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.     

融合邻域粗糙约简与深度森林的电力系统暂态稳定评估

在实际电网运行中,暂态稳定样本与暂态失稳样本间呈现出明显的不平衡关系,且误判失稳样本与误判稳定样本的代价不同。当前基于数据挖掘的暂态稳定评估方法多基于浅层模型,对误判暂态失稳样本的重视不够,且评估精度有待进一步提高。基于此,提出一种融合邻域粗糙约简与深度森林的电力系统暂态稳定评估方法。利用邻域粗糙集在不同粒度级别下寻找多组不同的最优特征子集以对原始特征进行再表征,通过深度森林的级联结构实现对原始暂态特征的表征学习,强化特征量与暂态稳定状态间的非线性映射关系;引入加权投票机制,提高分类过程对暂态失稳样本的重视。在IEEE 10机39节点系统上的实验结果表明,所提方法能够在提升评估精度的同时,有效降低了对暂态失稳样本的误判,在不同数据规模和不同程度的不平衡样本数据上均具有较好的表现,具有一定的鲁棒性和适用性。     

考虑代价敏感的AC-LSTM暂态稳定评估

电力系统稳定样本与失稳样本的失衡会导致数据驱动型暂稳评估模型对失稳样本的漏分率增加,由于失稳样本漏判的代价远高于稳定样本误判的代价,因此提出一种引入代价敏感机制的AC-LSTM电力系统暂态稳定评估模型。通过改进Adaboost算法,引入代价敏感函数对样本权重进行更新,更好地考虑了少数类样本对整体分类准确率的影响,降低不稳定样本的漏分率。并进一步将改进的Adaboost算法和长短期记忆网络(long short-term memory,?LSTM)相结合以提高分类器的综合性能。在IEEE39和IEEE140节点系统上的仿真结果表明,所提模型较其他模型具有良好的适应性和泛化能力,提升了评估模型的综合性能,其抗噪能力也优于其他模型。     

交直流混联系统电压稳定在线评估体系

在对现状/规划交直流混联电网电压稳定问题大量仿真计算的基础上,提出了电压失稳问题的分类方法;针对无短路冲击的大范围潮流转移问题,提出了分电压等级的综合考虑有功、无功潮流影响的电压稳定在线评估指标,电网仿真表明该指标既可有效评估负荷缓慢增长方式下的静态电压稳定水平,也可有效评估直流闭锁故障下系统的暂态电压稳定水平;在此基础上,提出了交直流混联电网电压稳定在线评估体系,依据故障性质不同采用不同的电压稳定判别方法,显著简化了在线计算规模、提升了计算速度。     

基于改进DCGAN的电力系统暂态稳定增强型自适应评估

海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能。针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充。离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠。在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性。     

基于数据挖掘的区域暂态电压稳定评估

针对区域暂态电压稳定评估相关理论还不完善、工程判据可靠性不足等问题,提出了基于数据挖掘的区域暂态电压稳定评估方法,构建了综合考虑单点负荷稳定与多点电压相互影响的2层评价框架。利用节点稳定度量指标及基于辨识的电压无功灵敏度矩阵提取网络原始特征。面对区域暂态电压失稳尚无可靠界定标准的难题,采用基于约束的半监督学习方式对数据集进行可靠分类。基于决策树算法建立逐步更新的分类模型,生成区域暂态电压稳定判据,通过模型挖掘出有关电压分区、代表节点的内在规律。EPRI 36节点系统上的仿真结果证明了评估方案的有效性,以及分类评估模型的适应性和准确性。     

基于Transformer的暂态稳定评估模型的可解释性分析与模型更新研究

深度学习算法在电力系统暂态稳定性评估问题上有着优秀的表现,然而模型评估结果的不可知性与决策过程的不可控性阻碍了其在实际中进一步的应用。构建了基于Transformer编码器的暂态稳定评估模型,尝试通过模型对于特征量的注意力权重,解释和分析模型所关注和学习到的规则。在此基础上,结合可解释性结果提出了一种利用物理信息指导模型优化的模型更新方法。从模型的损失函数出发,通过微调的方式修正模型对特征量的注意力权重分布,加强对于样本失稳模式的挖掘。在微调模型的过程中,引入注意力引导函数提高对特定失稳模式关键机组的关注度,以减少对于特定失稳模式样本的误判,进一步提高整体的预测精度。在IEEE39节点系统和华东电网系统的仿真均验证了该方法的有效性。     

