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。     

基于集成学习的时间自适应电力系统暂态稳定评估方法

对于电力系统暂态稳定评估而言,在故障清除后的早期阶段,临界样本间的特征差异不明显,预测准确率低。随着时间推移,准确率提高,但难以保证评估的及时性。针对暂态稳定评估的评估准确性与及时性之间的矛盾,提出了基于集成学习的时间自适应电力系统暂态稳定评估方法。首先,通过EasyEnsemble算法对不平衡数据进行采样,训练出多个不同评估时刻的集成长短期记忆网络分类器,输出样本在不同评估时刻的稳定性预测结果。其次,将评估时刻进行划分,提出了多阶段阈值分类规则,自适应调整阈值,对样本预测结果进行可信度评估。最后,预测结果评估为不可信的样本交由下一评估时刻的模型继续判断,直到可信度达到阈值后输出。在IEEE 39节点系统的仿真结果表明,所提方法相较于其他时间自适应方法具有更优的评估性能,在样本不平衡的情况下该方法实现了更好的修正效果。     

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。     

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。     

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

目前,利用数据挖掘方法进行电力系统暂态稳定分析的研究,所用数据集普遍存在失稳样本少的样本不均衡问题,且挖掘模型的参数选择困难,缺乏对预测结果可信度进行评价。针对以上问题,文章提出用于暂稳预测的支持向量机(support vector machine,SVM)组合分类器及其可信度评价方法。首先采用改进bootstrap抽样得到多个类别均衡的数据集,利用随机特征子空间技术进一步压缩数据集;然后用压缩后的数据训练得到多个SVM分类器,各SVM的参数在经验范围内随机选取;最后,通过综合多个SVM的概率输出,得到组合分类器的预测结果,并对结果可信度进行评价。通过算例分析表明,改进Bootstrap算法能够明显减少对失稳样本的漏判,所提出的SVM组合分类器具有较高的预测准确度和可信度。     

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.     

样本不平衡情况下的电力系统暂态稳定集成评估方法

为了在电力系统发生暂态故障后能够快速、准确地对系统稳定性进行判断,并解决样本不平衡对模型造成的倾向性问题,提出了一种基于改进损失函数的电力系统暂态稳定集成评估方法.首先,基于故障清除后的短时量测数据,设计了一种结合1维、2维单通道和2维多通道卷积神经网络的集成模型,实现了端对端的抽象特征提取和暂态稳定分类.其次,改进了模型训练过程中的损失函数,加强了对失稳样本的拟合程度,增加了错分样本的权重,从而提高了全局准确率,并减少了失稳样本漏报现象的发生.此外,文中还分析了集成模型输出的判定阈值对失稳样本召回率的影响.最后,IEEE 39节点系统和IEEE 145节点系统的仿真结果验证了所提方法的有效性.     

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.     

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。     

基于卷积神经网络的暂态电压稳定评估及风险量化

提出了一种暂态电压稳定性评估及其风险量化方法.首先,探讨卷积神经网络(CNN)与暂态电压稳定评估的关联性和匹配性,建立了基于CNN的暂态电压稳定评估模型.其次,在可信度框架下引入四元评估结构,可有效解决CNN在稳定边界识别上对时域仿真依赖的难题.然后,通过评估结果获取暂态电压稳定裕度,并将其与可信度相结合来构建风险函数,从而实现对暂态电压稳定的风险量化分级.实际电网算例分析结果验证了该方法的有效性.     

A feed-forward artificial neural network with enhanced feature selection for power system transient stability assessment

This paper describes an approach where an artificial neural network is used to predict the stability status of the power system. This efficient and robust approach combines the advantages of the time–domain integration schemes and artificial neural network for on-line transient stability assessment of the power system. The transient stability index has been obtained by the extended equal area criterion method and is used as an output of the neural network. Two feature selection techniques have been used to identify the input variables best suitable for training. The proposed technique predicts the transient stability index correctly, without any false alarm. In addition, the transient stability index as an output of the neural network helps to implement possible control actions. The results obtained demonstrate the potential for neural network to be a part of any on-line dynamic security assessment tool.     

基于改进CatBoost的电力系统暂态稳定评估方法

在实际电网的运行过程中,通过同步相量测量单元实时采集到的电网动态参数通常含有部分噪声,且有时会因通信故障造成数值的随机缺失,对基于人工智能的电力系统暂态稳定评估模型造成很大影响.为此,提出一种基于改进CatBoost的暂态稳定评估方法.通过分箱算法对输入特征数据进行离散化处理,提高模型对噪声的鲁棒性;采用加权的焦点损失函数代替交叉熵损失函数,提升模型的可信度并减少模型对失稳样本的漏判;将量测数据部分缺失的样本划分到单独的节点中继续建模,从而充分挖掘不完整样本中的暂态信息.在新英格兰10机39节点上的实验结果表明,所提方法的准确率和查全率均优于其他几类机器学习算法,而且所提方法对噪声和数值缺失表现出良好的鲁棒性且具有较快的训练速度和预测速度.     

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。     

基于模糊神经网络的火灾信号处理设计

针对传统智能建筑中火灾报警系统功能简单、定位困难且存在误报和漏报等问题,设计了一种基于模糊控制理论、人工神经网络的火灾安全报警系统.该系统依靠模糊控制理论提高了灵敏度,减少了误报率,并结合神经网络具有自学习功能的特点,提高了整个系统的智能化程度.阐述了火灾报警系统的设计原理,对模糊理论和几种神经网络模型进行了分析,并使用Matlab软件对设计的算法进行了仿真分析,得到比较理想的效果.     

基于XGBoost算法的电力系统暂态稳定评估

针对暂态稳定评估问题的特点,在改进极限梯度提升(XGBoost)算法的基础上进行暂态稳定评估。根据电网物理特点,定义能够反映电力系统稳态运行状态的特征集;研究XGBoost算法用于暂态稳定评估的过程:针对暂态稳定预测中2类错误严重程度不同的特点,定义包含注意力系数的对数损失函数,使得模型对不稳定样本的误预测情况减少;使用Logistic函数将模型输出概率化,用于衡量XGBoost模型输出的可靠程度,预防部分误预测;给出针对任意系统随机产生样本集的方法。IEEE 39节点系统仿真结果表明,XGBoost算法在准确率上均高于其他几类常用机器学习算法,优化后的损失函数降低了不稳定样本错误分类的可能性,使该算法的召回率较优于其他方法,且概率化输出的形式有助于评估模型输出的可靠程度,降低了误预测的概率。