考虑量测数据缺失的电力系统暂态稳定评估

电力系统量测数据在传输过程中可能出现缺失,进而影响现有暂态稳定评估方法的性能。为此,基于生成对抗网络(generative adversarial networks, GAN)和极限学习机(extreme learning machine, ELM),提出了一种考虑量测数据缺失的电力系统暂态稳定评估方法。首先,使用GAN生成符合真实数据分布的新数据,解决量测数据缺失问题;然后,利用ELM评估模型实现对电力系统的暂态稳定评估;最后,在新英格兰10机39节点系统上进行测试。结果表明,所提方法能够有效修复缺失数据,显著提高暂态稳定评估准确率。与其他评估模型相比,其更适用于电力系统暂态稳定评估领域,有益于基于数据驱动的暂态稳定评估方法的实际应用。     

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。     

暂态功角稳定与暂态电压稳定的耦合机理分析与耦合强度评估指标

随着电网的复杂互联,电力系统中的功角失稳和电压失稳现象常常同时出现,相互耦合.针对难以识别主导失稳模式、并根据主导失稳模式采取有针对性的控制措施的问题,该文分析了这两种稳定形态的耦合机理,提出耦合强度的量化评估指标.分析暂态功角失稳和暂态电压失稳耦合特性在不同网络结构下的差异性,并分析得到功角不稳定与电压不稳定现象相互...     

基于WAMS的电力系统暂态稳定的快速预测

提出一种基于广域测量系统WAMS(Wide areaMeasurementSystem)的电力系统暂态稳定实时快速定量分析的方法。该方法根据PMU实时采集的各发电机转子角速度及电磁功率,通过预测扰动结束后系统运动轨迹和基于暂态能量的轨迹分析法来评估系统的暂态稳定性。在 6机系统上进行仿真计算,结果表明,该方法能有效预测电力系统的暂态稳定性。     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于WAMS的电力系统暂态稳定的快速预测

提出一种基于广域测量系统WAMS(Wide-area Measurement System)的电力系统暂态稳定实时快速定量分析的方法.该方法根据PMU实时采集的各发电机转子角速度及电磁功率,通过预测扰动结束后系统运动轨迹和基于暂态能量的轨迹分析法来评估系统的暂态稳定性.在6机系统上进行仿真计算,结果表明,该方法能有效预测电力系统的暂态稳定性.     

提升型贝叶斯分类器在电力系统暂态稳定评估中的应用

应用人工智能技术可实现电力系统暂态稳定的快速评估,朴素贝叶斯分类器作为人工智能方法的一种,其训练计算复杂度是线性的,是解决分类问题最实用、有效的方法之一,但由于它是建立在属性变量相对类变量独立的假设前提下,故存在一定的误分类率.本文采用Adaptive Boost(AdaBoost)算法对朴素贝叶斯分类器进行提升,有效地降低了误分类率,并将提升型贝叶斯分类器用于电力系统暂态稳定评估.选取能迅速反映电力系统暂态过程的特征量,作为贝叶斯分类器的属性变量,将系统稳定或不稳定作为类变量,采用数值仿真算法产生大量样本,并对属性的连续数据进行离散化处理,构造了用于暂态稳定评估的提升型贝叶斯分类器.对新英格兰10机39节点系统进行仿真,结果表明:提升型贝叶斯分类器用于电力系统暂态稳定评估可有效降低机器学习的复杂度和提高暂态稳定的分类精度.     

