基于增强进化计算的电力系统暂态稳定关键特征智能选择方法EI北大核心CSCD

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。     

基于时序轨迹特征学习的暂态电压稳定评估

以先进机器学习方法等为代表的人工智能技术在增强现代电网安全稳定态势感知能力方面展现出巨大的潜力。针对在线暂态电压稳定评估的传统难题,提出基于时序轨迹特征学习的稳定评估方法。通过分析系统能量函数与暂态响应轨迹的相关性,给出学习过程输入数据选取的理论依据。在时序轨迹Shapelet变换基础上,提出以刻画系统稳定/失稳案例关键局部轨迹差异为核心的特征学习方法及稳定评估方案。双机四节点系统和南方电网中的算例测试结果表明,除了实现可靠的稳定监测和评估,还可充分利用文中方法的可解释性从数据层面剖析特定系统的失稳模式和规律。     

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。     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

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。     

基于多响应信息源的电压稳定全态势量化评估与辅助决策系统

电压稳定是受端电网所面临的主要稳定问题,而基于建模数值计算的电压稳定仿真软件和广域测量系统的结合,为实现电压稳定全态势量化评估与防控提供了新的思路。以电网仿真或量测数据为基础,采用基于局部量测信息的等效输电模型,可实现电压稳定态势、无功补偿水平评估及切负荷量的快速预估。文中阐述了系统整体功能框架构,分别介绍了不同响应信息源数据交互、静态和暂态电压稳定评估和任务并行设计方案,并指出了所涉及的关键技术。该系统可实现大电网当前态和预想态的电压稳定全态势快速量化评估与辅助决策,提高大电网智能化监控与预警水平。     

基于交替方向乘子法的电网电压相量轨迹拟合及暂态稳定评估指标构建

电力系统暂态稳定态势量化评估是大电网在线安全防御的主要部分，而如何针对电网动态轨迹信息构建暂态稳定预估指标是关键。电网电压相量轨迹信息蕴含更丰富的稳定行为特征。文章以双机系统为例，首先从轨迹几何角度分析了发电机暂态能量转化与电压相轨迹之间演变规律；继而在扩展等面积准则(extended equal area criteria, EEAC)的基础上推理验证了其在多机系统下的普适性；为实现暂态稳定快速预估，提出了一种基于交替方向乘子法的轨迹拟合方法，该方法在拟合精度与速度上具有明显优势；在此基础上，以电压相量轨迹拟合曲线的弧长距离为数据支撑，构建了一种暂态稳定快速预估指标。最后，以新英格兰10机39节点系统与某省级电网的仿真数据为例，验证了该方法评估有效性。     

基于短时受扰轨迹的电力系统暂态稳定评估方法

针对实时评估电网暂态稳定性的快速性和准确性的需求,提出一种基于故障清除后短时受扰轨迹和卷积神经网络的电力系统暂态稳定性的评估方法。该方法无需人工计算轨迹特征作为输入量,直接基于量测时序数据,利用深度学习模型的自主学习能力逐层提取隐含在短时轨迹的局部特征,构建短时受扰轨迹与稳定类别间的非线性映射关系,并引入考虑故障初期受扰程度的暂态稳定信息矩阵样本构建,以增强提取的局部特征的鲁棒性,提升模型的泛化能力,有效减少误判样本数,达到进一步提高准确率的目的。IEEE-39节点系统的仿真结果验证所提方法的有效性,并且所提方法的评估准确率比传统的暂态稳定浅层评估模型更加优越。     

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.     

基于累积贡献率和可解释人工智能的静态电压稳定裕度估计特征量筛选方法

利用海量量测数据估计大规模互联电网静态电压稳定裕度时,合理地选择输入量测信号和裕度估计算法是实现高质量裕度估计的基础。提出了一种基于累积贡献率和可解释人工智能的关键特征量筛选方法。给出了基于沙普利值加性解释理论可解释模型的输入特征贡献值量化方法,并依据贡献值大小对特征降序排列;采用基于累积贡献率增量的循环优化过程剔除冗余特征,形成关键特征子集;在系统关键特征优选的基础上,采用轻量梯度提升机算法实现静态电压稳定裕度在线估计。所提方法在保证估计精度的同时,大幅降低初始样本维度,解决特征过拟合问题,有效提升静态电压稳定裕度估计在线性能。基于WECC 3机9节点系统、IEEE 10机39节点系统以及IEEE 300节点系统的仿真分析验证了所提关键特征量筛选方法在电力系统静态电压稳定裕度估计中的有效性。     

电网安全监测的智能化关键特征识别及稳定分区算法

提出了一种以关键运行特征识别和稳定薄弱环节辨识为目标的智能稳定评估方案,基于改进遗传算法与k阶近邻法(k-NN)相结合的稳定特征提取算法,实现对稳态运行信息中稳定关键特征的识别.在新英格兰10机39母线系统的仿真测试表明,算法能有效提取出反映不同区域稳定水平的少量关键运行特征变量,该特征较好地反映了失稳模式信息.通过构造基于BP网络的临界切除时间(CCT)预测器进一步验证了特征提取的有效性.基于特征提取结果与扰动位置的关联分析,提出了特征重合度判别方法,实现了对电网的稳定分区.     

