基于代价敏感堆叠变分自动编码器的暂态稳定评估方法

机器学习算法在训练过程中,难免会遇到样本不平衡的情况,同时,对于电力系统来说稳定样本与不稳定样本的误分类代价是不同的,因此提出一种基于代价敏感堆叠变分自动编码器(stacked variational auto-encoder,SVAE)的电力系统暂态稳定评估方法。在模型训练过程中,通过改变误分类结果对模型参数调整的权重系数,修正了判别模型在不平衡样本训练过程中的倾向性,并提高了模型全局准确率。在此基础上,进一步提高不稳定样本的权重系数,有效加强了模型对不稳定样本的拟合程度,降低了不稳定样本的误判情况。在IEEE-39节点系统下的仿真结果说明,在不平衡样本情况下,所提方法可以改善判别结果的倾向性;在平衡样本情况下,通过误分类代价的设定可以有效降低不稳定样本的误判情况。     

基于后验分布信息的SSAE暂态稳定评估模型倾向性修正方法

为了解决样本不平衡带来的评估倾向性问题,从深度学习模型的损失函数出发,分析样本不平衡对评估模型的影响,发现训练过程中的损失函数值能够反映样本的不平衡程度,由此提出基于样本后验分布信息的代价敏感修正方法.通过预先训练获得样本的后验分布信息,引入稳定样本与不稳定样本的损失函数均值比得到修正系数;将修正系数通过代价敏感法修正...     

基于梯度范数的暂态稳定评估模型的不平衡修正方法

为了解决电力系统中样本数量和质量不平衡造成的暂态稳定评估偏差问题,从评估模型的训练过程出发,通过预训练模型获得样本对模型参数修正的梯度范数,引入梯度范数均值比量化样本的不平衡程度,相较于先验信息,梯度范数均值比综合考虑了样本数量与样本质量的不平衡,并提出基于代价敏感法的不平衡修正方法,利用该方法改善模型的评估倾向性,以实现较好的修正效果。IEEE 39节点系统和华东电网系统的仿真结果验证了所提方法的有效性。     

基于受扰后量测响应信息的两阶段电力系统暂态稳定评估

为充分挖掘电力系统受扰后的量测响应信息,并提供给后续控制更丰富的参考,提出了一种基于快照集成门控循环单元(gated recurrent unit,GRU)网络的两阶段电力系统暂态稳定评估方法。该方法通过单次训练过程即可高效构建集成模型,且直接面向底层量测数据,可快速完成线上部署。在线应用时,首阶段通过分类模型进行动态的分层评估,逐级筛选出可信样本;次阶段利用回归模型实现进一步的暂态稳定裕度定量预测。此外,通过对模型的损失函数进行修正,有效克服了样本不平衡并强化了对困难样本的挖掘。仿真结果验证了所提方法的有效性,且所提模型的评估性能相较于其他机器学习模型具有显著优势。该文作为前瞻性理论研究,为数据驱动的在线暂态稳定评估的实现提供一种新思路。     

基于集成学习的时间自适应电力系统暂态稳定评估方法

对于电力系统暂态稳定评估而言,在故障清除后的早期阶段,临界样本间的特征差异不明显,预测准确率低。随着时间推移,准确率提高,但难以保证评估的及时性。针对暂态稳定评估的评估准确性与及时性之间的矛盾,提出了基于集成学习的时间自适应电力系统暂态稳定评估方法。首先,通过EasyEnsemble算法对不平衡数据进行采样,训练出多个不同评估时刻的集成长短期记忆网络分类器,输出样本在不同评估时刻的稳定性预测结果。其次,将评估时刻进行划分,提出了多阶段阈值分类规则,自适应调整阈值,对样本预测结果进行可信度评估。最后,预测结果评估为不可信的样本交由下一评估时刻的模型继续判断,直到可信度达到阈值后输出。在IEEE 39节点系统的仿真结果表明,所提方法相较于其他时间自适应方法具有更优的评估性能,在样本不平衡的情况下该方法实现了更好的修正效果。     

样本不平衡情况下的电力系统暂态稳定集成评估方法

为了在电力系统发生暂态故障后能够快速、准确地对系统稳定性进行判断,并解决样本不平衡对模型造成的倾向性问题,提出了一种基于改进损失函数的电力系统暂态稳定集成评估方法.首先,基于故障清除后的短时量测数据,设计了一种结合1维、2维单通道和2维多通道卷积神经网络的集成模型,实现了端对端的抽象特征提取和暂态稳定分类.其次,改进了模型训练过程中的损失函数,加强了对失稳样本的拟合程度,增加了错分样本的权重,从而提高了全局准确率,并减少了失稳样本漏报现象的发生.此外,文中还分析了集成模型输出的判定阈值对失稳样本召回率的影响.最后,IEEE 39节点系统和IEEE 145节点系统的仿真结果验证了所提方法的有效性.     

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。     

考虑数据缺失的电力系统暂态稳定自适应集成评估方法

随着电力物联网概念的提出,暂态稳定评估在电力系统规划运行中扮演着越来越重要的角色.由于同步相量测量单元(PMU)的广泛配置,基于机器学习和PMU在线量测数据的暂态稳定实时评估方法展现出了巨大的发展潜力.针对这类方法在应用中可能因PMU失效而严重影响精度的问题,文中提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法.首先,在保证全网节点可观性的基础上构建考虑PMU重要性的PMU子集集合搜索算法.然后,根据PMU子集对应的特征集训练暂态稳定评估子模型.最后,在任意可能的PMU失效情况下采用自适应加权融合机制构建集成暂态稳定评估模型.在新英格兰10机39节点电力系统上的仿真表明,文中提出的方法在PMU失效造成的数据缺失下仍然能够准确、可靠地进行暂态稳定评估,在鲁棒性、计算量及准确率上相比已有的方法均具有较大优势.     

融合JMIM和NGBoost的电力系统暂态稳定评估方法

为实现电力系统暂态稳定在线快速评估和可信度评价,提出了一种融合联合互信息最大化(JMIM)和自然梯度提升(NGBoost)的暂态稳定评估方法.基于JMIM,采用联合互信息和"最大最小值"原则挖掘海量输入数据的相关性,从而筛选出电网关键运行特征,避免维度爆炸问题.为实现高可信度的暂态稳定评估,构建NGBoost驱动的暂态稳定评估模型,可以以函数形式对模型的条件概率分布参数进行预测,进而实现概率预测,并量化可信度.结合自适应可信度阈值修正方法,实现对系统受扰状态暂态稳定的时序评估.利用新英格兰10机39节点系统和中国某省级电网数据进行了算例测试.与其他机器学习方法相比,所提方法在噪声干扰下具有更好的鲁棒性,可更准确识别不稳定运行状态.     

基于改进LightGBM的电力系统暂态稳定评估方法

实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性;在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。