基于深度残差网络的电力系统暂态电压稳定评估

随着人工智能技术的发展,基于数据驱动的深度学习方法可兼顾在线评估的快速性与准确性。通过分析电力系统的电压时序信息,构建暂态电压稳定裕度指标。基于实时获取的广域测量信息,选择代表潮流水平的稳态信息、代表故障冲击程度的故障瞬间信息以及代表故障持续进展的滑动信息构建半固定半滑动的异构样本集,基于深度残差网络构建暂态电压稳定评估模型,分别输出系统的暂态电压稳定评估结果、各监测母线的暂态电压稳定评估结果以及电压稳定裕度信息,为在线监控提供指导。在计及高压直流输电和风电接入影响的改进中国电科院36节点系统进行仿真验证,结果表明,该方法无需接收保护设备的故障切除时间信息,可在故障切除时刻之前给出高精度的评估结果,具有较高的实时性和准确性。     

基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输...     

基于图注意力深度网络的电力系统暂态稳定评估

常规深度学习模型应用于电力系统暂态稳定评估时难以直观和充分地考虑电网拓扑结构对稳定性的影响.论文结合"图深度学习"思想,将图注意力网络(graph attention network,GAT)引入TSA建模,设计了多头注意力方案,采用加权交叉熵损失函数改善不均衡样本的训练效果,提出多图并行训练方案加速训练过程.结合算例...     

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。     

基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

基于深度残差收缩网络的电力系统暂态频率安全集成评估

在我国能源结构加速转型、力争实现“双碳”目标的背景下,传统电力系统也将迎来结构性的转变。其中由于可再生能源的随机性、不确定性和低惯量等特性,大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点,故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。为实现对系统频率安全的快速评估,提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的电力系统暂态频率安全集成评估方法。深度残差收缩网络在深度残差网络的基础上引入注意力机制,能够增强有用信息并抑制冗余信息。在此基础上,将样本按最大频率变化率进行划分,并分别采用DRSN网络进行训练构建集成模型。通过引入风电的新英格兰39节点和118节点系统上的仿真结果,表明所用方法与传统深度学习方法相比精度更高,并有着优异的泛化性、鲁棒性和适用性。     

基于网络局部信息实时电力系统暂态稳定性预测

在基于网络信息电力系统暂态稳定性定量评价支路势能法基础上,应用适应性滤波的时间序列自回归(AR)模型预测算法对系统扰动后支路的有功功率及电压相角差进行预测分析,并根据预测信息构建定量评价电力系统暂态稳定性的指标。New England 10机39节点系统的仿真计算表明,暂态稳定性预测仅建立在网络局部信息的基础上,避免了对系统全局动态信息依赖,具有良好的预测精度。     

基于深度残差网络的电力系统潮流计算

为更简单、快速地进行潮流计算,提出了一种基于深度残差网络的多节点电力系统潮流算法。首先,应用仿真软件Power World Simulator中的一个典型电网实例采集样本;然后,在TensorFlow平台搭建基于深度残差网络的多节点电力系统潮流计算模型;最后,根据模型预测结果完成对方法的分析。结果表明：与传统潮流算法及基于人工神经网络的潮流算法相比,所提方法在快速性、收敛性及精度方面具有极大的优越性。     

基于深度森林的电力系统暂态稳定评估方法

快速准确地实现暂态稳定评估,是电力系统安全运行的重要保障.近年来迅速发展的深度学习技术已经成为解决这一问题的有效手段,然而基于神经网络的深度学习模型存在着调参困难、训练时间长和样本需求量大等缺点.文中将故障切除时刻系统的物理量作为输入特征,以系统的暂态稳定状态作为输出结果,采用集成决策树方法,构建了基于深度森林的电力系...     

基于CycleGAN与深度残差网络的局放数据增强与模式识别方法

为了解决局放模式识别的准确性受不平衡样本与神经网络深度结构制约的问题,提出了一种基于CycleGAN与深度残差网络的局放数据增强与模式识别方法。首先对稀疏表示去噪及脉冲提取得到的局放脉冲信号进行S变换得到局放时频谱图作为训练样本。然后利用CycleGAN实现对局放时频谱图的重构增强,同时引入对抗损失函数、循环一致性损失函数,以保证局放数据的高质量生成,扩充后的局放样本库丰富度更高。最后利用增强后的局放数据集训练深度残差网络,利用残差块的恒等映射结构自适应调节网络深度,解决了深度网络不易收敛的问题,同时实现对局放信号的精准辨识。实验结果表明,经数据增强的深度残差网络模式识别准确率达到98%,较增强前提高了6.8%。     

