基于约束投票极限学习机的在线静态电压稳定评估

快速准确的在线静态电压稳定评估是规模化互联电网安全稳定运行的重要保障。针对传统神经网络学习模型调参繁杂、训练时间长、样本需求数量庞大等缺点,提出了一种基于约束投票极限学习机（constrainedvoting extreme learning machine,CV-ELM）的在线静态电压稳定评估模型。CV-ELM基于类间样本差值构建差向量集计算输入层对隐藏层的权值及隐藏层节点偏置项,并引入多数投票机制,通过集成学习的方式进行分类决策。此外,CVELM可自适应确定网络参数,在分类准确率、鲁棒性及泛化能力方面均优于传统的ELM。最后,基于新英格兰10机39节点系统的算例仿真结果证明了所提模型的有效性。     

基于在线极限学习机的配电网无功电压控制

柔性可控资源的接入使得配电网无功电压控制关系更加复杂。提出基于数据驱动的配电网无功电压控制方法,通过蒙特卡洛方法生成配电网运行场景,构建配电网运行状态和对应的无功优化策略的映射数据集;利用在线极限学习机（Online Sequential Extreme Learning Machine,OS-ELM）构建无功优化的数据驱动模型,将配电网节点电压、负荷以及其他运行参数作为输入,将无功调节设备状态以及控制参数作为输出,建立系统的特征与优化策略之间的隐性关系;最后,将电网实时运行状态将其作为在线无功优化模型的输入得到系统实时的无功电压控制策略。基于IEEE33节点主动配电网对比仿真分析可知,所提方法在系统模型和参数建模未知的情况下实现无功电压的精准控制。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

基于多层极限学习机的电力系统频率安全评估方法

可再生能源发电的随机性、间歇性和低惯性特征导致含可再生能源电力系统的频率安全问题凸显。利用时域仿真进行频率安全评估存在计算量大、耗时长等缺陷,难以满足多重复杂不确定因素"组合数爆炸"下的频率安全快速评估需求。为了实现频率安全的快速分析与预测,提出一种基于多层极限学习机(ML-ELM)的频率安全在线评估方法。该方法通过深层架构建立输入与输出之间的非线性映射关系,并在自下而上的逐层无监督训练过程中,引入自动编码器算法和正则化系数,逐层优化输入层与隐含层之间的权重矩阵,以使ML-ELM有效表征复杂函数、提高预测精度和泛化能力。在IEEE RTS-79系统上开展算例测试,将测试结果与时域仿真和浅层神经网络方法所得结果进行比较,验证了所提方法的准确性和泛化能力。     

基于极限学习机的配电网重构

为使配电网重构有功功率损耗最小,提出一种基于极限学习机的神经网络重构模型来反映配电网负荷模式与开关状态之间的非线性关系。将配电网负荷模式作为输入、网损最小时的开关状态作为输出,利用所提模型网络结构简单、学习速度快的优势进行配电网重构。引入统计学习理论中的结构风险最小化准则来改进基于经验风险最小化的极限学习机,使经验风险和置信范围最小,从而使实际风险最小,减小期望误差。通过2个典型算例对配电网重构进行仿真研究,并对基于支持向量机、BP神经网络和基于经验风险最小化的极限学习机重构模型进行比较,结果表明所提模型在保持学习速度快的同时,泛化性能更高。     

基于电压趋危系数的配电网多时间尺度自适应无功电压控制

高比例分布式光伏接入配电网后,源荷不匹配可能会导致电压越限。在电压偏差量和电压波动量基础上,定义了评估配电网不同运行场景的电压趋危系数(voltage tendency coefficient, VTC),提出了基于电压趋危系数的多时间尺度自适应无功电压控制方法。在长时间尺度下,构建了以经济性和安全性满意度最优为目标的日前优化调度策略;在短时间尺度下,通过电压趋危系数动态修正传统下垂控制的固定斜率,以释放光伏逆变器无功裕度。同时,在短时间尺度优化控制中加入对长时间尺度的反馈校正环节。通过算例系统进行仿真,验证了提出的无功电压控制方法的有效性。     

改进极限学习机应用于电网故障诊断

电网故障诊断中交叉数据模式识别问题占据重要位置,传统的人工智能方法处理效果不甚理想。提出运用改进极限学习机进行故障诊断的算法,随机选取输入权值向量和隐含层的偏差,并且利用最小二乘法分析计算输出权值,以达到提高故障诊断容错性的目的。仿真结果表明:在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于BP神经网络,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

计及电压越限投资的有源配电网节点电价计算方法

有源配电网的多电源特性有利于释放线路容量、改善电压水平、延缓电网投资。针对含分布式电源的配电网,建立了一种计及电压越限投资成本的有源配电网节点电价计算方法。该方法通过量化分布式电源接入引起的潮流变化对未来容量与电压越限投资的影响,对双向潮流情况下元件投资年限进行求解与修正。在此基础上,利用长期增量成本法计算节点电价,评估了现有网络的容量利用水平与电压越限程度。IEEE 33节点系统算例分析表明,所提定价方法能够反映各节点对有源网络容量与电压越限程度的贡献水平,可以指导合理的电力消费与电网规划。     

