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.     

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机，结合装袋和近似推理，提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势，有效地提高了暂稳评估模型的泛化能力，并通过训练样本集重构解决了暂稳评估的多类识别问题，在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。     

数据挖掘在电力系统暂态稳定评估中的应用综述

人工智能和数据挖掘在发现潜在问题和提高计算效率等方面有较大的优越性。综述了几年来人工智能与数据挖掘等技术应用于电力系统暂态稳定评估所取得的研究成果。对所涉及的主成分分析、遗传算法、粗糙集、信息熵等数据预处理方法,神经网络与支持向量机等分类器,可视化显示等方面的研究成果进行了深入的分析和比较,指出了存在的问题,并对以后的发展方向进行了一定的展望。     

基于数据挖掘理论的电力系统暂态稳定评估

将数据挖掘理论中的关联规则分析与分类分析相结合，提出了一种基于数据挖掘理论的暂态稳定评估方法。文中选择反映电力系统运行状态的特征变量，建立暂态稳定评估模型；考虑到电力系统数据量大的特点，采用聚类分析、特征变量提取、连续数据离散化等数据预处理手段，以提高问题判断的准确性、可靠性和实用性。利用关联分类法可产生反映电力系统运行状态和暂态稳定性的关联规则，这些规则可被用来对系统进行暂态稳定的预测和评估。通过对3机9节点系统的计算，验证了该评估方法的有效性。     

基于GAN和多通道CNN的电力系统暂态稳定评估

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性。针对该问题,该文提出一种基于多通道卷积神经网络(convolutionalneural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法。首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考。在IEEE-39节点系统和某省级电力系统上仿真表明：所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性。     

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。     

暂态电压稳定评估方法综述

随着电网日益扩张,新能源大量并网,对暂态电压稳定的要求日益提高,不能仅判断暂态电压稳定与否,稳定裕度指标也要精确给出,以便于运行调度人员对暂态电压稳定程度有更清晰的认知。从需要考虑故障信息和人工智能两个方面归纳了现阶段的暂态电压稳定裕度计算方法,并总结其优缺点。     

基于Bagging集成学习的电力系统暂态稳定在线评估

针对传统机器学习在处理暂态稳定评估时所表现出的稳定性差、精度低等问题以及离线训练的局限性,提出一种基于多模型融合Bagging集成学习方式的电力系统暂态稳定在线评估模型。首先,结合人工智能前沿理论研究,分析了暂态稳定评估中常用的7种机器学习算法的原理及实现方式,通过Bagging方法进行集成,充分发挥各个模型的优势。其次,给出Bagging集成的数学实现方法并进行了仿真实验。当原系统拓扑结构发生改变时,采用Boosting算法和迁移成分分析,分别对原电网历史数据进行样本迁移和特征迁移,完成对所提模型的在线更新。通过采用IEEE10机39节点系统和IEEE16机68节点系统进行分析,结果表明所提方法比传统机器学习模型精度更高。当数据中掺杂噪声时能够保持稳定运行,在系统拓扑改变时能够通过迁移历史数据进行准确的暂态稳定评估。     

基于KM-RF算法的电力系统暂态稳定评估

针对电力系统暂态稳定评估当中数据不平衡处理以及评估性能优化问题,提出了一种基于随机森林和K-means聚类的组合分类算法的暂态稳定评估方法.选取具有代表性的特征量构成原始特征集,并对数据进行归一化处理和相关性分析,以提升性能和运算效率.使用K-means聚类算法进行类分解,解决数据的不平衡问题,然后使用随机森林算法进行评估.最后,利用新英格兰10机39节点测试系统仿真,并与决策树、随机森林和支持向量机算法进行比较.在命中率、准确率以及整体系数上所提方法均为最高,误中率则是最低,由此表明方法效果好、误差小,具有一定的实用价值.     

基于MGS-LGBM算法的电力系统暂态稳定评估

多粒度级联轻型梯度提升机(MGS-LGBM)具有超参数设置简单、模型泛化能力强、分类准确率高、训练评估快等特点。为提高电力系统暂态稳定评估的准确性和快速性,将MGS-LGBM引入电力系统暂态评估中。首先通过时域仿真提取原始数据,构造能够反映系统稳定情况的23维特征量,输入MGS-LGBM模型中,稳定结果作为输出量,利用模型中的多粒度扫描和级联结构对样本特征和结果进行高效并行训练。通过新英格兰10机39节点系统仿真验证MGS-LGBM算法,通过与其它机器学习算法比较,算法在提高暂态评估准确率的同时兼顾快速性,且在含有无关特征和训练集较少的情况下仍能保持较好的评估性能。     

基于优化LS-SVM的电力系统暂态稳定域分析

针对电力系统暂态稳定域无法准确获取的问题,提出将最小二乘支持向量机映射高维空间中的点到分界超平面的距离作为稳定裕度,积分持续故障轨线直到该稳定裕度为0时的时间作为临界切除时间,并且将故障模式进行分类,通过最小二乘支持向量机分类器对故障模式进行识别。针对传统遗传算法收敛速度慢的问题,采用改进的遗传算法进行参数优化,以提高其识别率及运算速度。仿真结果表明,该方法可以有效地对故障系统临界切除时间进行估计,误差在允许范围内,并能准确判断故障模式。     

电力系统暂态稳定域估计的现状与展望

文章对近三十年来电力系统暂态稳定域估计的方法作了简要回顾,对各种方法的优缺点进行了评价,对近年来发展起来的稳定边界理论及ＢＣＵ法作了重点介绍,并在比较各方法的基础上提出了稳定域估计的发展方向。     

基于AW-BLS的电力系统暂态稳定评估

为有效降低电力系统运行数据中样本不平衡问题对基于机器学习的暂态稳定评估方法分类性能的影响,提出一种基于自适应权重宽度学习系统AW-BLS(adaptive weighted-broad learning system)的电力系统暂态稳定评估方法。首先,在BLS的宽度结构中引入权重因子以改进BLS模型,有效降低了两类样本数量差距对学习过程的影响。然后,利用电力系统故障前的稳态运行数据对AW-BLS模型进行训练。最后,通过算例分析表明,所提方法在数据集存在样本不平衡问题时具有良好的评估准确率,同时还拥有较好的泛化能力。     

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。     

基于聚类自适应主动学习的电力系统暂态稳定评估

为了解决电力系统暂态稳定评估中机器学习方法所需样本数多、仿真耗时长的问题,提出主动学习的方法.为了降低主动学习过程中选择样本的冗余度,提出一种聚类自适应主动学习选择策略.通过聚类选择初始样本,使初始样本具有代表性,加快了主动学习进程;将不确定性和代表性2种指标结合自适应地选择权重参数,使选择的样本冗余度低.CEPRI ...     

电力系统暂态稳定分析的并行算法研究

本文在基于多Ｔｒａｎｓｐｕｔｅｒｔ系统结构的并行处理计算机上，对电力系统暂态稳定分析的并行算法进行了研究。对所提出的并行算法在数据传输型并行计算机上的并行性能作了分析，提出了较好的通信方法。本文并行算法具有较高的并行性能，在多Ｔｒａｎｓｐｕｔｅｒ系统结构的并行计算机上是有效的。     

电力系统暂态稳定分析的混合算法

直接法和数值仿真法是电力系统暂态稳定分析的两种基本方法，本提出了一种混合算法，将上述两种方法有机地结合起来，扬长避短，快速而精确地求得某种故障下系统的临界清除时间，并对数值仿真法暂态稳定程序的输出结果进行分析，给出了临界机群的稳定度指标。