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Seq2Seq技术的电力系统暂态稳定评估方法

电力系统暂态稳定的评估识别有助于电网运营商制定系统扰动和故障后的纠正控制措施。引入深度学习思想,提出了一种基于Seq2Seq技术的电力系统暂态稳定评估方法。首先,梳理电力系统暂态稳定评估指标;然后以GRU为神经元,引入注意力机制,建立暂态稳定评估模型。算例验证表明：所提方法能够深入学习到样本数据中的时序性依赖特征,有效抓取特征细节,从而显著提升评估准确率。     

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。     

基于改进CGAN的电力系统暂态稳定评估样本增强方法

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点,由于实际电力系统中暂态失稳情况极少,给通过数据挖掘方法判断失稳情况带来了极大困难。针对这个问题,提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法,对条件生成对抗神经网络(CGAN)训练方法的适应性进行改进以提高其学习稳定性,在离线训练时利用改进CGAN交替训练生成器和判别器,学习电力系统暂态数据的分布特性,然后采用极限学习机(ELM)分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本,将其中失稳样本对原始失稳样本进行增强,最后用增强后的原始样本训练分类器,实现在线暂态稳定评估。仿真结果表明,所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习,进而提升暂态稳定评估的正确率,具有抗噪声干扰性强、对高维数据鲁棒性好的优点,能够有效平衡电力系统失稳数据。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

基于一维卷积神经网络的电力系统暂态稳定评估

系统遭遇暂态故障的过程是随时间发展的过程,基于传统机器学习的暂态稳定评估方法通常难以捕捉其时间维度信息,限制了评估性能的提高。针对该问题,提出了一种基于一维卷积神经网络(1D-CNN)的暂态稳定评估方法。该方法直接面向底层量测数据,凭借其特有的一维卷积和池化运算特性,能自动提取出暂态过程所蕴含的时序特征,从而达到对系统暂态稳定状态准确刻画的目的。设计了一种适用于暂态稳定评估的四卷积层1D-CNN模型,实现了端到端的"时序特征提取+暂态稳定性分类",并通过调整模型关键参数以提高失稳样本查全率,增强了评估结果的可靠性。新英格兰10机39节点测试系统的仿真实验表明,相较于传统机器学习暂态稳定评估方法,所提方法能以更短的响应时间做出更准确的暂态稳定性判断,满足在线暂态稳定评估准确性与快速性的要求。     

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。     

基于广域时序数据挖掘策略的暂态电压稳定评估

在能源互联网背景下,大数据分析方法可为电力系统中一些传统难题提供新的解决思路。在基于大数据的暂态电压稳定评估中,针对动态变化趋势和特征难以准确捕获的问题,引入时间序列shapelet方法,从故障后PMU量测得到的动态序列中进行可靠的时序特征提取。通过融入错分代价的决策树算法,调整稳定/失稳样本的权重,使评估模型尽可能降低对失稳案例漏判的概率。Nordic系统算例对整体评估方案的测试表明,分类评估模型在保证高分类性能的同时,还可提供良好的可解释性,为特定系统失稳规律认知和在线监控提供进一步指导。     

基于交替方向乘子法的电网电压相量轨迹拟合及暂态稳定评估指标构建

电力系统暂态稳定态势量化评估是大电网在线安全防御的主要部分，而如何针对电网动态轨迹信息构建暂态稳定预估指标是关键。电网电压相量轨迹信息蕴含更丰富的稳定行为特征。文章以双机系统为例，首先从轨迹几何角度分析了发电机暂态能量转化与电压相轨迹之间演变规律；继而在扩展等面积准则(extended equal area criteria, EEAC)的基础上推理验证了其在多机系统下的普适性；为实现暂态稳定快速预估，提出了一种基于交替方向乘子法的轨迹拟合方法，该方法在拟合精度与速度上具有明显优势；在此基础上，以电压相量轨迹拟合曲线的弧长距离为数据支撑，构建了一种暂态稳定快速预估指标。最后，以新英格兰10机39节点系统与某省级电网的仿真数据为例，验证了该方法评估有效性。     

基于增强进化计算的电力系统暂态稳定关键特征智能选择方法EI北大核心CSCD

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。     

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.     

融合JMIM和NGBoost的电力系统暂态稳定评估方法

为实现电力系统暂态稳定在线快速评估和可信度评价,提出了一种融合联合互信息最大化(JMIM)和自然梯度提升(NGBoost)的暂态稳定评估方法.基于JMIM,采用联合互信息和"最大最小值"原则挖掘海量输入数据的相关性,从而筛选出电网关键运行特征,避免维度爆炸问题.为实现高可信度的暂态稳定评估,构建NGBoost驱动的暂态稳定评估模型,可以以函数形式对模型的条件概率分布参数进行预测,进而实现概率预测,并量化可信度.结合自适应可信度阈值修正方法,实现对系统受扰状态暂态稳定的时序评估.利用新英格兰10机39节点系统和中国某省级电网数据进行了算例测试.与其他机器学习方法相比,所提方法在噪声干扰下具有更好的鲁棒性,可更准确识别不稳定运行状态.     

基于ucosφ复合判据的南方电网区域暂态失稳预警策略

基于广域响应的暂态稳定判别技术是实现大电网暂态失稳实时预警的重要手段。本文基于振荡中心电压ucosφ的变化规律,提出了一种互联电网区域暂态失稳预警策略。首先改进了基于ucosφ轨迹积分的暂态失稳判据,克服了该判据在部分复杂故障下失稳判别相对滞后的不足;继而提出了一种ucosφ轨迹穿区识别算法,在不增加量测的基础上构成ucosφ复合判据,进一步提高了失稳判别的可靠性;最后结合南方电网暂态稳定特性,设计了南方电网区域暂态失稳预警方案,综合广域多站点的ucosφ轨迹积分运算和穿区识别结果实时评估系统的暂态稳定性。仿真表明,所提判据与方案能更加快速、准确地识别系统暂态失稳,为电网严重故障后的紧急控制提供基础。     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

适应主导薄弱断面迁移的暂态稳定控制

为适应电网大扰动冲击下,表征机群主导失稳模式的主导薄弱断面动态迁移之复杂场景,需要制定相应暂态稳定控制策略。在薄弱断面关键支路识别方法,以及关键受扰轨迹几何特征判稳方法的基础上,针对大扰动冲击下主导薄弱断面迁移的复杂扰动场景,提出了以交流支路实时受扰电气量为信息源的暂态稳定控制策略,可有效降低系统失稳风险。大容量长距离交直流混联输电系统仿真结果,验证了控制策略的有效性。     

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。     

基于轨迹特征根的暂态稳定实用判据

基于轨迹特征根在大扰动后系统分析中的适用性,尝试用轨迹特征根方法来分析和预测系统的暂态稳定性。通过大扰动后逐个断面的泰勒展开,将原非线性系统由一族带扰动项的线性系统来近似。通过线性系统的稳定性理论及电力系统物理特征,给出电力系统暂态失稳判据,进而基于该判据,设计暂态稳定在线预测算法。最后,在新英格兰系统和国内实际电网上的算例测试,表明了暂态失稳判据和在线预测算法的准确性和适用性。     

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.