基于改进LightGBM的电力系统暂态稳定评估方法

实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性;在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。     

考虑样本不平衡的电力系统鲁棒暂态稳定评估

由于实际电力系统中暂态失稳样本稀少,基于数据驱动的暂态稳定评估方法面临训练样本类别分布失衡问题,严重影响暂态稳定评估结果的可靠性。针对此问题,提出了一种基于MAHAKIL过采样和BCLM的鲁棒暂态稳定评估方法。首先,通过MAHAKIL过采样改善原始样本集的类别分布;然后,基于BCLM构建电力系统鲁棒暂态稳定评估模型。在新英格兰10机39节点系统上的测试结果表明,所提方法能够显著降低原始样本类别失衡的影响,并对数据缺失和数据噪声具有较强鲁棒性。     

基于时间卷积和图注意力网络的电力系统暂态稳定评估

准确、快速的暂态稳定评估对电网安全运行至关重要。但现有方法未充分挖掘电网暂态数据的时空特性信息,限制了模型的评估性能。文中提出了一种基于时间卷积网络(TCN)和图注意力网络(GAT)的暂态稳定评估方法。该方法仅以量测母线电压幅值和相角数据作为输入,凭借GAT可以处理图数据并建立电网拓扑连接关系的优点和TCN特有的因果空洞卷积运算特性,自动从暂态数据中提取出空间特征和时间特征,进而实现对系统暂态稳定性的准确评估。此外,采用改进的焦点损失函数作为模型训练目标,可以动态适应训练过程中模型对难易样本的判别界限且自适应处理样本不均衡问题,减少了对失稳样本错分类的现象,同时还提高了全局准确率。IEEE 39和IEEE 145节点系统仿真结果表明,所提方法在响应时间上具有优越性,并且在拓扑变化和数据存在噪声情况下都具有较强的泛化性和鲁棒性,满足在线评估的准确性与快速性要求。     

基于XGBoost算法的电力系统暂态稳定评估

针对暂态稳定评估问题的特点,在改进极限梯度提升(XGBoost)算法的基础上进行暂态稳定评估。根据电网物理特点,定义能够反映电力系统稳态运行状态的特征集;研究XGBoost算法用于暂态稳定评估的过程:针对暂态稳定预测中2类错误严重程度不同的特点,定义包含注意力系数的对数损失函数,使得模型对不稳定样本的误预测情况减少;使用Logistic函数将模型输出概率化,用于衡量XGBoost模型输出的可靠程度,预防部分误预测;给出针对任意系统随机产生样本集的方法。IEEE 39节点系统仿真结果表明,XGBoost算法在准确率上均高于其他几类常用机器学习算法,优化后的损失函数降低了不稳定样本错误分类的可能性,使该算法的召回率较优于其他方法,且概率化输出的形式有助于评估模型输出的可靠程度,降低了误预测的概率。     

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入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

计及样本不平衡与重叠的暂态稳定评估方法

交直流混联系统的稳定性分析复杂且样本不平衡,当前基于数据挖掘的暂态稳定评估方法只追求对不稳定样本的识别精度,忽略了重叠区域样本难分类的问题,导致其综合性能未得到实质性的提升。针对此问题,提出一种计及样本不平衡与重叠的暂态稳定评估方法。所提方法通过焦点损失函数来修正轻梯度提升机(LightGBM),自动根据样本的类别以及是否处于重叠区域中的“灰色地带”赋予其不同的权重,从而优化梯度下降的方向。该方法在提升对不稳定样本识别精度的同时,也减少了对稳定样本的误判。在修改的IEEE 68节点系统和中国某省级电网上的算例表明,所提方法在含有噪声且不平衡的数据集上有良好的评估性能。     

样本不平衡情况下的电力系统暂态稳定集成评估方法

为了在电力系统发生暂态故障后能够快速、准确地对系统稳定性进行判断,并解决样本不平衡对模型造成的倾向性问题,提出了一种基于改进损失函数的电力系统暂态稳定集成评估方法.首先,基于故障清除后的短时量测数据,设计了一种结合1维、2维单通道和2维多通道卷积神经网络的集成模型,实现了端对端的抽象特征提取和暂态稳定分类.其次,改进了模型训练过程中的损失函数,加强了对失稳样本的拟合程度,增加了错分样本的权重,从而提高了全局准确率,并减少了失稳样本漏报现象的发生.此外,文中还分析了集成模型输出的判定阈值对失稳样本召回率的影响.最后,IEEE 39节点系统和IEEE 145节点系统的仿真结果验证了所提方法的有效性.     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。     

融合JMIM和NGBoost的电力系统暂态稳定评估方法

为实现电力系统暂态稳定在线快速评估和可信度评价,提出了一种融合联合互信息最大化(JMIM)和自然梯度提升(NGBoost)的暂态稳定评估方法.基于JMIM,采用联合互信息和"最大最小值"原则挖掘海量输入数据的相关性,从而筛选出电网关键运行特征,避免维度爆炸问题.为实现高可信度的暂态稳定评估,构建NGBoost驱动的暂态稳定评估模型,可以以函数形式对模型的条件概率分布参数进行预测,进而实现概率预测,并量化可信度.结合自适应可信度阈值修正方法,实现对系统受扰状态暂态稳定的时序评估.利用新英格兰10机39节点系统和中国某省级电网数据进行了算例测试.与其他机器学习方法相比,所提方法在噪声干扰下具有更好的鲁棒性,可更准确识别不稳定运行状态.     

