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。     

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。     

考虑样本不平衡的电力系统鲁棒暂态稳定评估

由于实际电力系统中暂态失稳样本稀少,基于数据驱动的暂态稳定评估方法面临训练样本类别分布失衡问题,严重影响暂态稳定评估结果的可靠性。针对此问题,提出了一种基于MAHAKIL过采样和BCLM的鲁棒暂态稳定评估方法。首先,通过MAHAKIL过采样改善原始样本集的类别分布;然后,基于BCLM构建电力系统鲁棒暂态稳定评估模型。在新英格兰10机39节点系统上的测试结果表明,所提方法能够显著降低原始样本类别失衡的影响,并对数据缺失和数据噪声具有较强鲁棒性。     

基于统计信息系数和Wasserstein生成对抗网络的风火系统暂态特征选择与两阶段稳定评估

为实现含新能源电力系统暂态稳定的在线更新,降低新能源机组出力、电压等特征对评估准确率的影响,提出基于统计信息系数和Wasserstein生成对抗网络的暂态特征选择和两阶段稳定评估模型。首先,改进最大信息系数中的网格划分方法,建立基于Pearson相关系数和统一信息系数的混合Markov决策模型,对风火系统暂态特征进行数据分析与特征选择。其次,以Wasserstein距离代替传统生成对抗网络中的JS散度,提出基于Wasserstein生成对抗网络的暂态稳定模型在线更新方法。同时依据一阶段暂态稳定评估置信度将样本划分为安全域样本与非安全域样本,提出一种两阶段暂态稳定评估方法。最后在改进的IEEE 39节点、IEEE 118节点系统中将所提方法与传统方法进行了对比,结果表明所提方法的暂态稳定评估准确度有所提高,且计算速度有所加快。     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

基于Elastic Net的暂态稳定裕度在线评估EI北大核心CSCD

随着电力系统规模的扩大和新能源技术的广泛应用,电力系统暂态稳定特性更加复杂,在线暂态稳定裕度评估面临严峻挑战。提出一种基于Elastic Net的电力系统暂态稳定裕度在线评估的新方法。该方法无需计算形成输入特征,直接面向量测数据,将系统稳态运行节点电压幅值与相角作为样本特征,利用Elastic Net算法完成特征筛选并构建量测数据与故障极限切除时间之间的映射关系,进一步将原始特征映射至高维空间以提高预测模型的准确性。最终,实现根据系统稳态运行信息对暂态稳定裕度的快速预测。对接入风电场的新英格兰39节点系统和IEEE 118节点系统进行算例分析,结果表明,该方法通过少量数据训练即可有效筛除无关特征并具有较高的预测精度。     

基于投影能量函数和Pin-SVM的电力系统暂态稳定评估

提出一种基于Pin-SVM的电力系统暂态稳定评估方法。首先,采用系统指标(如平均机械功率、初始加速度和系统冲击等)和投影能量函数指标(如投影角速度、投影角加速度和投影动能PKE)构建暂态稳定指标的原始特征集,通过最大相关最小冗余特征选择方法对暂态指标集进行特征压缩,寻找对电网暂态变化敏感度高的特征子集;然后,基于Pin-SVM思想将特征子集映射到高维空间,实现非线性暂态稳定评估问题的线性转换,进而引入分位数改变系统稳定类与不稳定类之间的最近点位置,将暂态稳定分类问题转换为在Pin-SVM中寻找最优分位数距离问题,以减小边界干扰样本的影响,提高电力系统暂态评估方法的评估准确率和稳定性。最后,以IEEE-39节点系统、IEEE-145节点系统和某实际算例进行仿真计算,计算结果验证了该方法的有效性和准确性。     

蒙特卡罗法在电力系统暂态稳定评估中的应用

随着电力系统规模的扩大和运行环境的日益复杂,基于概率的暂态稳定评估计算对于电力系统的规划和运行具有重要的意义。本文基于大电网的暂态稳定分析特点,对蒙特卡罗的状态采样、误差分析与收敛判据等关键内容进行了研究,提出概率暂态稳定性故障抽样模型、评估量化指标,以及基于蒙特卡罗方法的暂态稳定性评估流程。通过南方某省级电网实际算例分析,验证了所提方法在大电网暂态稳定性评估应用中的合理性和有效性。     

基于Elastic Net的暂态稳定裕度在线评估

随着电力系统规模的扩大和新能源技术的广泛应用,电力系统暂态稳定特性更加复杂,在线暂态稳定裕度评估面临严峻挑战。提出一种基于Elastic Net的电力系统暂态稳定裕度在线评估的新方法。该方法无需计算形成输入特征,直接面向量测数据,将系统稳态运行节点电压幅值与相角作为样本特征,利用Elastic Net算法完成特征筛选并构建量测数据与故障极限切除时间之间的映射关系,进一步将原始特征映射至高维空间以提高预测模型的准确性。最终,实现根据系统稳态运行信息对暂态稳定裕度的快速预测。对接入风电场的新英格兰39节点系统和IEEE 118节点系统进行算例分析,结果表明,该方法通过少量数据训练即可有效筛除无关特征并具有较高的预测精度。     

