电力系统暂态稳定评估组合模型的比较

组合模型能提高电力系统暂态稳定评估的分类性能。文中构建了12组输入特征，在IEEE 16节点和IEEE 50节点测试系统上生成了24个样本集。提出了一种测试分类综合指标。在24个样本集上比较了单个(神经网络、决策树、K最近邻法和支持向量机)和组合(装袋、提升、堆栈和随机森林)的暂态稳定评估模型测试指标发现，单个评估模型中，K最近邻法分类性能最好；组合方法均能提高分类性能，其中随机森林分类性能最好，其次是堆栈(支持向量机、K最近邻法、决策树)、提升-决策树和装袋-决策树。     

基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

基于多支持向量机综合的电力系统暂态稳定评估

目前,利用数据挖掘方法进行电力系统暂态稳定评估的研究,对结果中不稳定样本被误判为稳定样本的情况重视不足,不符合电网运行对安全性的要求。针对该问题,文中提出了安全域概念下基于多支持向量机综合的电力系统暂态稳定评估方法。该方法首先利用网格法对支持向量机进行参数寻优,然后选取分类准确率高的若干组支持向量机参数,在这些参数下训练支持向量机,最后对训练得到的支持向量机进行综合,实现电力系统暂态稳定评估。对仿真系统的分析表明,文中提出的方法能够充分利用不同参数的支持向量机提供的有用信息,大量减少"误判稳定"样本的个数,可以对应用数据挖掘理论进行电力系统暂态稳定评估的实际应用提供有益的参考。     

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。     

稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法

电力系统故障后在线暂态稳定评估是一个难题。目前基于数据挖掘方法的相关研究存在2个问题:评估规则缺乏电力系统理论依据,评估结果难以保证保守性。针对第1个问题,文章提出稳定域概念下的暂态稳定评估方法,其稳定评估规则是对稳定边界的近似与变换。针对第2个问题,文章提出一种基于新型支持向量机的暂态稳定规则训练算法。该算法的核心在于通过调整传统支持向量机模型得到保守支持向量机和激进支持向量机,利用这2种支持向量机生成的边界将输入空间分为3个区域:稳定区域、不稳定区域和灰色地带。稳定区域和不稳定区域的稳定性评估确保正确,灰色地带尽量小。最后,分别在IEEE 39节点系统和某省级电网中验证了该评估方法的有效性。测试结果不存在漏报警和误报警,灰色地带随着输入特征数的增加而减小,根据需要可以控制在一定范围内。     

电力系统暂态稳定概率评估方法

提出了一种基于蒙特卡罗-支持向量机的电力系统暂态稳定概率评估方法。首先构建了一组包含电力系统稳定和故障信息的原始特征，经特征选择降维后作为支持向量机的输入，在训练集上进行10折交叉验证，研究了4种支持向量机，其中径向基核支持向量机具有优良的评估性能；然后采用非序贯蒙特卡罗模拟方法选择随机因素，径向基核支持向量机加速暂态稳定评估过程，利用累计分类结果计算电力系统暂态不稳定概率。新英格兰39节点测试系统算例表明，该方法能大幅减少模拟时间，满足暂态稳定概率评估的精度要求。     

基于转子角轨迹簇特征的电力系统暂态稳定评估

机器学习技术已被广泛应用于暂态稳定分析领域。在基于机器学习的暂稳评估中,如何兼顾输入特征信息量的多少和整体计算效率,一直是需要解决的问题。为此提出一种基于转子角轨迹簇特征、由线性支持向量机(linear support vector machine,LSVM)和决策树(decision tree,DT)构成的组合式暂稳评估方法。首先,构建转子角轨迹簇整体特征的时间序列作为暂稳评估的输入向量,考虑到输入特征的时间维度,先通过LSVM对每个时序特征进行降维映射,再将降维后的结果输入至DT中,形成暂稳预测和稳定程度评估模型,并采用boosting技术进一步提高评估模型的准确性。对新英格兰10机39节点系统进行算例分析验证了方法的有效性,所提出的轨迹簇特征和组合算法具有较高的精度和计算效率,能较准确地指示系统的稳定程度,且对未知运行工况具有一定的泛化能力。     

基于主成分分析和支持向量机的静态电压稳定评估

高维电力系统中,运用常规的潮流方程计算电压稳定的速度较慢,难以满足实时评估的要求,提出了一种基于主成分分析和支持向量机的静态电压稳定评估方法,先利用主成分分析进行特征提取和降维,再利用支持向量机建立回归模型,该方法充分发挥了支持向量机在解决高维、非线性和有限样本问题等方面的优势,保证了电压稳定评估模型的泛化能力,具有较快的评估速度和较高的预测精度,W SCC 9节点测试系统中的应用结果证明了该方法的有效性。     

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.     

