基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

基于改进DCGAN的电力系统暂态稳定增强型自适应评估

海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能。针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充。离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠。在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性。     

基于改进CGAN的电力系统暂态稳定评估样本增强方法

基于数据驱动的暂态稳定评估方法已成为电网安全领域研究的重点,由于实际电力系统中暂态失稳情况极少,给通过数据挖掘方法判断失稳情况带来了极大困难。针对这个问题,提出了一种用于暂态稳定评估中失稳样本合成的数据增强方法,对条件生成对抗神经网络(CGAN)训练方法的适应性进行改进以提高其学习稳定性,在离线训练时利用改进CGAN交替训练生成器和判别器,学习电力系统暂态数据的分布特性,然后采用极限学习机(ELM)分类器筛选出改进CGAN所生成的多组样本中G-mean值最高的生成样本,将其中失稳样本对原始失稳样本进行增强,最后用增强后的原始样本训练分类器,实现在线暂态稳定评估。仿真结果表明,所提出的样本数据增强方法通过改进CGAN实现对原始数据分布特征的有效学习,进而提升暂态稳定评估的正确率,具有抗噪声干扰性强、对高维数据鲁棒性好的优点,能够有效平衡电力系统失稳数据。     

计及样本不平衡与重叠的暂态稳定评估方法

交直流混联系统的稳定性分析复杂且样本不平衡,当前基于数据挖掘的暂态稳定评估方法只追求对不稳定样本的识别精度,忽略了重叠区域样本难分类的问题,导致其综合性能未得到实质性的提升。针对此问题,提出一种计及样本不平衡与重叠的暂态稳定评估方法。所提方法通过焦点损失函数来修正轻梯度提升机(LightGBM),自动根据样本的类别以及是否处于重叠区域中的“灰色地带”赋予其不同的权重,从而优化梯度下降的方向。该方法在提升对不稳定样本识别精度的同时,也减少了对稳定样本的误判。在修改的IEEE 68节点系统和中国某省级电网上的算例表明,所提方法在含有噪声且不平衡的数据集上有良好的评估性能。     

基于Transformer的暂态稳定评估模型的可解释性分析与模型更新研究

深度学习算法在电力系统暂态稳定性评估问题上有着优秀的表现,然而模型评估结果的不可知性与决策过程的不可控性阻碍了其在实际中进一步的应用。构建了基于Transformer编码器的暂态稳定评估模型,尝试通过模型对于特征量的注意力权重,解释和分析模型所关注和学习到的规则。在此基础上,结合可解释性结果提出了一种利用物理信息指导模型优化的模型更新方法。从模型的损失函数出发,通过微调的方式修正模型对特征量的注意力权重分布,加强对于样本失稳模式的挖掘。在微调模型的过程中,引入注意力引导函数提高对特定失稳模式关键机组的关注度,以减少对于特定失稳模式样本的误判,进一步提高整体的预测精度。在IEEE39节点系统和华东电网系统的仿真均验证了该方法的有效性。     

计及漏判/误判代价的两阶段电力系统暂态稳定预测方法

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象,使得该方法不易在工程实践中应用。为此,文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失。仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性。     

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。     

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估EI北大核心CSCD

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。     

基于两阶段集成深度置信网络的电力系统暂态稳定评估

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。     

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。     

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。     

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。     

基于改进深度森林的暂态电压稳定快速评估

随着高压直流输电工程的密集投运,暂态电压稳定问题日益凸显,对系统安全稳定运行产生了严重的威胁。基于改进的深度森林,提出了一种暂态电压稳定智能化评估方法。通过最大相关最小冗余（maximum correlation minimum redundancy, mRMR）代替多粒度扫描提取强表征特征子集,避免了计算量大、内存占用多问题。然后,对极限梯度提升树（extreme gradient boosting, XGBoost）进行集成以构造新的级联森林,进一步提升模型预测精度。在改进的新英格兰10机39节点测试系统中开展算例分析,结果表明,所提方法具有评估精度高,计算耗时短和鲁棒性强的优点,可辅助电网运行人员在故障后及时预判暂态电压失稳风险,从而提升系统安全稳定运行能力。     

基于多支持向量机综合的电力系统暂态稳定评估

目前,利用数据挖掘方法进行电力系统暂态稳定评估的研究,对结果中不稳定样本被误判为稳定样本的情况重视不足,不符合电网运行对安全性的要求。针对该问题,文中提出了安全域概念下基于多支持向量机综合的电力系统暂态稳定评估方法。该方法首先利用网格法对支持向量机进行参数寻优,然后选取分类准确率高的若干组支持向量机参数,在这些参数下训练支持向量机,最后对训练得到的支持向量机进行综合,实现电力系统暂态稳定评估。对仿真系统的分析表明,文中提出的方法能够充分利用不同参数的支持向量机提供的有用信息,大量减少"误判稳定"样本的个数,可以对应用数据挖掘理论进行电力系统暂态稳定评估的实际应用提供有益的参考。     

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GAN和多通道CNN的电力系统暂态稳定评估

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性。针对该问题,该文提出一种基于多通道卷积神经网络(convolutionalneural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法。首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考。在IEEE-39节点系统和某省级电力系统上仿真表明：所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性。     

基于静态信息的在线暂态稳定评估及预防控制

针对目前暂态稳定评估与预防控制的在线实用性和快速性不足等问题,提出了一种基于静态信息的在线暂态稳定评估及预防控制方法。首先,利用大量的预想事故时域仿真样本建立电网运行方式、拓扑结构等静态信息与暂态稳定水平的关系,采用最短路的主导失稳机群辨识方法来识别电网暂态失稳模式和划分机群,并基于主导失稳机群和网络拓扑选取暂态稳定评估特征量;然后,推证出临界切除时间(critical cut time,CCT)与主导失稳机群有功出力的近似线性关系,通过调整在CCT的主导失稳机群有功出力至足够大,从而规避电网失稳风险;最后,通过IEEE 10机39节点系统和南方电网系统仿真,验证了该方法的合理性和有效性。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

基于代价敏感堆叠变分自动编码器的暂态稳定评估方法

机器学习算法在训练过程中,难免会遇到样本不平衡的情况,同时,对于电力系统来说稳定样本与不稳定样本的误分类代价是不同的,因此提出一种基于代价敏感堆叠变分自动编码器(stacked variational auto-encoder,SVAE)的电力系统暂态稳定评估方法。在模型训练过程中,通过改变误分类结果对模型参数调整的权重系数,修正了判别模型在不平衡样本训练过程中的倾向性,并提高了模型全局准确率。在此基础上,进一步提高不稳定样本的权重系数,有效加强了模型对不稳定样本的拟合程度,降低了不稳定样本的误判情况。在IEEE-39节点系统下的仿真结果说明,在不平衡样本情况下,所提方法可以改善判别结果的倾向性;在平衡样本情况下,通过误分类代价的设定可以有效降低不稳定样本的误判情况。