针对数据缺失的电力系统暂态稳定评估方法

为解决量测数据缺失时电力系统暂态稳定评估模型泛化能力不足的问题，基于多向循环神经网络和XGBoost算法，提出一种针对数据缺失的电力系统暂态稳定评估方法。首先使用多向循环神经网络修复缺失数据；然后采用完整的数据集对XGBoost模型进行训练；最后基于SHAP理论量化不同输入特征对模型输出结果的影响。此外，还提出了一种模型更新机制，在系统工况发生改变时对模型进行持续更新。在新英格兰10机39节点系统上仿真结果表明，所提方法相较于传统方法具有更好的数据修复能力，能显著提高暂态稳定评估性能。     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点.提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的.仿真结果表明,提出的评估方法与现有的神经网络...     

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。     

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。     

采用随机矩阵与CNN的暂态电压稳定快速评估

为了发展基于数据驱动的电力系统暂态稳定性预测理论与方法,提出了一种基于随机矩阵理论与卷积神经网络的暂态电压稳定快速评估方法。通过构建高维随机矩阵,从电网底层量测数据中提取高阶特征作为输入;凭借一维卷积和池化运算特性所具有的特征提取能力,充分挖掘输入特征与电压稳定评估结果之间的非线性映射关系,建立了基于一维CNN的暂态电压稳定评估模型。利用PSS/E和Matlab软件,算例分析在新英格兰10机39节点测试系统中展开,与传统机器学习评估方法的结果进行比较,结果表明,所提方法具有正确率高、计算时间短及抗噪性能高的优点。     

考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估

近年来,数据驱动相关方法已经在电力系统暂态稳定评估等领域得到了广泛的应用。然而,传统数据驱动方法大多用于分析欧式数据,对电网拓扑连接关系的刻画受限,导致传统方法在新拓扑下的应用泛化能力不足。为此,该文基于消息传递图神经网络(message passing neural network,MPNN),提出一种基于稳态数据的电力系统暂态稳定评估方法。通过图数据处理和拓扑连接关系建模,训练得到能够描述电力系统拓扑变化的暂态稳定性评估模型。论文在新英格兰39节点系统上进行全面的仿真,生成包含600多种拓扑在内的百万级别样本数据。算例分析表明,与传统数据驱动方法相比,所提方法在面对拓扑频繁变化的运行场景数据集上具有更好的性能,对未学习过的新拓扑具有更强的泛化能力。     

基于数据挖掘的区域暂态电压稳定评估

针对区域暂态电压稳定评估相关理论还不完善、工程判据可靠性不足等问题,提出了基于数据挖掘的区域暂态电压稳定评估方法,构建了综合考虑单点负荷稳定与多点电压相互影响的2层评价框架。利用节点稳定度量指标及基于辨识的电压无功灵敏度矩阵提取网络原始特征。面对区域暂态电压失稳尚无可靠界定标准的难题,采用基于约束的半监督学习方式对数据集进行可靠分类。基于决策树算法建立逐步更新的分类模型,生成区域暂态电压稳定判据,通过模型挖掘出有关电压分区、代表节点的内在规律。EPRI 36节点系统上的仿真结果证明了评估方案的有效性,以及分类评估模型的适应性和准确性。     

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。     

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,引入了焦点损失函数来指导模型训练,其能发掘困难样本并且缓解样本不均衡问题,进一步提升了模型的辨识性能。此外,通过应用GuidedGrad-CAM算法对暂态评估模型的类激活图进行可视化分析,提升了模型的可解释性和透明性。在新英格兰10机39节点算例系统上的仿真分析表明,相较于基于传统机器学习和深度学习的暂态稳定评估方法,所提出的方法具有更优的评估性能,并且对受"污染"数据具有更好的鲁棒性。     

基于grcForest模型的风电并网系统暂态电压稳定评估

针对现阶段机器学习在风电并网系统暂态电压稳定评估的快速性、准确性方面存在的不足,提出了一种基于grcForest模型的风电并网系统暂态电压稳定评估方法。首先针对输入特征数目随着级联森林层数的增加可能出现的梯度增长或梯度减少的问题,采用残差网络对其进行优化,保证了层数增加后的模型依旧能保持最初的学习能力;其次分析风电并网系统暂态电压的关键影响因素,结合暂态故障构建输入特征;再通过评估模型离线训练,完成模型的参数设置和性能优化;最后把构建完成的输入特征应用于grcForest风电并网系统暂态电压稳定评估模型,结合数据对模型进行评估验证。IEEE10机39节点系统的仿真分析验证了该方法的快速性和准确性。     

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...     

