基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

一种适用于WAMS量测数据的系统暂态功角稳定评估方法

考虑WAMS量测数据刷新速率快,数据量大的特点,提出了一种适用于WAMS量测数据的暂态功角稳定评估方法。选取初始特征量集并用核主成分分析法对特征集进行降维,过滤冗余特征并降低分类器输入向量的维度。构建训练样本集,计算各样本的初始特征量集并进行降维。通过训练ECVM分类器对暂态功角稳定进行评估,并用测试数据集验证分类器的准确率。在新英格兰10机39节点系统中的仿真表明,所提算法有较高的分类准确率,与传统分类算法相比降低了单个样本评估所需的时间,具有工程使用价值。     

基于深度置信网络的电力系统暂态稳定评估方法

为进一步提高电力系统暂态稳定评估(transient stability assessment,TSA)的准确率,将"深度学习"方法引入电力系统暂态稳定评估,提出一种基于深度置信网络(deep belief networks,DBN)的TSA方法。构建一组能够反映系统暂态稳定特性的32维原始特征作为DBN模型的输入量,稳定结果作为输出量,利用深层架构对稳定结果与系统特征之间的映射关系进行训练。采用一种先使用无标注样本进行贪心无监督学习,后使用有标注样本进行监督学习的方法训练DBN模型的参数。训练后的模型能充分利用深层架构的特征提取优势,并能够利用大量无标注数据提高模型的泛化能力。新英格兰10机39节点系统上的仿真结果表明所提方法比常用的暂态稳定评估方法准确率更高,且能够在仅少量训练样本和含有无关特征的情况下获得优越的评估性能。     

电力系统暂态稳定概率评估方法

提出了一种基于蒙特卡罗-支持向量机的电力系统暂态稳定概率评估方法。首先构建了一组包含电力系统稳定和故障信息的原始特征,经特征选择降维后作为支持向量机的输入,在训练集上进行10折交叉验证,研究了4种支持向量机,其中径向基核支持向量机具有优良的评估性能;然后采用非序贯蒙特卡罗模拟方法选择随机因素,径向基核支持向量机加速暂态稳定评估过程,利用累计分类结果计算电力系统暂态不稳定概率。新英格兰39节点测试系统算例表明,该方法能大幅减少模拟时间,满足暂态稳定概率评估的精度要求。     

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LightGBM的电力系统暂态稳定评估方法

为了快速准确地对电力系统的运行状态进行评估,提出了基于LightGBM的电力系统暂态稳定评估方法。首先,利用基于最大信息系数的特征选择算法进行数据降维,筛选出与暂态稳定指标高度相关的关键特征。然后,使用选定特征和相应的暂态稳定指标构建数据集对评估模型进行训练。最后,在接收到来自相量测量单元的实时数据后,基于LightGBM的暂态稳定评估模型提供评估结果。在39节点系统和一个实际的1648节点系统上对所提方法进行应用与验证,结果表明所提出的基于LightGBM的暂态稳定评估方法可保证在线实际应用的时效性和准确性,能有效降低电力系统潜在的运行风险。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

基于深度学习的电力系统暂态稳定评估方法

在机器学习领域,暂态稳定评估问题被定义为通过大量故障样本来估计稳定边界的二分类问题。该文提出了一种深度学习方法来解决这个二分类问题。该方法包含4个步骤:首先,利用样本数据构建原始输入特征来描述电力系统动态特性;然后,采用变分自动编码器(variational auto-encoders,VAE)对原始输入特征进行无监督学习实现特征抽取,从而获得高阶特征;之后,对卷积神经网络(convolution neural network,CNN)进行有监督学习训练得到高阶特征与电力系统暂态稳定性之间的映射关系;最后,将训练得到的模型应用于电力系统在线暂态稳定评估。在新英格兰39节点测试电力系统的仿真试验表明,所提出的暂态稳定评估(transient stability assessment,TSA)模型具有评估精度高、不稳定样本评估错误率低、抗噪声干扰能力强的特点,适合基于广域测量信息的准实时在线暂态稳定评估。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

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。     

基于深度信念网络的供电可靠率预测模型

供电可靠率是供电服务水平的重要指标之一。提出了基于相关性分析和深度信念网络的供电可靠率预测模型。首先利用Pearson系数选取停电次数、最大负荷和用户电费均价系数作为输入特征集。然后将特征集输入到所建立的深度信念网络中,采用逐层无监督训练方法和反向传播训练方法对模型进行参数优化,通过该模型进行供电可靠率预测。最后将所提出的模型与传统人工神经网络、支持向量回归和差分整合移动平均自回归进行比较,结果验证了文章提出的供电可靠率预测模型的有效性。     

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...     

