人工神经网络和短时仿真结合的暂态安全评估事故筛选方法

结合人工神经网络（ＡＮＮ）和短时数字仿真提出一个用于在线暂态安全评估的事故筛选方法,将３层ＢＰ网络作为模式分类器,用来建立稳定评估结果和所选特征量之间的映射关系,在故障切除时刻终止的短时数字仿真被用来生成ＡＮＮ的输入量,每个ＡＮＮ处理一个特定的事故状态,使用一个半监督学习算法,ＡＮＮ可产生一个能够指示相对稳定度的连续分布的暂态稳定指标,基于这个连续分布的稳定指标,设置一个相对保守的分类门槛值,避免     

模糊子集和Taylor级数相结合的快速事故筛选方法

为避免在暂态稳定分析中稳定与不稳定状态的漏报,文中结合模糊子集理论和高阶Taylor级数,提出了一种用于在线暂态安全分析的快速事故筛选方法。该方法首先定义了7种 反映事故严重程度的性能指标,并把它们作为模糊隶属函数的组合特征输入量,然后通过多 元 多变量的模糊隶属函数,产生一个能够指示相对稳定裕度的连续分布的暂态稳定指标。基于这个连续分布的稳定指标,可为运行人员提供3条带,即“绝对”稳定带（稳定指标大）、“绝 对 ”不稳定带（稳定指标小）、“模糊”带（稳定指标处于中间值,即稳定与不稳定边界地带 ）,有了这3条带,就可对预想事故进行快速的暂态稳定识别。计算仿真结果表明了该方法 的快速性、可靠性和有效性。     

基于图卷积网络的快速暂态安全评估方法

快速、可靠的电力系统动态安全评估能够显著提高电力系统运行方式优化调整的效率。针对电力系统暂态稳定预想事故扫描需要完成大量仿真、过于耗时的问题,提出了基于图卷积网络的快速动态安全分析方法。该方法基于电力系统的潮流特征和拓扑特征构建电力系统潮流特征图。利用图卷积方法对电力系统运行状态进行特征挖掘与特征学习,将动态安全评估问题建模为图上节点分类问题。所得模型在读取电网拓扑与潮流运行状态后,仅须完成一次前向计算即可同时给出预想事故集中多个预想事故的稳定性预测结果,无须依赖仿真波形或量测数据,实现快速暂态稳定预想事故扫描。IEEE39节点系统算例测试表明,算法设计正确、高效、准确率高,能够显著提高暂态稳定预想事故扫描的效率,实现快速动态安全评估。     

基于神经网络暂态稳定评估方法的一种新思路

基于神经网络的暂态稳定评估技术提出了一种新思路。使用半监督学习算法来训练反向传播神经网络 ,得到一个连续分布的暂态稳定指标 ,该指标可用来指明相对稳定度和确定类间边界区。一种数据结构分析方法被用来观察输入空间的可分性及边界区。在此基础上 ,提出一种新的分类方法 ,即将边界区样本分为不确定类 ,以避免误分类。在两个系统中的应用结果表明 ,该方法对暂态稳定评估问题的有效性。     

基于暂态能量函数混合法的电力系统脆弱性分析

电力系统在遭受大干扰后失稳的后果非常严重,甚至是灾难性的,从暂态稳定方面分析系统的脆弱性具有重大的研究价值。采用暂态能量函数,结合暂态稳定分析中数值仿真法和直接法两种基本方法,同时考虑预想事故概率,从暂态稳定安全角度快速、定量评估电力系统的脆弱性。基于事故概率与暂态能量裕度构建相关脆弱度指标,并根据临界机群状态以修正暂态动能,改进不同事故下系统脆弱性的评估精度,同时确定系统的薄弱环节。通过对IEEE 5机14节点系统的仿真,验证了该方法的合理性与有效性。     

在线暂态安全稳定评估的分类滚动故障筛选方法

为满足在线暂态安全稳定评估对计算时间的要求,提出了基于模式和裕度估算的在线暂态安全稳定故障筛选方法。分别基于上一轮在线暂态安全稳定评估结果中各个预想故障的暂态功角稳定、暂态电压跌落安全、暂态电压稳定和暂态频率偏移安全的裕度及模式信息,并结合各个故障安全稳定模式中相关元件的潮流变化和投/退等信息,估算出新一轮在线暂态安全稳定评估所对应的运行状态下各个故障的暂态安全稳定裕度,并确定其相应的安全稳定模式,从而筛选出本轮在线暂态安全稳定评估需详细计算的预想故障子集。通过对实际电网在线数据的仿真分析,验证了所述方法的有效性和实用性。     

基于预想事故集的华东500kV规划网架安全稳定评估研究

根据华东电网多年实际运行经验,结合华东电网区域特点,提出二维预想事故集,在此基础上采用大规模交直流电力系统数字仿真程序,对华东"十二五"500 kV电网目标网架进行暂态稳定评估.最后按照<电力系统安全稳定导则>的三级安全稳定标准,根据仿真计算结果,将具体事故、华东电网区域、三级标准相结合,重新生成二维事故集合,提出了进一步优化、细化华东电网安全稳定问题的方法,为华东电网的规划校核提供了借鉴和参考.     

基于短时受扰轨迹的电力系统暂态稳定评估方法

针对实时评估电网暂态稳定性的快速性和准确性的需求,提出一种基于故障清除后短时受扰轨迹和卷积神经网络的电力系统暂态稳定性的评估方法。该方法无需人工计算轨迹特征作为输入量,直接基于量测时序数据,利用深度学习模型的自主学习能力逐层提取隐含在短时轨迹的局部特征,构建短时受扰轨迹与稳定类别间的非线性映射关系,并引入考虑故障初期受扰程度的暂态稳定信息矩阵样本构建,以增强提取的局部特征的鲁棒性,提升模型的泛化能力,有效减少误判样本数,达到进一步提高准确率的目的。IEEE-39节点系统的仿真结果验证所提方法的有效性,并且所提方法的评估准确率比传统的暂态稳定浅层评估模型更加优越。     

基于数据挖掘理论的电力系统暂态稳定评估

将数据挖掘理论中的关联规则分析与分类分析相结合，提出了一种基于数据挖掘理论的暂态稳定评估方法。文中选择反映电力系统运行状态的特征变量，建立暂态稳定评估模型；考虑到电力系统数据量大的特点，采用聚类分析、特征变量提取、连续数据离散化等数据预处理手段，以提高问题判断的准确性、可靠性和实用性。利用关联分类法可产生反映电力系统运行状态和暂态稳定性的关联规则，这些规则可被用来对系统进行暂态稳定的预测和评估。通过对3机9节点系统的计算，验证了该评估方法的有效性。     

基于大数据分析的暂态电能质量综合评估方法

运用基于大数据处理架构的Naive Bayes分类方法提出了暂态电能质量评估方法,将数据来源扩展至电网运行监测数据、电力用户数据和公共信息数据等方面,并将评估结果按严重程度分为暂态正常状态、短时电压暂降状态、短时深度电压暂降状态、短时电压失压状态。基于MapReduce架构,设计分布式Naive Bayes算法实现状态分类。在分类器训练阶段,对海量历史数据进行分布式学习,周期性地生成评估规则库并部署到所有评估节点。在状态评估阶段,各评估节点基于流处理框架快速生成实时评估样本,并根据当前规则库实时地得出评估结果。试验结果表明,所提出的基于大数据分析的暂态电能质量评估方法是可行,在准确率和处理速度上都取得了较好的效果。