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。     

高校智能电表缺失数据修复方法

高校运行数据在采集、传输、存储过程中往往会产生数据缺失。对此,提出一种基于改进长短期记忆神经网络一链式 方程多重插补法的缺失数据修复方法。采用链式方程多重插补法,通过迭代对每个缺失的属性值产生多个填补值,从而产生 多个完整数据集,并进行分析优化得到一个最终的完整数据集。为提高缺失值修复精度,在长短期记忆神经网络的预测任务 中,采用麻雀搜索算法进行超参数寻优,并结合均值匹配模型对缺失数据进行修复。使用北方某高校2019年数据进行验证, 通过无自然缺失算例和自然缺失算例对提出方法进行评估,结果表明,在无自然缺失算例中,整体归因误差为0.106,较其他 模型至少降低29.3%,验证了方法的有效性;对11.8%自然缺失率下的数据进行填补,经提出的方法填补之后的数据有效提 高了高校后续运行数据的预测精度,间接验证了缺失数据填补的有效性。     

基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估

针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力系统暂态稳定物理方程内嵌至神经网络损失函数,通过神经网络直接逼近物理过程,使输出结果满足物理规律,提高暂态稳定评估的可靠性与可解释性。通过数据与知识双驱动,所提方法不依赖大规模训练数据集,依然具有较好的鲁棒性与泛化能力。此外,所提方法通过卷积神经网络进行特征提取与降维,解决拓扑数据无法直接作为神经网络输入的难题。在含风机的IEEE 9节点和IEEE 39节点测试系统上的实验结果表明,所提方法在准确率、计算效率、泛化能力等方面相较现有方法有显著提升。     

基于深度残差网络的电力系统暂态电压稳定评估

随着人工智能技术的发展,基于数据驱动的深度学习方法可兼顾在线评估的快速性与准确性。通过分析电力系统的电压时序信息,构建暂态电压稳定裕度指标。基于实时获取的广域测量信息,选择代表潮流水平的稳态信息、代表故障冲击程度的故障瞬间信息以及代表故障持续进展的滑动信息构建半固定半滑动的异构样本集,基于深度残差网络构建暂态电压稳定评估模型,分别输出系统的暂态电压稳定评估结果、各监测母线的暂态电压稳定评估结果以及电压稳定裕度信息,为在线监控提供指导。在计及高压直流输电和风电接入影响的改进中国电科院36节点系统进行仿真验证,结果表明,该方法无需接收保护设备的故障切除时间信息,可在故障切除时刻之前给出高精度的评估结果,具有较高的实时性和准确性。     

基于轨迹簇和MBLDA的受端电网暂态电压稳定评估

针对现有暂态电压状态的多样化以及暂态电压稳定模型训练速度有待进一步提升的问题,提出一种基于电压轨迹簇和多类间线性判别分析(Multiple Between-class Linear Discriminant Analysis, MBLDA)的交直流系统暂态电压稳定评估方法。首先,获取故障后系统关键节点电压受扰轨迹簇信息,借助轨迹簇的几何属性建立暂态电压稳定评估的原始特征集。进而采用ReliefF算法对原始特征集进行压缩,筛选出与系统暂态电压稳定状态密切相关的特征子集,有效表征暂态电压稳定的四种状态(电压迅速恢复、电压延迟恢复、持续低电压、电压振荡)。然后,将高维电压特征空间的特征值方程转化为欠定齐次方程组,提高暂态电压稳定评估模型的训练速度,进而建立大规模系统电压特征集与4种暂态电压稳定状态的映射关系。最后,通过修改后的IEEE39节点系统和修改后的IEEE145节点系统的仿真分析,验证所提方法的可行性与有效性。     

基于混合门控循环单元子层的多任务暂态稳定评估

在暂态功角稳定评估和暂态电压稳定评估的相关研究中,通常分别构建独立的评估模型,这阻碍了不同任务间的信息共享,浪费了计算和存储资源.考虑不同评估任务间往往存在相似性和差异性,为更好地实现二者同时评估,文章提出了一种基于混合门控循环单元(gated recurrent unit,GRU)子层的多任务暂态稳定评估模型.由于电...     

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-GRU模型,利用电力系统故障后的时间序列数据进行离线训练,得到最优参数;在线应用时,从故障清除时刻开始,通过判断当前时刻的暂态稳定评估结果是否满足置信度,如不满足则将评估信息将继续提供给下一个时刻进行评估,直到评估结果满足置信度为止,从而实现自适应的暂态稳定智能评估系统。仿真结果表明,提出的模型具有评估时间短和准确度高的优点。     

基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法

该文基于神经网络(artificial neural networks,ANN),提出一种特征分离型暂态稳定智能评估模型,并针对迁移学习样本生成过程提出样本生成方法。根据不同电气特征对电力系统暂态稳定性的关联程度不同,利用神经网络构建了特征分离型暂态稳定智能评估模型;针对潮流变化或拓扑变化的影响,引入迁移学习方法对评估模型进行再训练,提出关键故障位置原则和关键故障持续时间原则指导迁移学习样本生成过程;进而提出通过调节机组出力提升暂态稳定性的优化算法。算例结果验证了分离特征对评估性能提升的有效性;采用迁移学习样本生成原则在减少样本生成数量、提升评估性能方面效果显著;所提优化模型能够有效提升电力系统暂态稳定性,为电力系统暂态稳定性智能评估与优化提供了新的思路。