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。     

基于混合方法的电力系统暂态稳定性分析

本文将数值仿真方法和暂态能量函数法相结合,提出了一种分析出力系统暂态稳定性的混合求解方法。该方法首先通过数值积分计算出系统的运行轨迹,然后利用暂态能量函数法判别出系统的稳定性。 为了避免不必要的、费时的数值积分计算,本文提出了一种仿真计算终止判据。另外,本文提出了一种曲线拟合技术,不仅可以快速地求解出系统在稳定情况下的稳定裕度,而且还可以估计出系统的极限切除时间等。 这种混合方法结合了数值仿真方法和暂态能量函数法两者的优点,为在线暂稳分析和控制提供了一个有力工具。     

利用神经网络检测电力系统的暂态稳定

电力系统暂态稳定检测是电力系统运行中的一个难题。神经网络在电力系统中的应用是一个比较活跃的领域，文章讨论了神经网络应用于暂态稳定的检测，包括神经网络模型的构建，样本的设计，样本输入／输出的计算等，并用实例加以验证。此外还引用了一种新型的ＢＬＱＰ神经网络模型。     

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.     

基于卷积神经网络的电力系统暂态稳定预防控制方法

为了更好地实现电力系统暂态稳定预防控制,提出了基于卷积神经网络(Convolutional Neural Network, CNN)的电力系统暂态稳定预防控制方法。通过CNN模型输出变量灵敏度选择控制发电机并确定控制量,然后采用CNN和时域仿真相结合的暂态稳定评估方法进行控制方案校核,得到使系统在预想故障下稳定的控制方案。采用某省级电网算例进行预防控制效果验证。结果表明,采用所提出的预防控制方法,可以找到使系统恢复稳定的预防控制策略。     

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机，结合装袋和近似推理，提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势，有效地提高了暂稳评估模型的泛化能力，并通过训练样本集重构解决了暂稳评估的多类识别问题，在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。     

基于GAN和多通道CNN的电力系统暂态稳定评估

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性。针对该问题,该文提出一种基于多通道卷积神经网络(convolutionalneural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法。首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考。在IEEE-39节点系统和某省级电力系统上仿真表明：所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性。     

基于模糊神经网络的电力系统暂态稳定控制决策

利用故障后短时间内各发电机的功角信息 ,提出了一种复合神经网络结构 ,用于确定首摆暂态稳定协调切机和切负荷决策。整个神经网络是由分类部分和决策部分组成的两级网络 ,分类部分采用一种模糊竞争径向基网络 ,决策部分采用模糊竞争前馈网络实现函数逼近功能。对4 9机实际系统的数值仿真研究结果表明 ,本文方法决策精度高 ,训练速度快 ,具有实用前景     

基于轨迹灵敏度的电力系统暂态稳定性定量评估

轨迹灵敏度是定量描述参数对动态系统行为影响的数学工具,蕴含了丰富的系统动态信息。分析了功角相对于故障切除时间的灵敏度与电力系统暂态稳定程度之间的关系,在惯性中心(COI)坐标系下,建立了定量评估发电机暂态稳定程度和全系统暂态稳定程度的指标体系。通过对单机无穷大(SMIB)系统和New England10机39节点系统的算例分析,结果验证了所提指标的单调性和有效性。将基于轨迹灵敏度的稳定评价指标与轨迹分析方法所提出的稳定指标相比较,结果表明评估电力系统暂态稳定性的指标仅需一次仿真计算即可准确评估发电机和全系统的暂态稳定性,无需建立能量函数、计算更为简捷,具有较好的应用价值。     

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。     

基于迁移学习的电力系统暂态稳定自适应预测EI北大核心CSCD

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

全概率型电力系统暂态稳定性研究

本文在传统电力系统暂态稳定性计算的基础上,考虑了影响系统稳定性各种因素的随机性,给出了规划设计阶段系统暂稳概率型指标的概念及求解方法。     

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。     

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。     

基于外部观测的电力系统暂态稳定性实时预测和控制方法

基于外部观测的思想，本提出了一种新的预测电力系统暂态稳定性的方法，在此基础上进一步提出了暂态稳定紧急控制的原理和算法。本所提出的方法简单，概念清楚，只需采集少量电磁功率，不需预先知道系统的网络结构和参数，能准确反映系统的真实运行情况。通过对两个实际系统的仿真结果表明，本方法的预测和控制结果准确有效。     

基于聚类自适应主动学习的电力系统暂态稳定评估

为了解决电力系统暂态稳定评估中机器学习方法所需样本数多、仿真耗时长的问题,提出主动学习的方法.为了降低主动学习过程中选择样本的冗余度,提出一种聚类自适应主动学习选择策略.通过聚类选择初始样本,使初始样本具有代表性,加快了主动学习进程;将不确定性和代表性2种指标结合自适应地选择权重参数,使选择的样本冗余度低.CEPRI ...     

电力系统暂态稳定快速仿真方法

本文着重研究电力系统暂态稳定快速仿真方法。在采用简单模型和分段线性化的基础上，通过适当的坐标变换，导出了一种直接求解仿真方法，并提出了一种基于后验误差的自动步长控制方法；结合隐式梯形积分规则，推导出了一种递推求解仿真方法。理论分析和仿真计算表明，这两种新方法计算简便快速，可快速“扫描”电力系统暂态过程，为电力系统暂态稳定实时仿真提供了一个有力工具。     

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。