电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性.     

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.     

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。     

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.     

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。     

基于支持向量机的暂态稳定评估双阶段特征选择

针对电力系统暂态稳定评估的高维性,在构造一组与系统规模无关的原始特征集基础上,提出一种支持向量机双阶段特征选择方法。第1阶段以支持向量机递归特征选择法对原始特征集进行排序,消去对分类不重要的特征,得到一组降维的特征集;第2阶段以径向基核支持向量机为分类器的包装法,用最佳优先搜索算法得到一组近似最优特征子集。最后,在新英格兰39节点和IEEE50机测试系统上,对原始特征集使用所提的特征选择方法,仿真结果证明所提方法的有效性。同时,采用支持向量机双阶段特征选择法得到的特征子集对其他暂态稳定评估模型同样有效。     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

基于双阶段并行隐马尔科夫模型的电力系统暂态稳定评估

基于人工智能机器学习的暂态稳定评估越来越成为研究热点,提出一种基于双阶段并行隐马尔科夫模型(two-stage parallel hidden Markov model,TS-PHMM)的电力系统暂态稳定评估精细化模式识别方法。第1阶段采用相对灵敏度对原始电气特征量进行筛选,找出对电网动态变化敏感度高的特征子集;第2阶段采用主成分分析对特征子集进行排序,得到能够反映电网动态响应特性且线性无关的最优特征子集;最后,通过并行隐马尔科夫模型训练对暂态稳定进行模式识别。在CEPRI 8机36节点以及实际区域电网环境上的仿真分析,验证了该方法的有效性和精确性。在辨识准确率相当的情况下,该方法比常用人工智能类方法(如ANN,SVM等)所需训练样本更少、收敛更快。     

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。     

极限学习机和遗传算法在暂态稳定评估特征选择中的应用

特征选择和空间降维是电力系统暂态稳定评估中的关键步骤。针对国内外现有文献所提方法中存在的效率低、分解子集操作结果不理想等问题,提出了基于极限学习机和遗传算法的输入特征选择方法。首先运用遗传算法实现特征选择,再输入优选后的子集,利用极限学习机构造分类器加以稳定性评判。其中,适应度函数考虑了两个要素:一是所选特征子集应对分类结果起到较为重要的作用;二是用作输入的特征项尽可能精简。在英格兰10机39节点系统中进行仿真计算,结果表明,进行特征选择后分类效果优于未进行特征选择情况,与其他文献所选的特征子集相比,该方法所选特征子集的分类准确率更高,证明了其有效性和优越性。