障筛选

为了满足在线暂态稳定评估计算时效性要求,基于历史大数据提出了一种采用支持向量机的暂态稳定预想故障筛选方法。结合扩展等面积准则暂态稳定量化评估方法,基于系统功角稳定模式和机组参与因子选择特征量,按照关键特征量将历史运行方式聚类,针对失稳样本分布分别采用分类和回归2种预测方法,在预测模型适用性判别和模型匹配基础上获得稳定裕度预测值、分类稳定预测结果和可信度量测,采用交互式并行计算进行在线暂态稳定故障筛选,可以在较大程度上避免SVM暂态稳定评估方法固有的误判情况。基于某实际电网的算例验证了所提方法有效性。     

基于支持向量机的电力系统临界割集暂态稳定可用传输容量快速预测

传统的稳定裕度在转化为电力系统控制措施时比较困难,针对这一不足,提出了基于临界割集暂态稳定可用传输容量(TATC)的暂态稳定裕度表征方法。在此基础上,为了实现TATC的在线快速计算,进一步提出了基于支持向量机(SVM)的TATC快速预测模型。IEEE10机39节点仿真结果表明,相对于临界切除时间,TATC能够从控制的角度对系统的暂态稳定裕度进行更加细致的划分,便于电网运行人员根据TATC结果快速制定出有针对性的预防控制和紧急控制措施。同时,所提TATC预测模型,在200个样本规模下的预测准确率在97%以上,并且随着样本规模的增加,模型预测准确率有着进一步的提升空间,具有良好的在线应用前景。     

基于PMU和混合支持向量机网络的电力系统暂态稳定性分析

提出了一种基于粗糙集理论的混合网络模型,结合简单的计算将同步相量测量单元(PMU)获得的故障后短时间窗内各发电机的功角信息作为输入,首先利用粗糙集和自组织特征映射(SOFM)网络分别对原始输入进行特征提取和预分类,然后对那些不能直接利用SOFM网络进行稳定性判断的样本采用提取后的特征量并利用支持向量机(SVM)优良的统计特性进一步寻找其各自的最优分类面,以确保对所有样本进行正确分类。结合新英格兰10机系统的计算结果从预测精度和训练时间两方面对多种SVM模型进行了比较,结果表明了利用文中所提模型进行电力系统暂态稳定性分析的有效性,该模型可以提高训练效率以及分类的准确性。     

基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估

理论和仿真研究表明,依靠少量受扰严重机组的动态特征能够有效地判别大电网的暂态稳定性。提出一种组合搜索严重受扰机组,并据此构造稳定评估原始输入特征的方法。进一步利用主成分分析法降低特征维数,构成机器学习评估模型的输入特征。在新英格兰39节点测试系统和IEEE 50机测试系统上,利用所提方法仿真实现了决策树、支持向量机和k最近邻法等暂态稳定评估模型,结果表明所提出的构建电力系统暂态稳定评估输入特征方法有效,有助于改变原始特征构建的主观和随意性。     

基于半监督MPSVM的电力系统暂态稳定评估

半监督学习可借助有标签和部分无标签样本数据来构建电网暂态稳定评估模型,有效利用输入样本数据,可提高电网暂态稳定评估准确率,为此提出基于半监督近似流形支持向量机(manifold proximal support vector machine,MPSVM)的暂态稳定评估方法。首先,在MPSVM的正则项中引入判别变量,可最大限度捕捉样本数据内部的几何信息,并通过最大距离理论表征电力系统稳定类和不稳定类之间的差异,进而转化为求解特征值问题;然后,采用贝叶斯非线性分层模型确定最优参数,可进一步提高评估准确率;最后,采用IEEE 39标准系统和鞍山电网的仿真分析验证所提评估模型的有效性和准确性。     

基于投影能量函数和Pin-SVM的电力系统暂态稳定评估

提出一种基于Pin-SVM的电力系统暂态稳定评估方法。首先,采用系统指标(如平均机械功率、初始加速度和系统冲击等)和投影能量函数指标(如投影角速度、投影角加速度和投影动能PKE)构建暂态稳定指标的原始特征集,通过最大相关最小冗余特征选择方法对暂态指标集进行特征压缩,寻找对电网暂态变化敏感度高的特征子集;然后,基于Pin-SVM思想将特征子集映射到高维空间,实现非线性暂态稳定评估问题的线性转换,进而引入分位数改变系统稳定类与不稳定类之间的最近点位置,将暂态稳定分类问题转换为在Pin-SVM中寻找最优分位数距离问题,以减小边界干扰样本的影响,提高电力系统暂态评估方法的评估准确率和稳定性。最后,以IEEE-39节点系统、IEEE-145节点系统和某实际算例进行仿真计算,计算结果验证了该方法的有效性和准确性。     

暂态稳定算例的高效筛除

高效筛除稳定算例,是在不会将失稳故障误判为稳定的前提下,降低对算例集分析所需的总计算量。将扩展等面积准则(EEAC)的积分步长及映射步长同样减小,可以提高量化精度,但当步长减小到一定程度以后,精度将不再明显提升。将完全忽略时变因素的静态EEAC的结果与部分计入时变因素的动态EEAC的结果相比较,若两者给出的稳定裕度值足够大,且足够接近,就可提前终止EEAC的完整流程,直接确认该算例稳定。将此因果关系引入机器学习系统,获取算例稳定的充分性(非必要性)判据,并优化其相关阈值,通过分层框架筛除无风险的稳定算例。在判据与阈值都不加调整的情况下,用中国7个实际电力系统的28套数据考核其强壮性。包括支路两端不同时开断的故障在内,未发生上述风险性误判,而总计算量只有完整EEAC流程的27.9%。     

支持向量机在短期负荷预测中的应用概况

全面总结了支持向量机(SVM)在短期负荷预测中的应用概况,并从SVM的原理出发,对比人工神经网络方法,从本质上阐述了SVM方法在短期负荷预测中应用的优越性.同时针对SVM在应用中存在的问题,包括数据预处理、核函数构造及选取和参数优化的方法,做出分析,并归纳了现行的解决方法.从SVM算法用于负荷预测的机理及提高预测精度和...     

电力系统暂态稳定性分析计算的新方法

本文提出了多机电力系统短路故障的暂态稳定性分析采用以加速最快的发电机的临界相对速度是否能降至零作为稳定判据,使用泰勒级数展开式计算。此法比以临界能量作为稳定判据更简便、快速。并以实例证之。