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。     

电力系统暂态稳定预防控制研究现状

对国内外关于暂态稳定预防控制的研究进行较为全面的综述,分析预防控制的数学模型,指出预防控制要解决的关键问题。根据不同研究方法将暂态稳定预防控制分为基于数学模型和基于数据挖掘的预防控制两大类,对每个类别的技术路线进行分析、归纳,比较不同研究方法的优化结果和计算效率,指出预防控制下一步研究方向。     

利用神经网络检测电力系统的暂态稳定

电力系统暂态稳定检测是电力系统运行中的一个难题。神经网络在电力系统中的应用是一个比较活跃的领域，文章讨论了神经网络应用于暂态稳定的检测，包括神经网络模型的构建，样本的设计，样本输入／输出的计算等，并用实例加以验证。此外还引用了一种新型的ＢＬＱＰ神经网络模型。     

电力系统暂态稳定控制综述

从全局控制和局部控制两个方面评述了电力系统暂态稳定控制的研究工作和实际应用情况 ，分析指出了非线性控制、人工智能、FACTS技术等几个有前途的研究方向。     

基于模糊神经网络的电力系统暂态稳定控制决策

利用故障后短时间内各发电机的功角信息 ,提出了一种复合神经网络结构 ,用于确定首摆暂态稳定协调切机和切负荷决策。整个神经网络是由分类部分和决策部分组成的两级网络 ,分类部分采用一种模糊竞争径向基网络 ,决策部分采用模糊竞争前馈网络实现函数逼近功能。对4 9机实际系统的数值仿真研究结果表明 ,本文方法决策精度高 ,训练速度快 ,具有实用前景     

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。     

基于XGBoost和ASPSO的电力系统暂态稳定预防控制方法

该文提出了一种极限梯度提升（extreme gradient boosting,XGBoost）和基于蚁群算法的自适应参数粒子群优化算法（particle swarm optimization algorithm of self-adaptive parameter based on ant colony algorithm,ASPSO）相结合的方法,以实现电力系统暂态稳定预防控制。首先,通过XGBoost模型快速学习系统运行特征与暂态稳定性间的映射关系,给出特征重要性排序,提供一定的模型可解释性。其次,将训练好的XGBoost嵌入暂态稳定约束最优潮流模型作为暂态稳定约束。之后,利用ASPSO算法迭代求解,保证系统暂态稳定的同时,考虑发电机有功出力调整最小化,制定相应预防控制策略。最后,在PSS/E提供的IEEE 39节点系统中进行算例仿真,证明了所提方法的有效性。     

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...     

基于一维卷积神经网络的电力系统暂态稳定在线评估

传统电力系统暂态稳定评估基于时域仿真计算,计算复杂度高,难以在线应用。提出一种基于一维卷积神经网络的电力系统暂态稳定在线评估,可极大提升暂态稳定在线评估速度。通过马尔可夫链蒙特卡洛抽样算法进行电力系统运行状态模拟,生成大规模运行数据。通过电力系统时域仿真计算确定发电机最大功角差。将电力系统运行数据作为一维卷积神经网络的输入,发电机最大功角差作为输出,训练一维卷积神经网络。在线应用场景下,一维卷积神经网络可基于当前运行数据快速计算发电机最大功角差,实现暂态稳定性在线评估。新英格兰39节点系统验证了所提在线评估算法的可行性。     

Dynamic preventive control for power system using transient stability assessment based on pattern recognition

To maintain power system security, the authors are developing an integrated security monitoring and control (ISMAC) system which consists of the three main functions: security monitoring, preventive control and emergency control. This paper focuses on the dynamic preventive control which deals with the transient stability immediately after the contingency has occurred. The proposed method is based on the transient stability assessment using the pattern recognition with two-dimensional feature space. Therefore, a preventive control strategy can be obtained rapidly. An index which represents the severity of the contingency quantitatively (security index) is defined by the distance from a linear decision surface which divides a feature plane into a stable and an unstable region. Further, this method has also the advantage that it is possible to consider the effect of the control devices or damping to some extent and specify the operator demand for stabilization flexibly. The effectiveness of the proposed method is ascertained through numerical examples for model power systems.     

电力系统暂态稳定预防控制算法综述

较为全面地综述了国内外关于电力系统暂态稳定预防控制的研究状况。首先通过对预防控制数学模型的分析,给出了预防控制算法在数学表达上的控制过程,并将预防控制算法分为三类,对约束转化技术,最优控制理论,灵敏度技术,单机无穷等效,非线性规划,智能优化等技术在预防控制中的应用做了一定的归纳,对不同算法在常用算例的优化结果做了总结比较。在评述各种算法基础上,对一些算法中存在的问题如初值变分、准确性、迭代次数等进行讨论,并指出了改进预防控制算法的研究方向。     

基于动态安全域的电力系统暂态稳定预防控制、紧急控制及其协调

针对预防控制和紧急控制之间的互补性特点,建立了预防控制和紧急控制协调控制优化问题的数学模型,并在基于扩展等面积准则的动态安全域的基础上,提出了预防控制措施和紧急控制措施搜索算法以及协调控制的优化策略.在进行预防控制措施搜索时,利用适应度函数解决了失稳模式冲突所带来的初始可行解难以求解的问题,全面反映了不同故障不同失稳模式的动态安全域交集的分布.提出的紧急控制措施搜索算法根据切机搜索过程中失稳模式的改变情况来改变最优切机点,避免了切机负效应的影响.最后在8机32节点的系统上进行的算例验证了所提方法的正确性.     