基于一维卷积神经网络的电力系统暂态稳定评估

系统遭遇暂态故障的过程是随时间发展的过程,基于传统机器学习的暂态稳定评估方法通常难以捕捉其时间维度信息,限制了评估性能的提高。针对该问题,提出了一种基于一维卷积神经网络(1D-CNN)的暂态稳定评估方法。该方法直接面向底层量测数据,凭借其特有的一维卷积和池化运算特性,能自动提取出暂态过程所蕴含的时序特征,从而达到对系统暂态稳定状态准确刻画的目的。设计了一种适用于暂态稳定评估的四卷积层1D-CNN模型,实现了端到端的"时序特征提取+暂态稳定性分类",并通过调整模型关键参数以提高失稳样本查全率,增强了评估结果的可靠性。新英格兰10机39节点测试系统的仿真实验表明,相较于传统机器学习暂态稳定评估方法,所提方法能以更短的响应时间做出更准确的暂态稳定性判断,满足在线暂态稳定评估准确性与快速性的要求。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于GPS的电力系统暂态稳定预测

提出了一种基于ＧＰＳ的电力系统暂态稳定性预测方法,该法利用ＧＰＳ相量测量单元采集所得的各发电机功角及角速度等变量,根据发电机单元模型预测发电机未来的行为,并由预测结果来判别系统的稳定性。理论分析及算例证明了方法的合理性和有效性。     

基于改进CGAN的电力系统暂态稳定评估样本增强方法

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点,由于实际电力系统中暂态失稳情况极少,给通过数据挖掘方法判断失稳情况带来了极大困难。针对这个问题,提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法,对条件生成对抗神经网络(CGAN)训练方法的适应性进行改进以提高其学习稳定性,在离线训练时利用改进CGAN交替训练生成器和判别器,学习电力系统暂态数据的分布特性,然后采用极限学习机(ELM)分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本,将其中失稳样本对原始失稳样本进行增强,最后用增强后的原始样本训练分类器,实现在线暂态稳定评估。仿真结果表明,所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习,进而提升暂态稳定评估的正确率,具有抗噪声干扰性强、对高维数据鲁棒性好的优点,能够有效平衡电力系统失稳数据。     

基于卷积神经网络的暂态电压稳定快速评估

随着特高压直流输电的发展和负荷构成及特性的变化,暂态电压问题严重威胁系统的安全稳定运行。基于卷积神经网络(CNN),提出一种交直流受端电网分区暂态电压稳定快速评估方法。计及系统快速动态响应元件影响,基于暂态电压时序信息构建暂态电压跌落面积矩阵,利用基于t分布的随机近邻嵌入(t-SNE)算法将其映射到二维平面,对受端电网进行分区。依据节点相对距离选择各分区稳态潮流特征。构建线路故障严重度指标,据其对故障线路号进行编码,将编码结果与故障线路号共同作为故障特征。采用粒子群优化算法确定各分区CNN最优卷积核大小和数量,提升CNN性能。实际多馈入交直流电网的仿真结果表明了方法的有效性。     

基于暂态能量变化率的电力系统多摆稳定性判别新方法

缺乏系统稳定性定量分析软件是失去紧急控制的良机，甚至酿成大停电事故的重要原因之一。迅速发展的广域测量系统(WAMS)为在线快速定量稳定分析的研究提供了新的契机。该文基于WAMS同步轨迹信息，从单机能量函数入手，详细分析暂态不平衡能量变化率与系统多摆稳定性的关系，并证明暂态不平衡能量变化率的相关性质，从而提出一种新的多摆稳定性识别判据。在中国电科院6机22节点系统进行仿真验证，仿真结果验证了方法的有效性。     

基于改进数据结构的电力系统暂态稳定并行仿真

通过分析电力系统暂态稳定问题的特点,提出了一种新的采用隐式积分联立求解法的空间分块并行算法。为了避免联立求解法存在的编程复杂的不足,设计了一种易于并行求解的数据结构。采用这种数据结构减少了算法求解过程中的非零注入元,简化了编程,并且使得现有的并行程序中的一些串行计算部分例如残差修正的计算实现了并行化。对实际运行的华中电网的仿真计算表明,最高的仿真加速比达到8.34,充分证明了所提出的算法和数据结构的有效性。