基于量测数据时序谱分布特性的电力系统暂态功角稳定在线判别

基于响应信息的电力系统暂态稳定判别是实现“实时决策,实时控制”的基础。然而此类方法的准确性受限于场景匹配以及发电机分群等中间环节。为更有效地辨识系统的暂态稳定性,该文以随机矩阵理论为基础,提出一种基于量测数据时序谱分布特性的电力系统暂态功角稳定判别方法。首先根据电力系统的暂态响应特性构建数据模型,并在实时分离窗矩阵的基础上构建插入矩阵模型以降低冗余历史数据对谱分布特性的影响。然后结合谱分布理论和增广矩阵法获取表示数据相关性的最大特征值偏移度(maximum eigenvalue deviation,MED)差值轨迹,并以物理机理严格分析不同稳定模式下MED差值轨迹与暂态功角稳定间的映射关系,从数据相关性的角度制定暂态功角稳定判据,基于量测数据实现暂态响应特性分析和暂态功角稳定在线判别。     

一种基于堆叠门控循环单元的暂态稳定智能评估系统

随着大电网之间的互联,安全稳定问题日益突出.目前,基于数据驱动的电力系统自适应暂态稳定评估方法通过平衡时间和准确性在测试系统上取得了优异的效果,但是存在模型构建繁琐和参数复杂等问题.提出了一种基于堆叠门控循环单元(Stacked-GRU)的暂态稳定智能评估系统;构建了基于时间上参数共享和空间上堆叠的Stacked-GR...     

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。     

基于复合分类器的网络入侵检测模型

为提高国家电网网络入侵检测中攻击分类问题的准确度,提出一种基于复合分类器的入侵检测模型。复合分类器由核主成分分析、量子遗传算法和前馈（back propagation,BP）神经网络组合而成。复合分类器先使用核主成分分析将高维数的原始数据降维,降维后的数据再通过BP神经网络训练生成分类模型,其中BP神经网络的参数通过量子遗传算法优化得到,最后使用分类模型对待测样本做精确入侵检测分类。与传统入侵检测算法相比,基于复合分类器的入侵检测模型更准确。     

基于WAMS预测轨迹的IEEAC等值

基于全系统的WAMS的实时测量数据和网络模型对发电机的暂态稳定轨迹进行准确预测,代替常规的时域仿真法,再对WAMS的轨迹预测结果采用PCOI映射：R′′→E(R1) ,进行IEEAC法等值。算例测试表明,将WAMS轨迹预测运用在IEEAC分析上,在保证预测轨迹准确的同时,可以正确地判断暂态稳定性,提高了IEEAC的计算效率。     

基于受扰严重机组特征及机器学习方法的电力系统暂态稳定评估

理论和仿真研究表明,依靠少量受扰严重机组的动态特征能够有效地判别大电网的暂态稳定性。提出一种组合搜索严重受扰机组,并据此构造稳定评估原始输入特征的方法。进一步利用主成分分析法降低特征维数,构成机器学习评估模型的输入特征。在新英格兰39节点测试系统和IEEE 50机测试系统上,利用所提方法仿真实现了决策树、支持向量机和k最近邻法等暂态稳定评估模型,结果表明所提出的构建电力系统暂态稳定评估输入特征方法有效,有助于改变原始特征构建的主观和随意性。     

核主元分析在高压断路器故障诊断中的应用

核主元分析(KPCA)方法作为一种先进的人工智能算法,在处理非线性问题上具有极大的优势。为此,将KPCA用于高压断路器的故障诊断中,通过选取合适的核函数将原始数据映射到特征空间,之后在特征空间内计算主元,依据平方预测误差(SPE)统计量对故障数据进行分类诊断,以提高高压断路器故障诊断的准确率。为验证该方法的有效性,用KPCA法对高压断路器在线监测系统采集到的现场正常及非正常数据进行分析计算,并利用Matlab仿真依据计算得出的统计量值对故障数据进行诊断。实验结果表明,该方法应用于高压断路器能够取得较好的故障诊断效果。     

基于KPCA-KMPMR的短期风电功率概率预测

针对短期风电功率概率预测,提出一种基于核主成分分析(KPCA)与核最小最大概率回归机(KMPMR)相结合的方法。KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;KMPMR方法在仅需假定产生预测模型的数据分布的均值与协方差矩阵已知时,将最小最大概率分类机(KMPMC)的分类超平面看作预测模型的输出,可最大化模型的输出位于其真实值边界内的最小概率。实验结果表明,所提方法在预测精度上优于现有的预测方法,并能提供预测误差的分布范围。