基于堆叠变分自动编码器的电力系统暂态稳定评估方法

通过模型的构建和特征量的提取2个方面,提出了一种具有较好抗噪能力的暂态稳定性判别模型。模型的构建采用堆叠变分自动编码器,并在训练过程中引入L2正则化,加强了稳定性判别模型的泛化能力。同时,特征量的提取时刻与传统方法不同,通过设定所有发电机最大功角差值的阈值,当系统发展至该阈值时,进行特征量的提取。在IEEE 39节点系统中进行仿真验证,仿真结果表明,采用上述特征量提取方法,大幅降低了稳定性判别模型的误判率,同时设定合理的阈值并不会影响实时控制措施的启动,加强了模型的抗噪能力。     

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。     

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。     

基于AW-BLS的电力系统暂态稳定评估

为有效降低电力系统运行数据中样本不平衡问题对基于机器学习的暂态稳定评估方法分类性能的影响,提出一种基于自适应权重宽度学习系统AW-BLS(adaptive weighted-broad learning system)的电力系统暂态稳定评估方法。首先,在BLS的宽度结构中引入权重因子以改进BLS模型,有效降低了两类样本数量差距对学习过程的影响。然后,利用电力系统故障前的稳态运行数据对AW-BLS模型进行训练。最后,通过算例分析表明,所提方法在数据集存在样本不平衡问题时具有良好的评估准确率,同时还拥有较好的泛化能力。     

基于MRMR-DRSN的电力系统暂态稳定评估

随着电力系统的广泛互联互通和相量测量单元（phasor measurement unit,PMU）的广泛应用,电力系统的安全运行面临着巨大挑战。为实现对电力系统运行状态快速、准确、有效的评估,提出了一种基于最大相关-最小冗余（max-relevance and min-redundancy,MRMR）准则和深度残差收缩网络（deep residual shrinkage network,DRSN）的暂态稳定评估方法。首先,利用MRMR准则进行特征选择,并将筛选后的关键特征和相应的类标签作为DRSN模型的输入和输出进行离线训练。然后,制定模型更新机制以应对电力系统运行工况变化。最后,基于PMU实时数据和训练好的DRSN,可立即提供暂态稳定评估结果。在IEEE 10机39节点系统上进行测试,结果表明,所提方法相较于其他数据驱动方法的综合评估性能更优异,同时还具有较好的抗噪性能和鲁棒性。     

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MGS-LGBM算法的电力系统暂态稳定评估

多粒度级联轻型梯度提升机(MGS-LGBM)具有超参数设置简单、模型泛化能力强、分类准确率高、训练评估快等特点。为提高电力系统暂态稳定评估的准确性和快速性,将MGS-LGBM引入电力系统暂态评估中。首先通过时域仿真提取原始数据,构造能够反映系统稳定情况的23维特征量,输入MGS-LGBM模型中,稳定结果作为输出量,利用模型中的多粒度扫描和级联结构对样本特征和结果进行高效并行训练。通过新英格兰10机39节点系统仿真验证MGS-LGBM算法,通过与其它机器学习算法比较,算法在提高暂态评估准确率的同时兼顾快速性,且在含有无关特征和训练集较少的情况下仍能保持较好的评估性能。     

基于CBAM-CNN的电力系统暂态电压稳定评估

为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法。首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的数据从通道和空间两个独立的维度依次提取特征,提高卷积神经网络对系统暂态电压状态的识别能力。然后,将该模块与微调技术相结合,提高模型在系统拓扑结构改变时的在线更新速度。最后,算例分析验证了所提模型的有效性。     

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KM-RF算法的电力系统暂态稳定评估

针对电力系统暂态稳定评估当中数据不平衡处理以及评估性能优化问题,提出了一种基于随机森林和K-means聚类的组合分类算法的暂态稳定评估方法.选取具有代表性的特征量构成原始特征集,并对数据进行归一化处理和相关性分析,以提升性能和运算效率.使用K-means聚类算法进行类分解,解决数据的不平衡问题,然后使用随机森林算法进行评估.最后,利用新英格兰10机39节点测试系统仿真,并与决策树、随机森林和支持向量机算法进行比较.在命中率、准确率以及整体系数上所提方法均为最高,误中率则是最低,由此表明方法效果好、误差小,具有一定的实用价值.     