基于交叠概率的暂态电压稳定评估特征选择

针对电力系统的高维特征量,提出了一种能有效降低维数的特征选择方法.该方法以最小概率落入类别间的不可判别区域为原则选取特征组合.算法核心在于特征组合过滤判据的确定,判据的形成基于样本点落入类别间交叠区域的概率,方法简易直观.针对系统的暂态电压稳定评估问题,首先构建了一组暂态电压稳定评估的原始特征属性集,将经特征选择降维后的特征组合作为决策树的输入,并用10倍交叉验证方法对评估结果进行验证.2个标准系统的算例表明,通过该方法对暂态电压稳定评估进行特征选择得到的特征属性组合在电压稳定评估的应用上具有更高的准确率     

基于 KPCA-SVM 的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机(SVM)和K近邻(KNN)作为分类器,通过3种降维方法分与SVM和KNN的不同组合构成疲劳分类模型.结果 表明,KPCA与SVM的组合模型对于疲劳的正确识别率最高达到99％,高于其他组合算法.     

基于信息熵的属性离散化算法在暂态稳定评估中的应用

针对人工神经网络用于大规模电力系统暂态稳定评估时所面临的训练样本集庞大、训练负 担重,以及收敛性差的问题,提出一种用于训练样本集压缩的属性离散化方法。在矢量空间聚类的 基础上,将每个聚类在各属性轴上投影的边界设为候选离散断点,采用基于信息熵的正交化增益函 数选择最终断点进行离散,并对离散后的数据进行压缩处理;然后,采用一种改进的反向传播神经 网络对离散压缩后的训练样本集进行学习训练和分类测试。在新英格兰10机39节点系统和某省 电力系统中的应用表明,在保证暂态稳定分类精度的前提下,所提出的属性离散化和样本集压缩方 法可有效地压缩训练样本集的规模,减轻神经网络的训练负担,提高收敛速度。     

核主成分分析和粒子群优化算法在牵引电机故障诊断中的应用研究

提出了一种采用核主成分分析和粒子群优化支持向量机的电力机车笼型异步牵引电机故障诊断方法。先利用核主成分分析对故障数据进行特征提取,以获得的故障特征子集作为支持向量机故障分类器的训练样本,然后设计和构建了支持向量机多故障诊断系统,其中,支持向量机的参数通过粒子群优化算法进行了优化,最后实现对笼型异步牵引电机的故障诊断。该方法既发挥了核主成分分析的特征提取能力,又充分利用了支持向量机良好的分类性能和泛化推广能力以及因其算法简单而满足的在线故障诊断的实时性要求。实验结果分析表明,该方法能够有效地应用于电力机车笼型异步牵引电机的故障诊断。     

深度学习在智能电网中的应用现状分析与展望

深度学习是机器学习研究中的一个新领域,其强大的数据分析、预测、分类能力契合智能电网中大数据应用的需求。文中首先总结了深度学习基本思想,介绍深度学习的5种模型(生成式对抗网络、递归神经网络、卷积神经网络、堆叠自动编码器和深度信念网络)的结构、基本原理、训练方法,概括其应用特征。综述了电力系统中的故障诊断、暂态稳定性分析、负荷及新能源功率预测、运行调控等应用深度学习技术的研究现状。针对深度学习的技术特点,结合电力系统各生产环节,构建深度学习技术在电力系统中的应用框架。最后,从多能源系统运行调控、电力电子化系统安全分析、柔性设备故障诊断、电力信息物理系统的安全防护等方面对深度学习应用进行展望。     

基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节。针对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。综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果。