基于图卷积神经网络的直流送端系统暂态过电压评估

随着新能源接入电力系统并通过直流送出,送端系统的暂态过电压问题逐渐突出。因此,为快速准确估计送端系统在直流闭锁、换相失败等预想扰动场景下各直流近区节点暂态过电压严重度,提出一种基于图卷积神经网络(graph convolutional network, GCN)的直流送端系统暂态过电压评估模型。该模型以电网发生直流故障前的潮流状态参数与网络拓扑作为输入特征,可以同时预估电网多个关键节点(如风电场汇集节点)的暂态过电压严重度。利用含跨区直流异步互联的两区域系统进行算例分析,验证该模型可以适应多种网架拓扑结构、不同新能源发电占比等差异化电网运行方式,具有较强的泛化能力。同时,所提模型揭示了对过电压严重度影响最大的关键因素,具有一定的可解释性,可为暂态过电压的预防控制提供有效指导。     

基于灵敏度分析和时域仿真的暂态稳定预防控制优化方法

根据临界切除时间灵敏度将暂态稳定约束条件线性化,简化了考虑暂态稳定约束的最优潮流(TSCOPF)问题的求解过程,为暂态稳定预防控制优化问题提供了一种新的解决方案。针对大系统临界切除时间灵敏度计算费时的实际问题,采用线路有功功率灵敏度筛选待调发电机的方法和并行计算技术以提高计算效率。WSCC 9节点系统标准算例和SGCC 9 177节点电网算例的仿真结果表明,所提方法具备良好的优化效果和工程实用性。     

A new power system transient stability assessment method based on Type-2 fuzzy neural network estimation

Transient stability assessment (TSA) of large power systems by the conventional method is a time consuming task. For each disturbance many nonlinear equations should be solved that makes the problem too complex and will lead to delayed decisions in providing the necessary control signals for controlling the system. Nowadays new methods which are devise artificial intelligence techniques are frequently used for TSA problem instead of traditional methods. Unfortunately these methods are suffering from uncertainty in input measurements. Therefore, there is a necessity to develop a reliable and fast online TSA to analyze the stability status of power systems when exposed to credible disturbances. We propose a direct method based on Type-2 fuzzy neural network for TSA problem. The Type-2 fuzzy logic can properly handle the uncertainty which is exist in the measurement of power system parameters. On the other hand a multilayer perceptron (MLP) neural network (NN) has expert knowledge and learning capability. The proposed hybrid method combines both of these capabilities to achieve an accurate estimation of critical clearing time (CCT). The CCT is an index of TSA in power systems. The Type-2 fuzzy NN is trained by fast resilient back-propagation algorithm. Also, in order to the proposed approach become scalable in a large power system, a NN based sensitivity analysis method is employed to select more effective input data. Moreover, In order to verify the performance of the proposed Type-2 fuzzy NN based method, it has been compared with a MLP NN method. Both of the methods are applied to the IEEE standard New England 10-machine 39-bus test system. The simulation results show the effectiveness of the proposed method in compare to the frequently used MLP NN based method in terms of accuracy and computational cost of CCT estimation for sample fault scenarios.     

暂态稳定控制系统的静态测试方法

以一个基于“在线预决策 ,实时匹配”的暂态稳定控制系统为例 ,利用电网的实际运行数据 ,采用“白盒法”、“黑盒法”测试了软件的各个组成部分。通过测试程序、实验电路对该系统的运行可靠性 ,数据采集的正确率、速度和误差 ,暂态稳定分析软件包的正确性 ,模块间的通讯能力等进行了测试 ,获得了关于该系统的大量数据 ,为该系统的进一步动态模拟实验和最终投入运行打下了坚实的基础。     

一种神经网络变结构电力系统稳定器的设计

在变结构控制理论的基础上 ,设计了一种基于神经网络的电力系统稳定器 (NNPSS)。利用BP神经网络对系统的状态进行辨识 ,通过对网络的训练 ,使神经网络能对不同的运行状态及扰动产生相对应的附加励磁控制。仿真实验证实了神经网络电力系统稳定器的可行性 ,所设计的NNPSS有效改善了电力系统的稳定性。     

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。     

基于同步相量测量技术的暂态稳定性实时预测

提出了一种电力系统稳定性实时预测方案。通过同步相量测量技术获得故障后短时间内的各发电机内电势相量 ,利用多项式拟合的方法 ,快速预测系统中各发电机大轴间最大相对摇摆角的变化趋势 ,从而判定系统的稳定性。方法本身与系统结构、故障情况等无关 ,适应性较好。对实际系统进行了仿真实验 ,获得了较为准确的结果