遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.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;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择.通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性.     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性.     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上，建立了IEEE50机453节点的暂态稳定分类初始特征样本集；同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择，通过主成分分析得到32个综合特征；运用遗传算法选取类内类间距离最大的一组综合特征进行分析，选出特征子集；用SVM对所选的特征进行测试，达到较高的预测率；同时，分析所选出的特征子集，比较16机系统与50机系统的异同，使模型更具有泛化性。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节.针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果.     

改进主成分分析法用于暂态稳定评估的输入特征选择

在不损失原始数据主要信息的前提下，利用主成分分析进行输入特征变量的选择。考虑到主成分分析在数据标准化和处理非线性问题方面存在的局限性，采用一种改进的主成分分析法，进行特征选择。同时，针对电力系统暂态稳定分析中影响稳定性的关键因素在向量空间具有一定相似性的特点，采用动态聚类的方法将数据集分成若干并行子集，进一步压缩数据输入空间的大小，提高运算速度和效果。最后，利用关联分类法对数据进行分类和预测。通过对3机9节点系统的仿真试算，验证了该方法的有效性。     

基于记分准则的特征属性选择及其在静态电压稳定分析中的应用

在使用记分准则对特征属性进行初步降维后,采用改进的主成分分析法对降维后的属性进行分类,分别提取主成分,把各类主成分合并起来作为支持向量机(SVM)的训练输入。以节点电压和支路损耗为属性,得到静态电压稳定的分类器。对IEEE 14节点和IEEE 300节点系统进行仿真分析,结果表明3种记分准则均能有效剔除对分类影响较小的属性,虽然分类属性比综合属性得到的主成分多,但相对海量属性已大幅降低,所提方法能提高准确度,节约内存。     

基于PCA和GA算法优化最小二乘支持向量机的开关柜温度预测

高压开关柜在变、配电系统中承担着保护、控制和分配电能的作用,其运行稳定性对电网安全稳定运行至关重要。针对影响开关柜温度因素众多以及最小二乘支持向量机(LS-SVM)回归预测时最优参数的选择问题,提出基于主成分分析(PCA)和遗传算法(GA)优化的最小二乘支持向量机开关柜温度预测模型。主成分分析通过变量间相关性降低影响开关柜温度因素变量维数,加快模型训练速度;同时,利用遗传算法进行LS-SVM模型参数优化,提高开关柜温度预测准确度,并通过实例分析进行验证。     

基于双阶段并行隐马尔科夫模型的电力系统暂态稳定评估

基于人工智能机器学习的暂态稳定评估越来越成为研究热点,提出一种基于双阶段并行隐马尔科夫模型(two-stage parallel hidden Markov model,TS-PHMM)的电力系统暂态稳定评估精细化模式识别方法。第1阶段采用相对灵敏度对原始电气特征量进行筛选,找出对电网动态变化敏感度高的特征子集;第2阶段采用主成分分析对特征子集进行排序,得到能够反映电网动态响应特性且线性无关的最优特征子集;最后,通过并行隐马尔科夫模型训练对暂态稳定进行模式识别。在CEPRI 8机36节点以及实际区域电网环境上的仿真分析,验证了该方法的有效性和精确性。在辨识准确率相当的情况下,该方法比常用人工智能类方法(如ANN,SVM等)所需训练样本更少、收敛更快。     

基于互信息和PCA理论的湿法烟气脱硫工况特征提取方法

目前火电厂湿法烟气脱硫系统优化研究中主要采用主成分分析法进行特征提取,但由于湿法烟气脱硫系统能耗影响因素之间存在高耦合、非线性特征,现有特征提取方法无法评估特征间非线性关系。为此提出了一种基于互信息和主成分分析理论的特征提取方法。该方法用特征间的互信息矩阵取代主成分分析中的协方差矩阵,其特征向量表示新的主成分空间中各主成分的方向,特征值作为评价准则判断主成分维数。使用该方法对某电厂脱硫实测数据进行特征提取,实验结果表明：该方法降维效果更好,使用基于网格搜索法的支持向量机作为分类器,相同维度的主成分提出方法分类正确率更高;使用该方法进行浆液循环泵运行方式优化,耗电量平均降低约14.69%。     

基于累积贡献率和可解释人工智能的静态电压稳定裕度估计特征量筛选方法

利用海量量测数据估计大规模互联电网静态电压稳定裕度时,合理地选择输入量测信号和裕度估计算法是实现高质量裕度估计的基础。提出了一种基于累积贡献率和可解释人工智能的关键特征量筛选方法。给出了基于沙普利值加性解释理论可解释模型的输入特征贡献值量化方法,并依据贡献值大小对特征降序排列;采用基于累积贡献率增量的循环优化过程剔除冗余特征,形成关键特征子集;在系统关键特征优选的基础上,采用轻量梯度提升机算法实现静态电压稳定裕度在线估计。所提方法在保证估计精度的同时,大幅降低初始样本维度,解决特征过拟合问题,有效提升静态电压稳定裕度估计在线性能。基于WECC 3机9节点系统、IEEE 10机39节点系统以及IEEE 300节点系统的仿真分析验证了所提关键特征量筛选方法在电力系统静态电压稳定裕度估计中的有效性。     

基于蚁群优化算法和k阶近邻法的暂态稳定评估特征选择

提出了基于蚁群优化算法和k阶近邻法相结合的嵌入式特征选择算法.选择稳态潮流量构成电力系统暂态稳定评估的输入特征集,针对输入特征集包含的大量冗余信息,特征选择结果中可能包含一定冗余特征的缺陷,先用聚类的方法裁剪冗余性特征,然后用所提算法选择和稳定状况强相关的关键特征,提高了特征选择的 效率.通过对3机9节点和10机...     

支持向量机动态训练算法电力系统暂态稳定评估

在对比分析电力系统已有暂态稳定评估方法的基础上,提出一种以支持向量机模型为基础的动态训练算法.该方法将特征提取、样本训练融合在一起,动态产生一系列支持向量机模型,同时可以从维数较大的初始特征集中选择多组有效特征.实验表明,它可用于解决输入空间的可分性问题.在3机9节点以及16机68节点系统中的应用表明了该方法的有效性.     

电网安全监测的智能化关键特征识别及稳定分区算法

提出了一种以关键运行特征识别和稳定薄弱环节辨识为目标的智能稳定评估方案,基于改进遗传算法与k阶近邻法(k-NN)相结合的稳定特征提取算法,实现对稳态运行信息中稳定关键特征的识别.在新英格兰10机39母线系统的仿真测试表明,算法能有效提取出反映不同区域稳定水平的少量关键运行特征变量,该特征较好地反映了失稳模式信息.通过构造基于BP网络的临界切除时间(CCT)预测器进一步验证了特征提取的有效性.基于特征提取结果与扰动位置的关联分析,提出了特征重合度判别方法,实现了对电网的稳定分区.     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

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。     

基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

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.