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。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。     

基于深度学习的电力系统暂态稳定评估方法

在机器学习领域,暂态稳定评估问题被定义为通过大量故障样本来估计稳定边界的二分类问题。该文提出了一种深度学习方法来解决这个二分类问题。该方法包含4个步骤:首先,利用样本数据构建原始输入特征来描述电力系统动态特性;然后,采用变分自动编码器(variational auto-encoders,VAE)对原始输入特征进行无监督学习实现特征抽取,从而获得高阶特征;之后,对卷积神经网络(convolution neural network,CNN)进行有监督学习训练得到高阶特征与电力系统暂态稳定性之间的映射关系;最后,将训练得到的模型应用于电力系统在线暂态稳定评估。在新英格兰39节点测试电力系统的仿真试验表明,所提出的暂态稳定评估(transient stability assessment,TSA)模型具有评估精度高、不稳定样本评估错误率低、抗噪声干扰能力强的特点,适合基于广域测量信息的准实时在线暂态稳定评估。     

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。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估EI北大核心CSCD

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。     

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。     

基于深度置信网络的电力系统故障诊断方法

当前电力系统故障诊断节点多为目标式设定结构,诊断效率较低,导致故障诊断的F1接近0,故基于深度置信网络设计一种电力系统故障诊断方法并对其进行验证分析。根据当前的测试需求,采用多层级的方式,提升整体的诊断效率,部署多层级故障数据采集节点。以此为基础,进行故障特征提取,构建深度置信网络电力系统故障诊断模型,采用交叉核验评定的方式来实现故障诊断处理。测试结果表明,通过4个周期的阶段性测定与比对,最终该电力系统故障诊断的F1值为1,为最佳的诊断结果,说明在深度置信网络的辅助和支持下,设计的诊断方法更为精准、高效,具有实际的应用价值。     

基于XGBoost-EE的电力系统暂态稳定评估方法

深度学习在暂态稳定评估中发挥着越来越重要的作用,然而电网规模逐渐扩大导致数据出现维数灾难,这对模型的性能提出了更高的要求.目前,暂态稳定特征构建需要依靠人工经验,具有主观性;深度学习的模型在设计和训练上耗时、耗力.针对以上两点,结合极限梯度提升(XGBoost)算法和实体嵌入(EE)网络,提出了一种基于XGBoost-...     

基于LightGBM的电力系统暂态稳定评估方法

为了快速准确地对电力系统的运行状态进行评估,提出了基于LightGBM的电力系统暂态稳定评估方法。首先,利用基于最大信息系数的特征选择算法进行数据降维,筛选出与暂态稳定指标高度相关的关键特征。然后,使用选定特征和相应的暂态稳定指标构建数据集对评估模型进行训练。最后,在接收到来自相量测量单元的实时数据后,基于LightGBM的暂态稳定评估模型提供评估结果。在39节点系统和一个实际的1648节点系统上对所提方法进行应用与验证,结果表明所提出的基于LightGBM的暂态稳定评估方法可保证在线实际应用的时效性和准确性,能有效降低电力系统潜在的运行风险。     

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。     

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。     

电力系统暂态稳定评估方法的探讨

介绍了电力系统暂态稳定问题的数学描述,从基于数学模型的与基于样本知识学习的角度对目前各种暂态稳定分析方法进行比较,探讨了各种方法存在的优缺点,提出了对人工智能型电力系统稳定评估方法的思考。     

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.     

基于改进长短期记忆网络的电力系统暂态稳定评估方法研究

现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制的长短期记忆网络(long short term memory network with attention,LSTMA)方法,用以深入挖掘暂态稳定评估样本中所蕴藏的信息。在离线训练环节,以长短期记忆网络为基础分类器,引入Attention注意力机制引导模型学习样本中关键特征,并对损失函数进行改进,以此强化对不平衡样本的学习能力;在线应用环节,在目标域小样本条件下采用迁移学习方法更新成型的离线LSTMA模型,并对比不同迁移学习策略对模型性能影响,经过迁移学习建立的新运行点下的改进LSTMA模型评估精度有效提高,训练时间大幅减少,所得出的迁移学习策略确定方法有利于实际应用环节快速决策。研究在IEEE39节点和IEEE300节点系统上进行实验,验证了所提方法的有效性。     

基于主动学习的电力系统暂态稳定评估方法

随着泛在电力物联网概念的提出,暂态稳定在电力系统运行控制中扮演着越来越重要的角色.由于相量测量单元(Phasor Measurement Unit,PMU)的广泛配置,基于机器学习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离线训练数据生成耗时及造成的难以在网架发生变化后快速更新模型的问题,论文提...     

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。