面向暂态电压稳定评估的卷积神经网络输入特征构建方法

以卷积神经网络(CNN)为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用,但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估,提出了一种适用于CNN的输入特征构建方法。首先,基于双阶段分区来降低输入特征的维度和冗余度,即先依据系统拓扑关系和地理位置约束给出初始分区结果,再以节点的暂态电压特征相似性进行聚类,得到降低维度和冗余度后的最佳分区方案;然后,在分区结果的基础上,考察影响交直流系统暂态电压稳定的关键因素,构建兼顾稳态特征量和多维度故障信息的输入特征;最后,将所构建的输入特征应用于CNN暂态电压评估模型,并采用实际电网数据进行验证。仿真结果表明,所提方法较传统特征选择方法具有更高的准确性。     

基于深度卷积神经网络的电力系统运行稳定性评估方法

研究了一种电力系统运行稳定性评估深度卷积神经网络算法.利用深度卷积神经网络算法对电力系统运行稳定性评估系统进行技术升级.采用深度卷积神经网络构建多层多列神经网络,对电网稳定性作出评价.系统对特定故障的评价效率显著提升,特别提升了评价判断特异性,减少了因对无故障电网运行状态做出稳定性预警而带来的额外检修工作量.深度卷积神...     

图像化数据驱动的电力系统暂态稳定性在线评估方法

目前电力系统暂态稳定性评估（TSA）大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法（2D-PCA）对原始图像进行特征降维,并建立卷积神经网络（CNN）模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。     

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。     

基于深度学习的电力系统暂态功角与暂态电压稳定裕度一体化评估

随着面向高比例可再生能源新型电力系统的转型,系统运行特性日趋复杂。暂态功角稳定(transientangle stability,TAS)与暂态电压稳定(transientvoltagestability,TVS)问题相互耦合且频发,为系统安全稳定评估带来严峻挑战。研究首先采用变步长二分法通过调用PSASP从时间维度上构建了暂态电压与暂态功角的稳定边界。研究了不同故障位置、感应电动机占比、负荷率对稳定边界的影响并依托边界确定主导失稳模式。其次提出一种基于注意力机制与一维卷积神经网络融合的电力系统功角稳定及电压稳定裕度评估的新方法。该方法直接面向测量数据,将节点稳态与暂态运行的电压幅值、有功功率、无功功率数据作为输入特征,节省了数据处理时间。通过一维卷积神经网络构建输入特征与极限切除时间的映射,利用注意力机制进一步提高了模型预测效果。通过新英格兰IEEE39节点系统进行分析验证,结果表明该方法可以实现暂态安全裕度的快速评估且具有较高的预测精度。     

基于卷积神经网络的暂态电压稳定评估及风险量化

提出了一种暂态电压稳定性评估及其风险量化方法.首先,探讨卷积神经网络(CNN)与暂态电压稳定评估的关联性和匹配性,建立了基于CNN的暂态电压稳定评估模型.其次,在可信度框架下引入四元评估结构,可有效解决CNN在稳定边界识别上对时域仿真依赖的难题.然后,通过评估结果获取暂态电压稳定裕度,并将其与可信度相结合来构建风险函数...     

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。     

一种量化评估暂态电压稳定性的指标与方法

暂态电压稳定问题对系统安全稳定运行提出了严峻挑战,研究一种量化评估实际系统暂态电压稳定性的方法具有重要意义。在电力行业标准中大扰动情况下暂态电压稳定判据的基础上提出电压暂降指标,包括电压暂降严重性指标和电压合格性指标,涉及单一故障下节点电压暂降指标、多故障集下节点电压暂降指标以及系统电压暂降指标,并以此评估实际电网中任意节点或整个系统的暂态电压稳定性。算例分析采用广州电网2016年规划数据,利用PSD-BPA进行时域仿真,仿真分析结果体现了故障类型、负荷模型对暂态电压稳定性的影响,及所提指标用于量化评估实际系统暂态电压稳定性的直观性与有效性。     

含电流限幅器的逆变器暂态稳定性评估方法

大扰动条件下,用于抑制逆变器故障冲击电流的电流限幅器可能引起逆变器发生暂态功角失稳。但限幅器使得逆变器的模型存在连续不可导运行点,导致无法评估逆变器暂态稳定性。针对这一问题,文中提出一种含电流限幅器的逆变器暂态稳定性评估方法。以下垂逆变器为例,构建含限幅器的下垂逆变器的能量函数,并刻画逆变器的稳定域,最后基于RTLAB实验平台验证了所提方法用于逆变器暂态稳定性评估的有效性。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于交叠概率的暂态电压稳定评估特征选择

针对电力系统的高维特征量,提出了一种能有效降低维数的特征选择方法.该方法以最小概率落入类别间的不可判别区域为原则选取特征组合.算法核心在于特征组合过滤判据的确定,判据的形成基于样本点落入类别间交叠区域的概率,方法简易直观.针对系统的暂态电压稳定评估问题,首先构建了一组暂态电压稳定评估的原始特征属性集,将经特征选择降维后的特征组合作为决策树的输入,并用10倍交叉验证方法对评估结果进行验证.2个标准系统的算例表明,通过该方法对暂态电压稳定评估进行特征选择得到的特征属性组合在电压稳定评估的应用上具有更高的准确率     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于神经网络模型的在线电压稳定裕度评估

为了在线快速评估当前电力系统稳定裕度,将回归分析和人工神经网络模型同时应用于电压稳定评估,用回归分析法来求负荷对电压稳定裕度的灵敏度,此种方法克服了传统潮流方法求取灵敏度的缺陷。为了改善神经网络模型的性能,根据预先设置好的灵敏度阀值来进行特征选择,从而减少输入变量的维数;然后设计了一个三层BP神经网络进行训练,求取电压稳定裕度,取得了很好的预测效果,最后在IEEE30节点系统上进行了验证。证明此方法的有效性。     

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。     

融合多维度特征的绝缘子状态边缘识别方法

针对传统的绝缘子状态识别方法存在实时性差、特征提取能力不足的问题,基于边缘计算的思想,提出了一种融合多维度特征的绝缘子状态边缘识别方法.利用云边协同和边边联邦协同的联合技术手段,构建了绝缘子状态的边缘识别框架.设计了一种融合多维度特征提取的深度学习网络,该网络采用ResNet101作为主干特征提取网络,使用Incept...