一种识别电网关键输电断面的新方法

快速、准确、完整地识别出电网关键输电断面,对于提高电网运行的稳定性及防止大停电事故的发生意义重大。首先,综合考虑电网拓扑结构和支路潮流分布状态,以线路导纳模值与其有功潮流幅值之比即导流比作为线路权重,建立了电网的加权网络模型,使其更符合复杂多变的实际电网;其次,针对已有电网关键输电断面搜索方法的局限性,提出了一种基于改进Floyd算法搜索前k最小权路径的方法,克服了仅搜索第一最短路径上的线路造成的漏选;最后通过层层递进的筛选方法快速完整地识别出关键输电断面,同时也能对潮流反向增大的线路有效识别。在新英格兰39节点系统的仿真结果中验证了所提方法的正确性和有效性。     

基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合...     

基于XGBoost算法的智能电网信息攻击识别模型

智能电网在遭受信息攻击后,如何根据量测数据的变化规律,准确识别电力系统遭受的攻击类型是提高电网安全防御的有效手段,本文提出一种基于Extreme Gradient Boosting (XGBoost)算法的智能电网信息攻击识别模型。首先,基于kmeans-smote设计电力数据过采样方法,对量测数据进行平衡处理,解决攻击事件样本的不平衡问题。然后,提出最大相关-最小冗余(MRMR)特征选择方法,提取信息攻击事件最优表征特征子集,降低数据维度并提升信息攻击的识别效率。最后,设计XGBoost分类器,对3种攻击状态和正常状态进行分类识别,采用准确率、召回率等指标评估模型的识别性能。经仿真实验验证,本文提出的信息攻击识别模型显著提升了智能电网信息攻击的识别精度,且具有较好的泛化性。     

改进Sammon映射算法在分析暂态稳定评估输入特征有效性中的应用

基于机器学习技术的电力系统暂态稳定评估方法中,输入特征提取的是否合理往往决定了最终的分类效果。然而,目前却缺乏一种工具去评价选择的输入特征是否具有可分性。鉴于此,引入Sammon映射算法将高维样本数据映射到低维空间中,通过观察映射点的分布情况判断提取的特征是否有效,并针对原算法的不足之处进行改进。首先利用主成分分析法(principal component analysis,PCA)求出包含原始数据信息最多的前两维主成分向量,代替原算法随机取值的方法,作为映射点坐标向量的初始值。然后,采用迭代修正法求解最终的映射点坐标向量,加快了求解速度。最后,以改进Sammon映射算法作为工具,分析IEEE 39节点系统的仿真数据和某地区实际在线历史数据提取特征的有效性,证明该算法在指导特征选择中具有良好的应用前景。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于扩展面板大数据的电力经济特征提取新方法

电力作为经济的"示波器",对海量电力用电大数据进行特征提取和智能参数估计是电力经济评估的关键步骤。提出了一种适用于海量电力经济大数据的建模方法和经济相关特征提取方法。首先针对电力经济二元大数据的时空特征构造扩展面板数据模型,并进行平稳性和协整性检验;然后以用电量为因变量,通过构造回归方程确定与其他电力经济特征量的权重因子;最后采用灰色关联聚类进行特征提取,并以权重因子为判据进行聚类中心选择,从而获取最优特征子集。通过对某省实际用电数据的仿真对比分析,验证所提方法能够在保存特征子集物理含义的前提下,极大消除冗余,满足了经济评估的需要,并具有一定的通用性。     

人工智能技术在电网稳定评估中的应用综述

综述了基于人工智能技术实现电网稳定评估的步骤、关键环节。总结了国内外在候选特征集的组成方式、关键特征的形成方法、智能稳定评估技术的选择等方面的研究进展。指出了动态输入特征难于提供电网智能决策所需信息、多数智能型稳定评估技术的可解释性及适应性差等不足,并提出原始输入特征应以电网实时状态信息为主、输入空间的裁减技术应以嵌入式特征方法为主要研究方向,及研究重点应为基于知识发现技术的稳定评估算法等建议。     

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。