用于暂态稳定评估的人工神经网络输入特征离散化方法

针对基于人工神经网络的暂态稳定评估数据预处理中的数据离散化进行了深入的研究，提出了一种基于信息熵和粗糙集理论的输入特征离散化新方法：通过对样本空间的聚类分析筛选出各条件属性在离散化过程中的可用断点；利用信息熵的相关概念，构建各条件属性的候选断点集；采用粗糙集理论中决策表不相容度的概念，检测出各条件属性间的最优断点组合。算例表明：该方法在保证暂态稳定评估精度的前提下，能有效地压缩训练样本集，减轻神经网络的训练负担，为基于神经网络的大系统暂态稳定评估提供了新思路。     

改进主成分分析法用于暂态稳定评估的输入特征选择

在不损失原始数据主要信息的前提下，利用主成分分析进行输入特征变量的选择。考虑到主成分分析在数据标准化和处理非线性问题方面存在的局限性，采用一种改进的主成分分析法，进行特征选择。同时，针对电力系统暂态稳定分析中影响稳定性的关键因素在向量空间具有一定相似性的特点，采用动态聚类的方法将数据集分成若干并行子集，进一步压缩数据输入空间的大小，提高运算速度和效果。最后，利用关联分类法对数据进行分类和预测。通过对3机9节点系统的仿真试算，验证了该方法的有效性。     

人工神经网络和短时仿真结合的暂态安全评估事故筛选方法

结合人工神经网络（ANN）和短时数字仿真提出一个用于在线暂态安全评估的事故筛选方法 ,将3层BP网络作为模式分类器,用来建立稳定评估结果和所选特征量之间的映射关系 。在故 障切除时刻终止的短时数字仿真被用来生成ANN的输入量,每个ANN处理一个特定的事故状态 。使用一个半监督学习算法,ANN可产生一个能够指示相对稳定度的连续分布的暂态稳定指 标。基于这个连续分布的稳定指标,设置一个相对保守的分类门槛值,避免了不安全状态的 漏报。10机新英格兰电力系统的应用结果证实了该方法的有效性。     

人工神经网络和短时仿真结合的暂态安全评估事故筛选方法

结合人工神经网络（ＡＮＮ）和短时数字仿真提出一个用于在线暂态安全评估的事故筛选方法,将３层ＢＰ网络作为模式分类器,用来建立稳定评估结果和所选特征量之间的映射关系,在故障切除时刻终止的短时数字仿真被用来生成ＡＮＮ的输入量,每个ＡＮＮ处理一个特定的事故状态,使用一个半监督学习算法,ＡＮＮ可产生一个能够指示相对稳定度的连续分布的暂态稳定指标,基于这个连续分布的稳定指标,设置一个相对保守的分类门槛值,避免     

基于Tabu搜索技术的暂态稳定分类神经网络的输入特征选择

输入特征选择和输入空间降维是基于神经网络暂态稳定评在的首要问题，稳定分类结果的准确率主要决定于所选择征组成的输入空间的可分性，为此，讨论了如何选取一组代表性较好的输入特征，以降低输入空间维数和获取高的可分性，提出了一组用于稳定分类的系统特征及新的基于粗糙集理论特征离散化的类别可分离性判据，并利用Tabu搜索技术从维数较大的实初特征集中选择出一组有效特征，从而显著地降代了输入空间的维数，在10机39节点的新英格兰系统中的应用表明了所选方法的 有效性。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.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;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择.通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性.     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。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;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

暂态稳定仿真的综合人工智能方法

研究了利用综合人工智能进行暂态稳定仿真的方法：利用神经网络训练动态元件的输入输出关系，同时，利用遗传算法优化神经网络的结构和加快神经网络的训练速度，算例结果表明，利用遗传算法和神经网络相结合的综合人工智能方法暂态稳定仿真比传统的时域仿真计算速度快，并能保持较高的精度，可以有效地提高暂态稳定仿真的实时性。     

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。     

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。     

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。     

A ROBUST ARTIFICIAL NEURAL NETWORK TECHNIQUE FOR DYNAMIC STABILITY ASSESSMENT

ABSTRACT

This paper presents a robust artificial neural network technique to assess the on-line dynamic stability of power system. Efforts have been made to minimize the error in dynamic stability assessment by optimising the size and introducing more sensitive information in training vector. The problem has been attempted with Kohonen's self-organising feature map (SOFM) to classify the states of power system. The main reason which inspired the authors to apply Kohonen's SOFM technique is to avoid local minima that saturate the learning process in back-propagation algorithm. Conventional QR algrithm in conjunction with S-matrix method is used to allocate dynamic stability indices to output neurons.     