基于继承思想的时变性电力系统暂态稳定预测

从数据驱动的角度研究暂稳预测问题存在模型变迁和样本匮乏的困扰。针对该问题提出了一种基于继承思想的暂态功角稳定预测方法,该方法适用于暂稳数据增量或暂稳镜像变化的电网过渡阶段,填补了现有预测方法的空缺区间。分别针对电力系统暂稳样本增量的数据时变性和暂稳特性变化的暂稳镜像时变性特点,提出可计及现有预测模型参数的深度继承方法,以及可考虑样本与特征集可延拓性的广度继承方法。基于增量学习的深度继承利用新增暂稳样本,计算暂稳预测模型参数的变化量,降低模型更新所需训练时间。基于迁移学习的广度继承建立了源系统与目标系统的特征集与样本集迁移通道,实现目标系统在小样本条件下的暂稳预测模型构建。算例结果表明,该文所提方法能够反映时变电力系统的暂态稳定特性的动态变化,在样本匮乏的过渡阶段,具有速度和精度优势。     

启发式电力系统暂态稳定裕度在线评估方法研究

本文定义了一个能综合反映电力系统特定结构和运行方式下整体暂态稳定水平的连续指标：综合临界切除时间。结合知识库,模糊逻辑推理和综合技术,本文提出了一种能以较高精度在线估计ＧＣＣＴ值的暂态稳定估计方法。     

基于半监督MPSVM的电力系统暂态稳定评估

半监督学习可借助有标签和部分无标签样本数据来构建电网暂态稳定评估模型,有效利用输入样本数据,可提高电网暂态稳定评估准确率,为此提出基于半监督近似流形支持向量机(manifold proximal support vector machine,MPSVM)的暂态稳定评估方法。首先,在MPSVM的正则项中引入判别变量,可最大限度捕捉样本数据内部的几何信息,并通过最大距离理论表征电力系统稳定类和不稳定类之间的差异,进而转化为求解特征值问题;然后,采用贝叶斯非线性分层模型确定最优参数,可进一步提高评估准确率;最后,采用IEEE 39标准系统和鞍山电网的仿真分析验证所提评估模型的有效性和准确性。     

基于数据增强和深度残差网络的电力系统暂态稳定预测

针对传统数据驱动的电力系统暂态稳定分析方法中,较少考虑输入数据存在噪声和信息缺失后对预测模型性能的影响问题,提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先,考虑噪声和信息缺失情况,对原始训练数据进行扩充;然后,采用发电机受扰后动态数据作为输入特征;考虑到输入的高维时序数据具有图像的特点,利用图像处理中一种特殊的卷积神经网络—深度残差网络构建用于暂态稳定评估的深层模型。算例分析表明,所提出的方法能够提高模型的泛化能力,在含噪声以及部分发电机信息缺失情况下具有更好的鲁棒性。     

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。     

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grcForest模型的风电并网系统暂态电压稳定评估

针对现阶段机器学习在风电并网系统暂态电压稳定评估的快速性、准确性方面存在的不足,提出了一种基于grcForest模型的风电并网系统暂态电压稳定评估方法。首先针对输入特征数目随着级联森林层数的增加可能出现的梯度增长或梯度减少的问题,采用残差网络对其进行优化,保证了层数增加后的模型依旧能保持最初的学习能力;其次分析风电并网系统暂态电压的关键影响因素,结合暂态故障构建输入特征;再通过评估模型离线训练,完成模型的参数设置和性能优化;最后把构建完成的输入特征应用于grcForest风电并网系统暂态电压稳定评估模型,结合数据对模型进行评估验证。IEEE10机39节点系统的仿真分析验证了该方法的快速性和准确性。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

基于典型故障集的暂态功角稳定近似判别方法

为适应特高压电网安全风险的新特征,需要研究考虑系统暂态功角稳定的风险评估评价方法。现有电力系统暂态功角稳定性判断方法计算量很大,无法满足特高压电网风险评估的计算要求。研究了影响系统故障后暂态功角稳定的因素,基于EEAC法推导了这些因素对于系统临界稳定性的灵敏度,进而设计了在已知典型故障临界稳定信息条件下近似判断边界条件变化后近似场景下暂态功角稳定性的方法。最后设计了考虑电力系统暂态功角稳定的风险评估流程,为特高压电网风险评估提供了新的思路。     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点。提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的。仿真结果表明,提出的评估方法与现有的神经网络、最小二乘支持向量机方法相比,在准确率、评估速度2方面有着较大提升。