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。     

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。     

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。     

基于主动迁移学习的电力系统暂态稳定自适应评估

基于深度学习的暂态稳定评估模型通常需要大量的有标注样本用于离线训练。一旦电网的运行方式和拓扑结构发生较大变化,预训练模型的性能将劣化甚至失效,使得在线评估时存在一定的空窗期。为了解决这一问题,以深度置信网络（DBN）为研究载体,将深度学习、迁移学习和主动学习相结合,提出一种基于DBN模型的主动迁移学习方法。首先,训练DBN来挖掘输入特征和暂态稳定评估结果间的映射关系,得到更好的暂态稳定评估效果。其次,当拓扑结构和运行方式发生较大变化时,通过短期仿真生成大量的无标注样本,利用主动学习来筛选少量最富有信息的样本,并通过长期仿真对这部分样本进行标注,显著减少了样本的生成时间。最后,计算源域和目标域数据分布的最大均值差异,选择不同的迁移路径,在确保迁移效果的前提下进一步缩短了迁移时间。采用新英格兰10机39节点系统、NPCC 48机140节点系统和中国华中电网进行了仿真,结果验证了所提方法具有高精度、快速性和鲁棒性,有效缩短了深度学习模型在线应用时的空窗期。     

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。     

基于生成对抗网络的暂态稳定预防控制

针对电力系统暂态稳定预防控制在线计算的复杂性,提出一种基于生成对抗网络的暂态稳定预防控制方法。通过将暂态稳定预防控制建模为样本空间映射问题,该方法利用数据驱动方法训练生成模型,建立从暂态失稳运行空间到暂态稳定运行空间的映射。模型通过调整电网中发电机的有功出力,提高电网的暂态稳定裕度,使电网运行点满足暂态稳定校核的要求。与传统优化建模方法相比,所提方法通过神经网络的前馈推断求解控制策略,无需迭代求解,极大地提高了求解效率。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和有效性。     

基于一维卷积神经网络的电力系统暂态稳定在线评估

传统电力系统暂态稳定评估基于时域仿真计算,计算复杂度高,难以在线应用。提出一种基于一维卷积神经网络的电力系统暂态稳定在线评估,可极大提升暂态稳定在线评估速度。通过马尔可夫链蒙特卡洛抽样算法进行电力系统运行状态模拟,生成大规模运行数据。通过电力系统时域仿真计算确定发电机最大功角差。将电力系统运行数据作为一维卷积神经网络的输入,发电机最大功角差作为输出,训练一维卷积神经网络。在线应用场景下,一维卷积神经网络可基于当前运行数据快速计算发电机最大功角差,实现暂态稳定性在线评估。新英格兰39节点系统验证了所提在线评估算法的可行性。     

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...     

基于卷积神经网络的电力系统小干扰稳定评估

随着电力系统规模的增大,通过传统数值方法计算系统特征值来进行小干扰稳定评估已无法满足实时分析的要求。因此,提出了一种基于深度学习(卷积神经网络)的电力系统小干扰稳定评估方法。该方法以广域测量系统可监测变量作为模型的输入,关键特征值作为输出,对输入数据和输出数据进行相应处理后,利用深层架构对其映射关系进行分析;并针对大系统维数较高、训练速度较慢的问题,采用了离散余弦变换和图形处理器并行技术。算例结果表明,在不考虑控制参数变化的情况下,经过历史数据的离线训练后,该方法能够较准确地计算出系统的关键特征值。     

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。