“双高”电力系统：一种新的稳定判据和稳定性分类探讨

随着能源变革和电力电子技术发展,高比例新能源和高比例电力电子设备(简称“双高”)在电力系统中比例增高,带来新的稳定问题。该文对“双高”电力系统的失稳影响因素和稳定判据进行深入剖析,探索“双高”电力系统的失稳机理,提出系统阻抗角稳定性分析方法。基于所提出的稳定性分析方法,从系统有功功率、无功功率平衡基本运行规则出发,构建“双高”电力系统的阻抗角稳定判据,通过搭建仿真模型验证所提稳定判据的有效性和正确性。同时,对IEEE提出的稳定性分类进行探讨,在遵循传统稳定性分类原则基础上,基于所构建的稳定判据,尝试提出一种新的稳定性分类方法,希望有助于厘清“双高”电力系统稳定性问题,为后续系统规划、稳定性控制提供指导。     

基于实时分类负荷模型的受端电网电压稳定问题研究

电压稳定问题已成为北京、上海和广州等受端大负荷中心系统共同的潜在威胁。为研究受端电网电压稳定问题,本文以广州电网为例,通过仿真分析,揭示受端电网两种不同程度暂态电压失稳模式,即系统暂态电压失稳和局部暂态电压失稳,其失稳特征与机理与负荷中的电动机特性密切相关。为提高负荷模型的可信度,本文提出一种实时分类负荷模型建模方法,并以广州电网实际发生的单相短路故障为算例进行了仿真验证。结果表明,该建模方法有效可行,建立的模型可信。     

基于改进LightGBM的电力系统暂态稳定评估方法

实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性;在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。     

基于时序轨迹特征学习的暂态电压稳定评估

以先进机器学习方法等为代表的人工智能技术在增强现代电网安全稳定态势感知能力方面展现出巨大的潜力。针对在线暂态电压稳定评估的传统难题,提出基于时序轨迹特征学习的稳定评估方法。通过分析系统能量函数与暂态响应轨迹的相关性,给出学习过程输入数据选取的理论依据。在时序轨迹Shapelet变换基础上,提出以刻画系统稳定/失稳案例关键局部轨迹差异为核心的特征学习方法及稳定评估方案。双机四节点系统和南方电网中的算例测试结果表明,除了实现可靠的稳定监测和评估,还可充分利用文中方法的可解释性从数据层面剖析特定系统的失稳模式和规律。     

计及电动汽车充电和负荷波动极限的电力系统静态电压稳定性评估方案

为研究电动汽车接入电网后充电的不确定性和负荷波动特性对电网电压失稳事故的影响,提出了一种综合考虑电动汽车充电特性和负荷波动极限的电网静态电压稳定性评估方案。首先建立了系统中的发电机节点、负荷节点、电动汽车接入节点的注入功率随机化模型,充分考虑电网各元件的随机波动性;基于连续潮流和概率潮流相结合方法搜索系统的电压失稳临界状态,对电网的边界运行状态进行统计分析。文中提出了系统静态电压稳定性的评估指标体系,以确定电压稳定的薄弱区域。该薄弱区域在系统电压失稳状态下通常最先发生电压越限,可作为电网重要监控对象,以便及时采取切负荷措施,避免全网大停电的发生。IEEE 30节点算例分析结果验证了该方案的准确性和有效性。     

基于静态信息的在线暂态稳定评估及预防控制

针对目前暂态稳定评估与预防控制的在线实用性和快速性不足等问题,提出了一种基于静态信息的在线暂态稳定评估及预防控制方法。首先,利用大量的预想事故时域仿真样本建立电网运行方式、拓扑结构等静态信息与暂态稳定水平的关系,采用最短路的主导失稳机群辨识方法来识别电网暂态失稳模式和划分机群,并基于主导失稳机群和网络拓扑选取暂态稳定评估特征量;然后,推证出临界切除时间(critical cut time,CCT)与主导失稳机群有功出力的近似线性关系,通过调整在CCT的主导失稳机群有功出力至足够大,从而规避电网失稳风险;最后,通过IEEE 10机39节点系统和南方电网系统仿真,验证了该方法的合理性和有效性。     

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.     

并网VSC的大扰动失稳模式

目前并网电压源变换器(VSC)的大扰动稳定研究主要集中于锁相环(PLL)同步稳定问题,缺乏对大扰动失稳模式系统性的研究。基于VSC接入无穷大系统的详细模型,提出了VSC控制环节失稳的定义和判据。发现外环控制、PLL均存在大扰动稳定问题,并存在单调失稳、振荡失稳2种失稳形态。考虑脉宽调制(PWM)饱和后,电流环也可能发生失稳。不同失稳模式下系统稳定边界主要由不稳定极限环、不稳定平衡点的稳定流形以及代表饱和非线性的边界三部分组成。不稳定极限环主要由系统中存在的Hopf分岔产生。若系统工作点靠近Hopf分岔,则稳定边界由不稳定极限环组成,此时系统失稳表现为发散振荡。若工作点远离Hopf分岔,则稳定边界由不稳定平衡点的稳定流形组成,系统表现为单调失稳。通过MATLAB时域仿真对理论分析进行了验证。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

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。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估

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。