基于堆叠自动编码器的电力系统暂态稳定评估

将深度学习的思想和模型引入电力系统暂态稳定评估研究中,提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征,直接面向底层量测数据,通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种"预训练–参数微调"的两阶段学习方法,同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式,提取出有利于暂态稳定评估的高阶特征。此外,该方法能够通过大量无标注样本的无监督训练提高模型泛化能力,从而大大缩减训练样本时域仿真耗时。新英格兰10机39节点系统上的仿真结果表明所提方法比常规浅层评估方法的评估性能更加优越。     

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。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

考虑惯量中心频率偏移的自编码器暂态稳定评估

针对传统深度学习方法评估电力系统暂态稳定时没有考虑电力系统物理特性的问题,提出一种考虑系统惯量中心频率偏移量的电力系统暂态稳定评估方法.通过计算电力系统故障后的惯量中心频率偏移量,将样本进行分类,分别用堆叠稀疏自编码器进行训练.当系统网架结构发生改变时,采用迁移成分分析法结合惯量中心频率偏移量对分类器进行更新.通过新英...     

基于栈式混合编码器的水质传感器数据融合算法

由于浅层神经网络网络结构和训练方式的限制,网络学习能力和泛化能力在大样本条件下没有深度学习网络强,为此,提出了一种基于栈式混合编码器的水质传感器数据融合算法.该算法通过堆叠自动编码器和稀疏自动编码器形成深度学习网络模型,实现对样本数据的特征挖掘和稀疏表示.经过大规模样本训练后的网络模型能够拟合复杂非线性函数,对低质量的...     

基于深度置信网络的电力系统暂态稳定评估方法

为进一步提高电力系统暂态稳定评估(transient stability assessment,TSA)的准确率,将"深度学习"方法引入电力系统暂态稳定评估,提出一种基于深度置信网络(deep belief networks,DBN)的TSA方法。构建一组能够反映系统暂态稳定特性的32维原始特征作为DBN模型的输入量,稳定结果作为输出量,利用深层架构对稳定结果与系统特征之间的映射关系进行训练。采用一种先使用无标注样本进行贪心无监督学习,后使用有标注样本进行监督学习的方法训练DBN模型的参数。训练后的模型能充分利用深层架构的特征提取优势,并能够利用大量无标注数据提高模型的泛化能力。新英格兰10机39节点系统上的仿真结果表明所提方法比常用的暂态稳定评估方法准确率更高,且能够在仅少量训练样本和含有无关特征的情况下获得优越的评估性能。     

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。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法.该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出.首先通过变分自编码器对...     

基于加权综合损失优化深度学习和DGA的变压器故障诊断方法

为进一步提高变压器故障诊断效果,提出了一种基于加权综合损失优化深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以DGA特征量为输入,以Softmax层各故障状态概率分布为输出,基于堆栈稀疏自编码深度学习理论构建了变压器故障诊断模型。针对常规交叉熵损失函数下,变压器故障诊断效果偏低,训练样本不平衡分布影响故障诊断水平的问题,采用加权综合损失函数对深度学习模型进行优化。案例分析结果表明:相比传统方法,本文方法可削弱训练样本不对称对变压器故障诊断的不利影响并提高变压器故障诊断水平,各训练集下,本文方法故障诊断准确率可保持在90%以上。     

基于人工智能的暂态稳定裕度精细化预测

人工智能算法在暂态稳定评估中得到了很好的应用.然而,电力系统是时变大系统,训练数据无法涵盖所有工况,模型需要在有限时间内更新;电力系统中稳定样本数远大于失稳样本数,导致模型对失稳样本学习不足.针对以上2点,提出了基于人工智能的暂态稳定裕度精细化预测方法.该方法将改进的极限梯度提升(XGBoost)树与双XGBoost回归树集成,平衡了2类样本数量差异对模型的影响,并实现了裕度预测.当运行工况变化较大时,结合增量学习技术,以较少的样本和较短的时间对模型进行有效更新.在2套IEEE系统上的实验结果表明所提方法可应用于暂态稳定评估.     

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...     

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击（False Data Injection Attack,FDIA）是智能电网安全与稳定运行面临的严重威胁。本文针对FDIA检测中存在有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的虚假数据注入攻击检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充,然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题,最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30 节点系统上的算例分析表明,与其它FDIA检测的算法相比,本文方法增强了 FDIA 检测模型在有标签样本稀少和不平衡数据下的稳定性,提升了FDIA的识别精度并降低误报率。     

模块化五电平逆变器子模块开路故障的智能诊断方法

基于深度学习理论,提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平逆变器(MFLI)子模块开路故障诊断方法。该方法将MFLI子模块开路故障检测与定位问题转化成分类问题,首先将子模块电容电压信号组合成24通道序列信号,然后沿着24通道序列移动大小为24×40滑动窗口获得"数据带"样本,紧接着将"数据带"转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。此外,为了提高该方法的抗噪性能,利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的鲁棒性。结果表明,所提出的故障诊断方法平均准确度达到98.09%,故障平均诊断时间为31.47ms,且具有较高的鲁棒性。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

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.