基于XGBoost算法的电力系统暂态稳定评估

针对暂态稳定评估问题的特点,在改进极限梯度提升(XGBoost)算法的基础上进行暂态稳定评估。根据电网物理特点,定义能够反映电力系统稳态运行状态的特征集;研究XGBoost算法用于暂态稳定评估的过程:针对暂态稳定预测中2类错误严重程度不同的特点,定义包含注意力系数的对数损失函数,使得模型对不稳定样本的误预测情况减少;使用Logistic函数将模型输出概率化,用于衡量XGBoost模型输出的可靠程度,预防部分误预测;给出针对任意系统随机产生样本集的方法。IEEE 39节点系统仿真结果表明,XGBoost算法在准确率上均高于其他几类常用机器学习算法,优化后的损失函数降低了不稳定样本错误分类的可能性,使该算法的召回率较优于其他方法,且概率化输出的形式有助于评估模型输出的可靠程度,降低了误预测的概率。     

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。     

电力系统暂态稳定的快速评估

本文提出了一种电力系统暂态稳定的快速评估方法,编制了计算程序,与常规快速暂态稳定计算程序的计算结果作了对比。计算时间大为缩短,并能指出暂态稳定的储备系数及临界机号。程序采用简化数学模型,可用于规划设计的暂态稳定评估和系统运行的初步分析。     

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。     

电力系统暂态稳定概率评估新策略

提出一种基于修正暂态能量函数法的暂态稳定概率评估新策略。该策略的优点在于:它只需对系统中很小一部分的严重故障进行暂态稳定计算,求取其临界切除时间,因而能够极大地减少计算量,提高暂态稳定概率评估的效率。在159机1660节点的华北电力系统上的算例说明了该评估策略的有效性和实用性。     

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.     

基于信息融合技术的电力系统暂态稳定评估

应用信息融合技术对电力系统暂态稳定进行评估,提出了一种基于"结合人工神经网络和D-S证据理论的信息融合模型"的电力系统暂态稳定评估方法。当电力系统发生故障时,采用该方法可以综合来自电网和发电机的多个信息源对电力系统的暂态稳定进行判别。首先,选取能迅速反映电力系统暂态过程的特征量,如功角、加速度、转子动能等,进行像素级融合。然后,将这些特征量划分为时间和空间2个征兆域,并分别输入至设定的3个子神经网络进行特征级融合。最后,将特征级融合的输出作为决策级融合的输入,利用D-S证据理论实现时间域和空间域的决策级融合,从而提高了电力系统暂态稳定评估的可靠性。利用中国版BPA暂态稳定程序和电力系统全过程动态仿真软件,对7机24节点系统进行了仿真。仿真结果表明,基于信息融合技术的电力系统暂态稳定评估方法较基于人工神经网络的评估方法更为快速、准确。     

基于稀疏贝叶斯学习的电力系统暂态稳定评估

介绍了基于稀疏贝叶斯学习理论的模式识别技术相关向量机及其分类器,在此基础上构建了电力系统暂态稳定评估模型.以EPRI36电力系统暂态稳定仿真数据为例,在相同的数据输入和相同的仿真环境下同时构建相关向量机和支持向量机2种暂态稳定评估模型.仿真预测计算显示,作为一种全新的概率学习模型,相关向量机不仅得到了比支持向量机更高的预测精确度,而且还能得到支持向量机无法完成的概率性预测和更高的稀疏性计算.     

基于PC机群的电力系统暂态稳定评估

社会与经济的发展对电力的需求日益增加,同时对电力系统的安全稳定性也提出了更高的要求。结合先进的计算机和通信技术,提出了新型的电力系统暂态稳定评估方法。通过基于PC机群的并行化程序设计技术,某区域电网实际系统的仿真算例表明该方法能够取得比较理想的加速比和并行效率,具有广阔的工程应用前景。     

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...