基于风险的电力系统静态安全分析方法研究

随着现代电力系统的发展,其安全性和经济性的矛盾问题越来越显著,一些突发的事故可能会导致电力系统失去安全稳定,引起输电线路过载和节点电压越限的问题。文章将风险理论与电力系统静态安全分析问题联系起来,介绍了电力系统静态安全分析的主要问题,对线路和发电机等系统中的元件建立了风险模型,提出了风险指标的计算方法.MATLAB平台测试结果表明该方法能够准确计算系统事故严重程度和风险指标,证明了该方法的实用性和有效性。     

基于因子分析与神经网络的输电网安全评价

根据影响输电网安全的多种因素,建立了由电网、调度运行及运行方式、继电保护、通信及调度自动化和电气一次设备等因素构成的评价指标体系。运用因子分析法对指标体系进行了分析和约简,通过神经网络的非线性映射和自学习能力构建了输电网的神经网络安全评价模型。实例验证结果表明,采用因子分析和神经网络结合的方法对输电网的安全状况进行综合评价,减少了评价指标的数量,降低了传统评价方法的主观性,提高了评价结果的客观性和科学性。     

四川电网静态电压稳定分析

采用电力系统综合分析程序PSASP对2010年四川电网进行静态电压稳定分析,研究电网的电压无功问题。通过连续潮流计算、V-P曲线分析和灵敏度分析计算电压稳定裕度,寻求电网电压薄弱节点、薄弱线路以及薄弱区域。     

基于容性设备泄漏电流的电网电压分频测量方法分析

为优化电网过电压在线监测的测量技术,提出了一种基于测量容性设备泄漏电流的电网过电压的测量方法。该方法是使用2个不同磁导率的线圈分别获取容性设备泄漏电流中频率为30～3 000 Hz以及3kHz～1MHz的电流成分,经过积分滤波处理后将2路信号求和还原为线路电压。分析了泄漏电流与电压的传递函数,研究了电压传感器的工作原理及其影响因素。最终采用分频的方式实现了工频、操作冲击和雷电冲击过电压的测量。采用的电压传感器结构简单,与高压系统没有电气连接,具有很好的安全特性。工频、操作冲击和雷电冲击过电压试验结果表明设计的传感器具有很好的准确度和线性度,可以用于高压电网的电压测量。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于概率预测的电网静态安全运行风险评估及主动调控策略

近年来,随着电网互联层级和规模的高速发展以及新能源、电力电子设备的大规模接入,电力系统的不确定性和调控需求都在持续增加。为解决当前电网调度控制方式基于联络线越限等经验特征量异常触发、缺乏主动性和预见性调控手段的问题,提出了一种基于概率预测的电网安全运行风险评估及主动调控方法。首先,构建了基于长短期记忆网络和支持向量机的滚动概率预测模型。然后,从充裕度的角度建立了常见风险事件的严重度函数,从而实现对关键元件的越限概率预测,并计算得到量化风险以形成触发机制,实现电力系统面对风险事件的主动调控。最后,在IEEE 39节点系统上结合中国某省电网的实际负荷数据进行仿真,计算结果验证了所提方法和模型能够实现提前主动调控,有效规避安全运行风险。     

特高压静止移相器应用的电磁暂态仿真分析

移相器(也称相角调节器)作为一种控制输电潮流的有效手段,目前在国外超高压电网中已得到广泛应用。我国尚未采用移相器技术,对其电磁暂态问题的研究也鲜见报道。本文提出采用晶闸管分级投切方式的特高压静止移相器的设计方案,使用 EMTP 电磁暂态仿真工具,以典型电网为例分析了移相器对特高压线路稳态运行电压、工频过电压及操作过电压等问题的影响。结果表明,特高压线路装设移相器后,线路末端稳态运行电压与不装设移相器相比有小幅升高。特高压移相器的合闸、分闸及移相器所在线路的单相重合闸操作过电压均在标准允许范围内。研究结果可为今后开展超/特高压电网移相器应用研究提供借鉴。     

基于ELM的静止无功发生器控制

利用极端学习机（ELM）刻画复杂非线性系统的能力,以及较高的学习速度和良好的泛化性特点,将其运用于静止无功发生器的控制方案中。Matlab仿真表明,此控制方法不仅具有电流直接控制的控制精度同时还在训练时间上小于BP网络。     

基于EMD和ELM的短期负荷预测

为了快速、准确预测具有随机性的电力负荷,引入经验模式分解和极限学习机组合负荷预测算法。首先,利用EMD将非平稳负荷序列分解成一系列相对平稳的分量,减少不同负荷影响因素间的相互影响;然后针对各分量的不同特性,利用ELM具有预测能力强、计算时间短、计算准确性高等特点建立不同的预测模型,分别预测各分量值;最后组合ELM预测的各分量值,得到最终预测结果。仿真算例表明,EMD和ELM组合预测方法较传统单一神经网络方法在短期负荷预测精度和运算时间方面具有其独特的优势。     

基于物理—数据融合模型的电网暂态频率特征在线预测方法

电力系统频率态势在线预测有助于快速准确地制定扰动后的控制措施,降低事故影响。单一依靠物理或数据模型的频率态势在线预测方法在实际应用中存在计算速度与精度之间的矛盾。采用基于物理—数据融合建模思路,提出一种频率态势在线预测方法:将暂态频率影响因素划分为关键因素和非关键因素,对关键因素采用系统频率响应模型以保留电气信息间因果联系,对非关键因素采用基于极限学习机的误差校正模型以表征关联关系。该方法具有样本依赖性小、通信容错率高、计算效率受系统规模影响小的特点。通过标准测试系统仿真验证,表明所述方法能够快速、准确地预测系统受扰后的频率态势特征。