电力系统暂态稳定概率评估方法

提出了一种基于蒙特卡罗-支持向量机的电力系统暂态稳定概率评估方法。首先构建了一组包含电力系统稳定和故障信息的原始特征,经特征选择降维后作为支持向量机的输入,在训练集上进行10折交叉验证,研究了4种支持向量机,其中径向基核支持向量机具有优良的评估性能;然后采用非序贯蒙特卡罗模拟方法选择随机因素,径向基核支持向量机加速暂态稳定评估过程,利用累计分类结果计算电力系统暂态不稳定概率。新英格兰39节点测试系统算例表明,该方法能大幅减少模拟时间,满足暂态稳定概率评估的精度要求。     

基于耦合模拟退火和最小二乘支持向量机的电力系统暂态稳定评估

针对现有支持向量机(SVM)在评估精度上的不足,提出一种基于耦合模拟退火和最小二乘支持向量机(LSSVM)的电力系统暂态稳定评估方法,将SVM中的约束转化为等式约束,经验损失用损失函数表征,实现二次规划与线性方程问题的转化。采用系统指标造原始特征集,通过最大相关最小冗余特征选择方法进行特征压缩,确定强相关特征集,将特征子集映射到高维空间,使非线性与线性分类问题的转化;然后,用耦合模拟退火法确定LSSVM的最优参数提高计算精度,并进行暂态稳定判别。最后,采用新英格兰10机39节点系统和某实际电网系统验证所提方法的有效性和准确性。     

基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估

理论和仿真研究表明,依靠少量受扰严重机组的动态特征能够有效地判别大电网的暂态稳定性。提出一种组合搜索严重受扰机组,并据此构造稳定评估原始输入特征的方法。进一步利用主成分分析法降低特征维数,构成机器学习评估模型的输入特征。在新英格兰39节点测试系统和IEEE 50机测试系统上,利用所提方法仿真实现了决策树、支持向量机和k最近邻法等暂态稳定评估模型,结果表明所提出的构建电力系统暂态稳定评估输入特征方法有效,有助于改变原始特征构建的主观和随意性。     

基于正则化投影孪生支持向量机的电力系统暂态稳定评估

提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题,并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先,构建由系统特征和投影能量函数特征组成的初始样本集,通过特征选择对初始特征进行压缩,获取可有效表征暂态稳定性的最优特征集。然后,基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类,寻找各稳定状态的最佳投影坐标轴,使稳定类投影到稳定类投影超平面上后尽可能地聚成簇,而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇,降低暂态稳定评估的计算时间,同时借助遗传算法进行参数选择以提高准确率。最后,通过IEEE-145和南方电网算例的仿真分析,验证了所提方法的有效性和准确性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性.     

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输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 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.     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

基于双阶段并行隐马尔科夫模型的电力系统暂态稳定评估

基于人工智能机器学习的暂态稳定评估越来越成为研究热点,提出一种基于双阶段并行隐马尔科夫模型(two-stage parallel hidden Markov model,TS-PHMM)的电力系统暂态稳定评估精细化模式识别方法。第1阶段采用相对灵敏度对原始电气特征量进行筛选,找出对电网动态变化敏感度高的特征子集;第2阶段采用主成分分析对特征子集进行排序,得到能够反映电网动态响应特性且线性无关的最优特征子集;最后,通过并行隐马尔科夫模型训练对暂态稳定进行模式识别。在CEPRI 8机36节点以及实际区域电网环境上的仿真分析,验证了该方法的有效性和精确性。在辨识准确率相当的情况下,该方法比常用人工智能类方法(如ANN,SVM等)所需训练样本更少、收敛更快。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度。首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估。通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度.首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估.通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率.     

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。     

基于响应轨迹和核心向量机的电力系统在线暂态稳定评估

针对现行调度需求提出基于响应轨迹和核心向量机的电力系统在线暂态稳定评估方法。首先将响应数据构建的原始特征集映射至高维特征空间,然后将暂态稳定评估问题定义为核心向量机中的最小闭包球问题,通过最优近似求解进行故障筛选和快速暂态稳定判别,且离线的训练和在线的匹配保证了暂态稳定评估过程能够满足在线计算的要求。10机39节点和某实际省级电网算例的计算结果表明,所提方法具有更低的时间和空间复杂度,并具有更高的评估精度。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节.针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果.     

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。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

基于MVEE和LSPTSVM的电力系统暂态稳定评估

针对采用模式识别法进行电力系统暂态稳定评估时输入特征集构建困难和评估模型训练速度慢的问题,提出一种基于最小体积闭包椭球理论(Minimum Volume Enclosing Ellipsoid, MVEE)和最小二乘投影孪生支持向量机(Least Square Projection Twin Support Vector machine, LSPTSVM)的电力系统暂态稳定评估方法。首先,根据MVEE理论对系统轨迹信息进行优化处理,确定高维空间内包含所有轨迹信息的最小体积闭包椭球,并利用最小体积闭包椭球的物理属性构建输入特征集,可有效实现特征集降维。其次,在传统投影孪生支持向量机的目标函数中引入正则化项,并改进评估模型的内部约束条件,提高模型的求解速度,达到大规模电力系统的计算效率需求。最后,通过对IEEE-39和IEEE-145节点系统的算例分析,验证所提方法的有效性与可行性。     

稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法

电力系统故障后在线暂态稳定评估是一个难题。目前基于数据挖掘方法的相关研究存在2个问题:评估规则缺乏电力系统理论依据,评估结果难以保证保守性。针对第1个问题,文章提出稳定域概念下的暂态稳定评估方法,其稳定评估规则是对稳定边界的近似与变换。针对第2个问题,文章提出一种基于新型支持向量机的暂态稳定规则训练算法。该算法的核心在于通过调整传统支持向量机模型得到保守支持向量机和激进支持向量机,利用这2种支持向量机生成的边界将输入空间分为3个区域:稳定区域、不稳定区域和灰色地带。稳定区域和不稳定区域的稳定性评估确保正确,灰色地带尽量小。最后,分别在IEEE 39节点系统和某省级电网中验证了该评估方法的有效性。测试结果不存在漏报警和误报警,灰色地带随着输入特征数的增加而减小,根据需要可以控制在一定范围内。