基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

基于信息融合技术的电力系统暂态稳定评估

应用信息融合技术对电力系统暂态稳定进行评估,提出了一种基于"结合人工神经网络和D-S证据理论的信息融合模型"的电力系统暂态稳定评估方法。当电力系统发生故障时,采用该方法可以综合来自电网和发电机的多个信息源对电力系统的暂态稳定进行判别。首先,选取能迅速反映电力系统暂态过程的特征量,如功角、加速度、转子动能等,进行像素级融合。然后,将这些特征量划分为时间和空间2个征兆域,并分别输入至设定的3个子神经网络进行特征级融合。最后,将特征级融合的输出作为决策级融合的输入,利用D-S证据理论实现时间域和空间域的决策级融合,从而提高了电力系统暂态稳定评估的可靠性。利用中国版BPA暂态稳定程序和电力系统全过程动态仿真软件,对7机24节点系统进行了仿真。仿真结果表明,基于信息融合技术的电力系统暂态稳定评估方法较基于人工神经网络的评估方法更为快速、准确。     

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。     

基于堆叠自动编码器的电力系统暂态稳定评估

将深度学习的思想和模型引入电力系统暂态稳定评估研究中,提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征,直接面向底层量测数据,通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种"预训练–参数微调"的两阶段学习方法,同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式,提取出有利于暂态稳定评估的高阶特征。此外,该方法能够通过大量无标注样本的无监督训练提高模型泛化能力,从而大大缩减训练样本时域仿真耗时。新英格兰10机39节点系统上的仿真结果表明所提方法比常规浅层评估方法的评估性能更加优越。     

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。     

面向暂态电压稳定评估的卷积神经网络输入特征构建方法

以卷积神经网络(CNN)为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用,但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估,提出了一种适用于CNN的输入特征构建方法。首先,基于双阶段分区来降低输入特征的维度和冗余度,即先依据系统拓扑关系和地理位置约束给出初始分区结果,再以节点的暂态电压特征相似性进行聚类,得到降低维度和冗余度后的最佳分区方案;然后,在分区结果的基础上,考察影响交直流系统暂态电压稳定的关键因素,构建兼顾稳态特征量和多维度故障信息的输入特征;最后,将所构建的输入特征应用于CNN暂态电压评估模型,并采用实际电网数据进行验证。仿真结果表明,所提方法较传统特征选择方法具有更高的准确性。     

图深度学习技术在智能暂态稳定评估中的应用及展望

数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚合能力,其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性,并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning,GDL)框架进一步拓展了深度学习模型的拓扑学习能力,使其可以将状态特征与拓扑关系相结合,提升稳定评估模型的特征提取能力。论文分析了GDL应用于智能暂态稳定评估模型的设计框架,从图表示、图嵌入、全局聚合、训练方式4个方面探讨了暂态稳定评估应用中GDL的特征聚合性能提升方法。该文结合IEEE测试系统验证了GDL与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为GDL在智能稳定评估领域的应用研究提供指导思路。     

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。     

基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法

该文基于神经网络(artificial neural networks,ANN),提出一种特征分离型暂态稳定智能评估模型,并针对迁移学习样本生成过程提出样本生成方法。根据不同电气特征对电力系统暂态稳定性的关联程度不同,利用神经网络构建了特征分离型暂态稳定智能评估模型;针对潮流变化或拓扑变化的影响,引入迁移学习方法对评估模型进行再训练,提出关键故障位置原则和关键故障持续时间原则指导迁移学习样本生成过程;进而提出通过调节机组出力提升暂态稳定性的优化算法。算例结果验证了分离特征对评估性能提升的有效性;采用迁移学习样本生成原则在减少样本生成数量、提升评估性能方面效果显著;所提优化模型能够有效提升电力系统暂态稳定性,为电力系统暂态稳定性智能评估与优化提供了新的思路。     

基于LSSVM和证据理论的电力系统暂态稳定评估

提出了一种基于最小二乘支持向量机和D-S证据理论的信息融合模型的电力系统暂态稳定评估方法。选取了稳态特征量、故障初始时刻特征量和暂态特征量构成不同组输入特征,采用最小二乘支持向量机分类器进行暂态稳定评估,再对子分类器的结果在输出空间利用D-S证据理论实现决策级融合,以提高电力系统暂态稳定评估的可靠性。利用电力系统综合分析程序(PSASP)对EPRI-36节点系统进行了仿真计算,结果表明:可以提高训练效率以及分类的准确性。     

