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。     

基于改进一维卷积神经网络的电力系统暂态稳定评估

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法.该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传统的单尺寸卷积核,能够有效提取量测数据的多粒度时序信息,实现了端到端的暂态稳定评估.另一方面,引入了焦...     

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。     

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。     

蒙特卡罗法在电力系统暂态稳定评估中的应用

随着电力系统规模的扩大和运行环境的日益复杂,基于概率的暂态稳定评估计算对于电力系统的规划和运行具有重要的意义.本文基于大电网的暂态稳定分析特点,对蒙特卡罗的状态采样、误差分析与收敛判据等关键内容进行了研究,提出概率暂态稳定性故障抽样模型、评估量化指标,以及基于蒙特卡罗方法的暂态稳定性评估流程.通过南方某省级电网实际算例分析,验证了所提方法在大电网暂态稳定性评估应用中的合理性和有效性.     

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。     

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。     

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。     

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。     

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CPSO-BP神经网络的风电并网暂态电压稳定评估

针对目前传统方法难以快速、准确判断风电并网后系统暂态电压稳定性的问题,提出了一种基于CPSO-BP组合的风电并网暂态电压稳定评估方法。首先采用混沌理论对粒子群算法的不足进行改善,应用改进后的算法对神经网络的初始权值和阈值进行优化,然后利用系统故障前后采集的传统物理量和风电场相关的物理量作为BP神经网络输入特征量进行监督学习,最后将训练得到的模型应用于风电并网系统的暂态电压稳定评估中。利用英格兰10机39节点系统标准算例进行风电并网仿真分析,结果证明了所提方法的有效性。     

基于遗传算法优化的复合神经网络在稳定评估中的应用研究

提出了一种基于遗传算法优化的复合神经网络的电力系统暂态稳定评估方法.该网络由一个Kohonen网络和若干径向基函数网络组成.通过遗传算法的优化,复合网络的学习性能和聚类能力得到了较大的提高.通过对华中电网算例的仿真试验结果证实了该方法的可行性.     

基于复合神经网络的电力系统暂态稳定评估和裕度预测

提出一种基于复合神经网络的暂态稳定评估与故障临界切除时间(CCT)裕度预测新方法,它将概率神经网络(PNN)和径向基函数(RBF)网络组合使用,充分利用两者各自的优点,以提高暂态稳定评估能力和CCT裕度预测能力。该方法首先利用PNN进行暂态事故场景分类,分类时充分考虑了相邻故障样本类型重叠的影响;进一步采用RBF网络对分类结果进行裕度预测;最后,通过自检和校正以提高预测精度。利用New England 39节点系统,通过与反向传播(BP)神经网络、RBF神经网络等方法的比较,证明了本文方法的优越性。     

基于马尔可夫链蒙特卡罗方法的电力系统暂态稳定概率评估

研究了一种电力系统暂态稳定概率评估方法,提出了利用马尔可夫链蒙特卡罗方法模拟负荷水平,考虑随机序列之间的相关性;模拟过程中,提出以故障信息作为输入特征、基于AdaBoost-DT的暂态稳定评估方法。新英格兰39节点测试系统的仿真表明,本文提出的马尔可夫链蒙特卡罗方法比传统的蒙特卡罗方法更快速收敛,同时AdaBoost-DT大幅减少仿真时间,且能有效预测暂态稳定性。