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。     

一种量化评估暂态电压稳定性的指标与方法

暂态电压稳定问题对系统安全稳定运行提出了严峻挑战,研究一种量化评估实际系统暂态电压稳定性的方法具有重要意义。在电力行业标准中大扰动情况下暂态电压稳定判据的基础上提出电压暂降指标,包括电压暂降严重性指标和电压合格性指标,涉及单一故障下节点电压暂降指标、多故障集下节点电压暂降指标以及系统电压暂降指标,并以此评估实际电网中任意节点或整个系统的暂态电压稳定性。算例分析采用广州电网2016年规划数据,利用PSD-BPA进行时域仿真,仿真分析结果体现了故障类型、负荷模型对暂态电压稳定性的影响,及所提指标用于量化评估实际系统暂态电压稳定性的直观性与有效性。     

嵌入轻量梯度提升机评估模型的暂态稳定预防-紧急协调控制

为了综合发挥运行方式控制和稳控切机控制对电网暂态稳定性的提升作用,提出一种嵌入轻量梯度提升机(light gradient boosting machine,LightGBM)评估模型的电力系统暂态稳定预防-紧急协调控制决策方法。为快速评估控制措施对稳定裕度的影响,首先利用混合控制样本生成方法和LightGBM算法构建预防-紧急控制对稳定裕度的评估模型,考虑到不合理的切机、切负荷控制可能破坏系统稳定性,利用LightGBM评估模型的数值灵敏度来辨识有效的控制地点、缩减决策空间。进一步将LightGBM模型嵌入暂态稳定双层优化控制模型、替代暂态稳定时域仿真校核,结合改进的非支配排序遗传算法(non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)实现协调控制策略的快速求解。通过IEEE 39节点测试算例,验证了所提方法能够实现不同严重程度的故障在发生前后的预防控制和紧急控制之间的协调配合,既提高了电网安全稳定性,又减小了优化调度成本。     

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。     

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。     

基于图卷积网络的快速暂态安全评估方法

快速、可靠的电力系统动态安全评估能够显著提高电力系统运行方式优化调整的效率。针对电力系统暂态稳定预想事故扫描需要完成大量仿真、过于耗时的问题,提出了基于图卷积网络的快速动态安全分析方法。该方法基于电力系统的潮流特征和拓扑特征构建电力系统潮流特征图。利用图卷积方法对电力系统运行状态进行特征挖掘与特征学习,将动态安全评估问题建模为图上节点分类问题。所得模型在读取电网拓扑与潮流运行状态后,仅须完成一次前向计算即可同时给出预想事故集中多个预想事故的稳定性预测结果,无须依赖仿真波形或量测数据,实现快速暂态稳定预想事故扫描。IEEE39节点系统算例测试表明,算法设计正确、高效、准确率高,能够显著提高暂态稳定预想事故扫描的效率,实现快速动态安全评估。     

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。     

基于概率不安全指标的暂态风险评估

电力系统规模的不断扩大和电力市场改革的进一步推进,给电力系统的安全稳定运行构成了威胁,因此对电力系统进行暂态稳定评估,了解系统真实的运行状况,具有重要的现实意义。以动态安全域为分析手段,提出了基于概率不安全指标的暂态风险评估模型,兼顾了电力系统运行的安全性和经济性,将系统的运行状况量化为一个经济指标。IEEE 4机11节点系统算例说明了该模型的有效性。     

融合邻域粗糙约简与深度森林的电力系统暂态稳定评估

在实际电网运行中,暂态稳定样本与暂态失稳样本间呈现出明显的不平衡关系,且误判失稳样本与误判稳定样本的代价不同。当前基于数据挖掘的暂态稳定评估方法多基于浅层模型,对误判暂态失稳样本的重视不够,且评估精度有待进一步提高。基于此,提出一种融合邻域粗糙约简与深度森林的电力系统暂态稳定评估方法。利用邻域粗糙集在不同粒度级别下寻找多组不同的最优特征子集以对原始特征进行再表征,通过深度森林的级联结构实现对原始暂态特征的表征学习,强化特征量与暂态稳定状态间的非线性映射关系;引入加权投票机制,提高分类过程对暂态失稳样本的重视。在IEEE 10机39节点系统上的实验结果表明,所提方法能够在提升评估精度的同时,有效降低了对暂态失稳样本的误判,在不同数据规模和不同程度的不平衡样本数据上均具有较好的表现,具有一定的鲁棒性和适用性。