计及漏判/误判代价的两阶段电力系统暂态稳定预测方法

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象,使得该方法不易在工程实践中应用。为此,文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失。仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性。     

基于受扰后量测响应信息的两阶段电力系统暂态稳定评估

为充分挖掘电力系统受扰后的量测响应信息,并提供给后续控制更丰富的参考,提出了一种基于快照集成门控循环单元(gated recurrent unit,GRU)网络的两阶段电力系统暂态稳定评估方法。该方法通过单次训练过程即可高效构建集成模型,且直接面向底层量测数据,可快速完成线上部署。在线应用时,首阶段通过分类模型进行动态的分层评估,逐级筛选出可信样本;次阶段利用回归模型实现进一步的暂态稳定裕度定量预测。此外,通过对模型的损失函数进行修正,有效克服了样本不平衡并强化了对困难样本的挖掘。仿真结果验证了所提方法的有效性,且所提模型的评估性能相较于其他机器学习模型具有显著优势。该文作为前瞻性理论研究,为数据驱动的在线暂态稳定评估的实现提供一种新思路。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估EI北大核心CSCD

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。     

样本不平衡情况下的电力系统暂态稳定集成评估方法

为了在电力系统发生暂态故障后能够快速、准确地对系统稳定性进行判断,并解决样本不平衡对模型造成的倾向性问题,提出了一种基于改进损失函数的电力系统暂态稳定集成评估方法.首先,基于故障清除后的短时量测数据,设计了一种结合1维、2维单通道和2维多通道卷积神经网络的集成模型,实现了端对端的抽象特征提取和暂态稳定分类.其次,改进了模型训练过程中的损失函数,加强了对失稳样本的拟合程度,增加了错分样本的权重,从而提高了全局准确率,并减少了失稳样本漏报现象的发生.此外,文中还分析了集成模型输出的判定阈值对失稳样本召回率的影响.最后,IEEE 39节点系统和IEEE 145节点系统的仿真结果验证了所提方法的有效性.     

基于AW-BLS的电力系统暂态稳定评估

为有效降低电力系统运行数据中样本不平衡问题对基于机器学习的暂态稳定评估方法分类性能的影响，提出一种基于自适应权重宽度学习系统AW-BLS(adaptive weighted-broad learning system)的电力系统暂态稳定评估方法。首先，在BLS的宽度结构中引入权重因子以改进BLS模型，有效降低了两类样本数量差距对学习过程的影响。然后，利用电力系统故障前的稳态运行数据对AW-BLS模型进行训练。最后，通过算例分析表明，所提方法在数据集存在样本不平衡问题时具有良好的评估准确率，同时还拥有较好的泛化能力。     

电力系统参数空间暂态稳定边界构建及在线快速更新方法

为适应在线暂态稳定分析与控制,提出了一种电力系统参数空间中的暂态稳定边界构建及快速更新方法.对于给定的关键故障和既定故障前后的网络拓扑结构,首先,基于横向可扩展的宽度学习系统,构建了极限切除时间与电力系统参数之间的映射关系.为提高实际故障切除时间阈值附近的预测准确率,通过构建二次比例因子对临界误差进行修正.然后,结合预设故障切除时间阈值确定相应暂态稳定边界,并评估当前系统的稳定裕度.最后,在保证暂态稳定评估准确性的基础上,基于增量学习方法提出了无须重新训练全部网络的在线快速更新策略.通过对IEEE 39节点测试系统和中国南方电网实例系统仿真分析发现,所构建模型能够对系统暂态稳定性进行准确评估,并具有良好的泛化性能.同时,快速更新策略可在保证预测准确率的情况下,大幅减少模型更新时间,为在线暂态稳定评估提供了支撑.     

基于人工智能的暂态稳定裕度精细化预测

人工智能算法在暂态稳定评估中得到了很好的应用.然而,电力系统是时变大系统,训练数据无法涵盖所有工况,模型需要在有限时间内更新;电力系统中稳定样本数远大于失稳样本数,导致模型对失稳样本学习不足.针对以上2点,提出了基于人工智能的暂态稳定裕度精细化预测方法.该方法将改进的极限梯度提升(XGBoost)树与双XGBoost回归树集成,平衡了2类样本数量差异对模型的影响,并实现了裕度预测.当运行工况变化较大时,结合增量学习技术,以较少的样本和较短的时间对模型进行有效更新.在2套IEEE系统上的实验结果表明所提方法可应用于暂态稳定评估.     

基于深度森林的电力系统暂态稳定评估方法

快速准确地实现暂态稳定评估,是电力系统安全运行的重要保障.近年来迅速发展的深度学习技术已经成为解决这一问题的有效手段,然而基于神经网络的深度学习模型存在着调参困难、训练时间长和样本需求量大等缺点.文中将故障切除时刻系统的物理量作为输入特征,以系统的暂态稳定状态作为输出结果,采用集成决策树方法,构建了基于深度森林的电力系统暂态稳定评估模型.新英格兰39节点系统的算例分析表明,所提方法与深度神经网络相比,参数设置简单、训练速度更快,即使在训练样本数量较少时也能有效避免过拟合,具有良好的泛化能力.     

基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

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。     

考虑样本不平衡的电力系统鲁棒暂态稳定评估

由于实际电力系统中暂态失稳样本稀少,基于数据驱动的暂态稳定评估方法面临训练样本类别分布失衡问题,严重影响暂态稳定评估结果的可靠性。针对此问题,提出了一种基于MAHAKIL过采样和BCLM的鲁棒暂态稳定评估方法。首先,通过MAHAKIL过采样改善原始样本集的类别分布;然后,基于BCLM构建电力系统鲁棒暂态稳定评估模型。在新英格兰10机39节点系统上的测试结果表明,所提方法能够显著降低原始样本类别失衡的影响,并对数据缺失和数据噪声具有较强鲁棒性。     

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.     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

基于集成深度置信网络的精细化电力系统暂态稳定评估

为了进一步提高电力系统暂态稳定的预测精度及给出更精细化的评估结果,将深度学习与电力系统暂态稳定相结合,根据故障切除后发电机功角"轨迹簇"特征,提出一种基于集成不同结构的深度置信网络(DBN)的精细化电力系统暂态稳定评估模型。该模型的基分类器DBN能够有效地利用深层架构所具有的特征提取能力,充分挖掘出输入特征与暂态稳定评估结果之间的非线性映射关系。在新英格兰10机39节点系统上的实验结果表明,该方法不仅优于浅层学习框架,也比部分深度学习模型的性能更加优越。除此之外,该集成DBN算法不仅有较高的预测精度,而且可以有效地评估系统的稳定裕度和不稳定程度等级;在部分同步相量测量装置信息缺失以及含有噪声时,表现出较强的鲁棒性。     

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。     

基于双向门控循环单元的电力系统暂态稳定评估

常规的机器学习模型应用于电力系统暂态稳定评估时对时间序列的整体感知能力较弱,难以挖掘蕴藏在电气量响应轨迹中的动态信息,且对于临界样本预测结果的可靠性较低.针对上述问题,提出了一种基于双向门控循环单元(BiGRU)的2阶段暂态稳定评估方法.该方法以受扰后底层量测数据的动态轨迹作为输入,首先通过持续的动态评估筛选出可信样本,然后通过回归模型预测不确定样本和可信稳定样本的故障严重度.文中通过向损失函数中引入截断函数和权重系数对BiGRU分类器加以改进,强化了模型对困难样本和失稳样本的学习力度.在修改的新英格兰10机39节点系统上的实验结果表明,所提方法在显著减少对失稳样本漏判的同时,提升了对稳定样本的识别能力.     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。