考虑量测数据缺失的电力系统暂态稳定评估

电力系统量测数据在传输过程中可能出现缺失,进而影响现有暂态稳定评估方法的性能。为此,基于生成对抗网络(generative adversarial networks, GAN)和极限学习机(extreme learning machine, ELM),提出了一种考虑量测数据缺失的电力系统暂态稳定评估方法。首先,使用GAN生成符合真实数据分布的新数据,解决量测数据缺失问题;然后,利用ELM评估模型实现对电力系统的暂态稳定评估;最后,在新英格兰10机39节点系统上进行测试。结果表明,所提方法能够有效修复缺失数据,显著提高暂态稳定评估准确率。与其他评估模型相比,其更适用于电力系统暂态稳定评估领域,有益于基于数据驱动的暂态稳定评估方法的实际应用。     

采用随机矩阵与CNN的暂态电压稳定快速评估

为了发展基于数据驱动的电力系统暂态稳定性预测理论与方法,提出了一种基于随机矩阵理论与卷积神经网络的暂态电压稳定快速评估方法。通过构建高维随机矩阵,从电网底层量测数据中提取高阶特征作为输入;凭借一维卷积和池化运算特性所具有的特征提取能力,充分挖掘输入特征与电压稳定评估结果之间的非线性映射关系,建立了基于一维CNN的暂态电压稳定评估模型。利用PSS/E和Matlab软件,算例分析在新英格兰10机39节点测试系统中展开,与传统机器学习评估方法的结果进行比较,结果表明,所提方法具有正确率高、计算时间短及抗噪性能高的优点。     

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。     

基于 Stacking元学习策略的电力系统暂态稳定评估

为提高电力系统暂态稳定评估单个模型的准确率,研究了基于元学习策略的暂态稳定评估问题,提出了支持向量机、决策树、朴素贝叶斯和K最近邻法作为基学习算法,线性回归为元学习算法的Stacking评估模型.该模型将上述基学习算法的概率榆出作为新训练数据的输入特征,同时保留原始的类标识.线性回归算法在新训练集上学习得到最终暂态稳定评估结果.新英格兰39节点测试系统和IEEE50机测试系统上仿真实现了该模型,仿真结果证明所提模型比单个模型的评估性能更好,为电力系统暂态稳定评估提供了新的思路.     

基于集成深度置信网络的精细化电力系统暂态稳定评估

为了进一步提高电力系统暂态稳定的预测精度及给出更精细化的评估结果,将深度学习与电力系统暂态稳定相结合,根据故障切除后发电机功角"轨迹簇"特征,提出一种基于集成不同结构的深度置信网络(DBN)的精细化电力系统暂态稳定评估模型。该模型的基分类器DBN能够有效地利用深层架构所具有的特征提取能力,充分挖掘出输入特征与暂态稳定评估结果之间的非线性映射关系。在新英格兰10机39节点系统上的实验结果表明,该方法不仅优于浅层学习框架,也比部分深度学习模型的性能更加优越。除此之外,该集成DBN算法不仅有较高的预测精度,而且可以有效地评估系统的稳定裕度和不稳定程度等级;在部分同步相量测量装置信息缺失以及含有噪声时,表现出较强的鲁棒性。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。     

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.     

基于深度置信网络的电力系统暂态稳定评估方法

为进一步提高电力系统暂态稳定评估(transient stability assessment,TSA)的准确率,将"深度学习"方法引入电力系统暂态稳定评估,提出一种基于深度置信网络(deep belief networks,DBN)的TSA方法。构建一组能够反映系统暂态稳定特性的32维原始特征作为DBN模型的输入量,稳定结果作为输出量,利用深层架构对稳定结果与系统特征之间的映射关系进行训练。采用一种先使用无标注样本进行贪心无监督学习,后使用有标注样本进行监督学习的方法训练DBN模型的参数。训练后的模型能充分利用深层架构的特征提取优势,并能够利用大量无标注数据提高模型的泛化能力。新英格兰10机39节点系统上的仿真结果表明所提方法比常用的暂态稳定评估方法准确率更高,且能够在仅少量训练样本和含有无关特征的情况下获得优越的评估性能。     

针对数据缺失的电力系统暂态稳定评估方法

为解决量测数据缺失时电力系统暂态稳定评估模型泛化能力不足的问题，基于多向循环神经网络和XGBoost算法，提出一种针对数据缺失的电力系统暂态稳定评估方法。首先使用多向循环神经网络修复缺失数据；然后采用完整的数据集对XGBoost模型进行训练；最后基于SHAP理论量化不同输入特征对模型输出结果的影响。此外，还提出了一种模型更新机制，在系统工况发生改变时对模型进行持续更新。在新英格兰10机39节点系统上仿真结果表明，所提方法相较于传统方法具有更好的数据修复能力，能显著提高暂态稳定评估性能。