融合邻域粗糙约简与深度森林的电力系统暂态稳定评估

在实际电网运行中,暂态稳定样本与暂态失稳样本间呈现出明显的不平衡关系,且误判失稳样本与误判稳定样本的代价不同。当前基于数据挖掘的暂态稳定评估方法多基于浅层模型,对误判暂态失稳样本的重视不够,且评估精度有待进一步提高。基于此,提出一种融合邻域粗糙约简与深度森林的电力系统暂态稳定评估方法。利用邻域粗糙集在不同粒度级别下寻找多组不同的最优特征子集以对原始特征进行再表征,通过深度森林的级联结构实现对原始暂态特征的表征学习,强化特征量与暂态稳定状态间的非线性映射关系;引入加权投票机制,提高分类过程对暂态失稳样本的重视。在IEEE 10机39节点系统上的实验结果表明,所提方法能够在提升评估精度的同时,有效降低了对暂态失稳样本的误判,在不同数据规模和不同程度的不平衡样本数据上均具有较好的表现,具有一定的鲁棒性和适用性。     

基于数据增强和深度残差网络的电力系统暂态稳定预测

针对传统数据驱动的电力系统暂态稳定分析方法中,较少考虑输入数据存在噪声和信息缺失后对预测模型性能的影响问题,提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先,考虑噪声和信息缺失情况,对原始训练数据进行扩充;然后,采用发电机受扰后动态数据作为输入特征;考虑到输入的高维时序数据具有图像的特点,利用图像处理中一种特殊的卷积神经网络—深度残差网络构建用于暂态稳定评估的深层模型。算例分析表明,所提出的方法能够提高模型的泛化能力,在含噪声以及部分发电机信息缺失情况下具有更好的鲁棒性。     

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,论文提出了一种基于主动学习的电力系统暂态稳定评估方法。考虑不同运行方式、不同故障下进行短时间仿真(仿真至故障切除时刻)生成无标注样本;随机选取一部分样本进行长时间仿真以标注这些样本的稳定状态,并进一步训练基于支持向量机的暂态稳定评估模型;最后循环选择剩余未标注样本中信息熵较高的部分数据进行标注对模型重新训练,直至模型准确率不再变化。在新英格兰10机39节点测试电力系统的仿真表明,论文提出的方法能够有效降低离线仿真的时间,大大提高评估模型部署的效率,并对广域噪声具有鲁棒性。     

基于集成深度置信网络的精细化电力系统暂态稳定评估

为了进一步提高电力系统暂态稳定的预测精度及给出更精细化的评估结果,将深度学习与电力系统暂态稳定相结合,根据故障切除后发电机功角"轨迹簇"特征,提出一种基于集成不同结构的深度置信网络(DBN)的精细化电力系统暂态稳定评估模型。该模型的基分类器DBN能够有效地利用深层架构所具有的特征提取能力,充分挖掘出输入特征与暂态稳定评估结果之间的非线性映射关系。在新英格兰10机39节点系统上的实验结果表明,该方法不仅优于浅层学习框架,也比部分深度学习模型的性能更加优越。除此之外,该集成DBN算法不仅有较高的预测精度,而且可以有效地评估系统的稳定裕度和不稳定程度等级;在部分同步相量测量装置信息缺失以及含有噪声时,表现出较强的鲁棒性。     

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...     

考虑数据缺失的电力系统暂态稳定自适应集成评估方法

随着电力物联网概念的提出,暂态稳定评估在电力系统规划运行中扮演着越来越重要的角色.由于同步相量测量单元(PMU)的广泛配置,基于机器学习和PMU在线量测数据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可能因PMU失效而严重影响精度的问题,文中提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法.首先,在保证全网节点可观性的基础上构建考虑PMU重要性的PMU子集集合搜索算法.然后,根据PMU子集对应的特征集训练暂态稳定评估子模型.最后,在任意可能的PMU失效情况下采用自适应加权融合机制构建集成暂态稳定评估模型.在新英格兰10机39节点电力系统上的仿真表明,文中提出的方法在PMU失效造成的数据缺失下仍然能够准确、可靠地进行暂态稳定评估,在鲁棒性、计算量及准确率上相比已有的方法均具有较大优势.     

基于双向门控循环单元的电力系统暂态稳定评估

常规的机器学习模型应用于电力系统暂态稳定评估时对时间序列的整体感知能力较弱,难以挖掘蕴藏在电气量响应轨迹中的动态信息,且对于临界样本预测结果的可靠性较低.针对上述问题,提出了一种基于双向门控循环单元(BiGRU)的2阶段暂态稳定评估方法.该方法以受扰后底层量测数据的动态轨迹作为输入,首先通过持续的动态评估筛选出可信样本,然后通过回归模型预测不确定样本和可信稳定样本的故障严重度.文中通过向损失函数中引入截断函数和权重系数对BiGRU分类器加以改进,强化了模型对困难样本和失稳样本的学习力度.在修改的新英格兰10机39节点系统上的实验结果表明,所提方法在显著减少对失稳样本漏判的同时,提升了对稳定样本的识别能力.     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。