基于神经网络暂态稳定评估方法的一种新思路

基于神经网络的暂态稳定评估技术提出了一种新思路。使用半监督学习算法来训练反向传播神经网络 ,得到一个连续分布的暂态稳定指标 ,该指标可用来指明相对稳定度和确定类间边界区。一种数据结构分析方法被用来观察输入空间的可分性及边界区。在此基础上 ,提出一种新的分类方法 ,即将边界区样本分为不确定类 ,以避免误分类。在两个系统中的应用结果表明 ,该方法对暂态稳定评估问题的有效性。     

自组织映射神经网络用于暂态稳定性分析的研究

对几种形式的自组织映射神经网络进行了集中介绍,并对自组织特征映射（SOFM）神经网络和学习矢量量化（LVQ）神经网络在电力系统暂态稳定模式识别中的应用性能进行比较。利用SOFM网络输出层聚类信息对不同ANN输入特征量的选取效果进行了直观的比较。在这些比较的基础上,利用Kohonen网络“无监督聚类、有监督学习”的工作方式,给出一种基于Kohonen网络的复杂系统在线事故筛选和发电机功角预测方法。利用华中电网的数据对这种网络进行了大量的计算,计算证实了该方法的有效性。     

归一化能量函数在河南电网暂态稳定性评估中的应用

介绍了归一化暂态能量函数在河南电网暂态稳定分析中的应用，通过归一化发电机转子运动方程，将故障后电力系统的动态过程比拟为在n维欧几里得角度空间势能谷中滚动的单位质量小球，研究故障后系统归一化暂态动能极小值与故障切除时间的关系，并在此基础上提出通过能量平移评估暂态稳定能量裕度的思想，基于能量平移及故障后系统归一化暂态能量函数的守恒性，还提出了计算故障后系统吸收归一化动能能力的新方法，最后通过该归一化能量函数在河南省网暂态稳定评估中的应用，说明了该方法的有效性。     

暂态稳定概率评估的蒙特卡罗方法

提出了用蒙特卡罗(Monte Carlo)方法进行电力系统暂态稳定概率评估的基本框架。这种评估要进行2种模拟：涉及故障事件的系统状态的概率模拟和系统状态的暂态稳定模拟。文章着重讨论了故障的概率模型及其Monte Carlo模拟方法，给出了2种研究情况的步骤：第(1)种情况是评估由于系统不稳定所造成的系统平均风险指标；第(2)种情况是对于一个给定的故障，建立系统不稳定概率和一个系统运行条件的定量关系。所给的例子表明，文中提出的方法可为电力公司控制中心需要的系统安全运行条件提供十分有用的信息。该方法已在加拿大一实际电力系统中应用。     

基于网络信息的暂态稳定性定量分析--支路势能法

基于结构保持的多机电力系统拓扑暂态能量函数，分析了故障后暂态势能在网络中的分布变化特点，提取出基于网络信息的系统失去稳定时的关键特征量，以构建仅依赖网络信息的以支路势能分析为基础的可定性且可定量评价系统暂态稳定性的方法-支路势能法。该方法建立于电力系统网络信息的动态响应轨迹的基础上，指标的计算简单方便，不仅可用于第一摆、且可应用于多摆的稳定性评价，同时还可用于系统失稳模式、脆弱输电环节的识别，且具有在线应用的潜力。NEW ENGLAND 10机系统的仿真算例验证了该方法的有效性。     

多输入特征融合的组合支持向量机电力系统暂态稳定评估

利用支持向量机(SVM)方法进行暂态稳定判别时，输入特征的选择是影响最终结果的最重要因素。传统启发式和试探式方法不能从根本上解决输入特征选择的问题。本文利用信息融合思想，在构造的具有不同输入特征的多组子分类器的基础上，对子分类器的结果在输出空间再进行信息融合，以提高分类准确率。文中从不同角度启发式的构造了4组不同的输入特征，构成四组弱分类器。以这四组弱分类器为子分类器，再构造一个融合SVM对几种子分类器的结果以回归方式进行融合，作为最终判别结果。IEEE39-BUS和IEEE145-BUS测试系统上进行的仿真表明，弱分类器的分类性能经过融合得到明显强化，融合后的结果比任何一种子分类器的结果以及一次包含所有输入特征的结果都更准确。该方法为在线快速进行暂态稳定计算提供了一条重要途径。     

基于输入空间压缩的短期负荷预测

由于影响负荷预测的因素复杂,并且实际获取的历史数据有限,传统的智能预测方法往往达不到工程应用的精度要求。为解决该问题,文中提出一种准确预测电力系统短期负荷的新思路：首先建立负荷输入特征选择模型,其搜索方法采用浮动搜索算法,在去除影响负荷预测的冗余特征之后,利用有限样本学习的统计学习理论(支持向量机)构造负荷预测回归模型,充分发挥其在解决有限样本、非线性中体现出的优势,较好地提高了评估结果的精度和泛化能力。在EUNITE网络中的应用结果证明了该方法对电力系统负荷预测的有效性。