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。     

稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法

电力系统故障后在线暂态稳定评估是一个难题。目前基于数据挖掘方法的相关研究存在2个问题:评估规则缺乏电力系统理论依据,评估结果难以保证保守性。针对第1个问题,文章提出稳定域概念下的暂态稳定评估方法,其稳定评估规则是对稳定边界的近似与变换。针对第2个问题,文章提出一种基于新型支持向量机的暂态稳定规则训练算法。该算法的核心在于通过调整传统支持向量机模型得到保守支持向量机和激进支持向量机,利用这2种支持向量机生成的边界将输入空间分为3个区域:稳定区域、不稳定区域和灰色地带。稳定区域和不稳定区域的稳定性评估确保正确,灰色地带尽量小。最后,分别在IEEE 39节点系统和某省级电网中验证了该评估方法的有效性。测试结果不存在漏报警和误报警,灰色地带随着输入特征数的增加而减小,根据需要可以控制在一定范围内。     

基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机，结合装袋和近似推理，提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势，有效地提高了暂稳评估模型的泛化能力，并通过训练样本集重构解决了暂稳评估的多类识别问题，在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。     

基于LSSVM和证据理论的电力系统暂态稳定评估

提出了一种基于最小二乘支持向量机和D-S证据理论的信息融合模型的电力系统暂态稳定评估方法。选取了稳态特征量、故障初始时刻特征量和暂态特征量构成不同组输入特征,采用最小二乘支持向量机分类器进行暂态稳定评估,再对子分类器的结果在输出空间利用D-S证据理论实现决策级融合,以提高电力系统暂态稳定评估的可靠性。利用电力系统综合分析程序(PSASP)对EPRI-36节点系统进行了仿真计算,结果表明:可以提高训练效率以及分类的准确性。     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

融合邻域粗糙约简与深度森林的电力系统暂态稳定评估

在实际电网运行中,暂态稳定样本与暂态失稳样本间呈现出明显的不平衡关系,且误判失稳样本与误判稳定样本的代价不同。当前基于数据挖掘的暂态稳定评估方法多基于浅层模型,对误判暂态失稳样本的重视不够,且评估精度有待进一步提高。基于此,提出一种融合邻域粗糙约简与深度森林的电力系统暂态稳定评估方法。利用邻域粗糙集在不同粒度级别下寻找多组不同的最优特征子集以对原始特征进行再表征,通过深度森林的级联结构实现对原始暂态特征的表征学习,强化特征量与暂态稳定状态间的非线性映射关系;引入加权投票机制,提高分类过程对暂态失稳样本的重视。在IEEE 10机39节点系统上的实验结果表明,所提方法能够在提升评估精度的同时,有效降低了对暂态失稳样本的误判,在不同数据规模和不同程度的不平衡样本数据上均具有较好的表现,具有一定的鲁棒性和适用性。     

支持向量机动态训练算法电力系统暂态稳定评估

在对比分析电力系统已有暂态稳定评估方法的基础上,提出一种以支持向量机模型为基础的动态训练算法.该方法将特征提取、样本训练融合在一起,动态产生一系列支持向量机模型,同时可以从维数较大的初始特征集中选择多组有效特征.实验表明,它可用于解决输入空间的可分性问题.在3机9节点以及16机68节点系统中的应用表明了该方法的有效性.     

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。     

基于主动学习的电力系统暂态稳定评估方法

随着泛在电力物联网概念的提出,暂态稳定在电力系统运行控制中扮演着越来越重要的角色。由于相量测量单元(Phasor Measurement Unit,PMU)的广泛配置,基于机器学习的暂态稳定实时评估方法展现出了巨大的发展潜力。针对这类方法在应用中离线训练数据生成耗时及造成的难以在网架发生变化后快速更新模型的问题,论文提出了一种基于主动学习的电力系统暂态稳定评估方法。考虑不同运行方式、不同故障下进行短时间仿真(仿真至故障切除时刻)生成无标注样本;随机选取一部分样本进行长时间仿真以标注这些样本的稳定状态,并进一步训练基于支持向量机的暂态稳定评估模型;最后循环选择剩余未标注样本中信息熵较高的部分数据进行标注对模型重新训练,直至模型准确率不再变化。在新英格兰10机39节点测试电力系统的仿真表明,论文提出的方法能够有效降低离线仿真的时间,大大提高评估模型部署的效率,并对广域噪声具有鲁棒性。     

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。     

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。     

基于数据挖掘理论的电力系统暂态稳定评估

将数据挖掘理论中的关联规则分析与分类分析相结合，提出了一种基于数据挖掘理论的暂态稳定评估方法。文中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；考虑到电力系统数据量大的特点，采用聚类分析、特征变量提取、连续数据离散化等数据预处理手段，以提高问题判断的准确性、可靠性和实用性。利用关联分类法可产生反映电力系统运行状态和暂态稳定性的关联规则，这些规则可被用来对系统进行暂态稳定的预测和评估。通过对3机9节点系统的计算，验证了该评估方法的有效性。     

基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

为了提高支持向量机(Support Vector Machine, SVM)的分类性能,提出了根据关键样本集构造的SVM综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM分类步骤。采用3机9节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。     

基于堆叠自动编码器的电力系统暂态稳定评估

将深度学习的思想和模型引入电力系统暂态稳定评估研究中,提出一种基于堆叠自动编码器的电力系统暂态稳定评估方法。该方法无需人工计算形成输入特征,直接面向底层量测数据,通过深层架构建立量测数据与稳定类别之间的非线性映射关系。采用一种"预训练–参数微调"的两阶段学习方法,同时引入稀疏化技术和Dropout技术对模型参数进行优化。训练后的模型能够依靠深层结构挖掘数据的隐藏模式,提取出有利于暂态稳定评估的高阶特征。此外,该方法能够通过大量无标注样本的无监督训练提高模型泛化能力,从而大大缩减训练样本时域仿真耗时。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规浅层评估方法的评估性能更加优越。     

基于深度学习的暂态稳定评估与严重度分级

提出一种安全域概念下的堆叠降噪自动编码器和支持向量机集成模型相结合的暂态稳定评估方法。将故障前的潮流量作为输入,利用堆叠降噪自动编码器对输入量进行多层抽象表达,使用提取的各层特征训练支持向量机;建立支持向量机集成分类模型进行暂态稳定评估,对评估结果进行可信度分析,将输入空间划分为稳定区、边界区和失稳区;利用效用理论结合所提出的暂态稳定裕度指标对运行方式进行严重度分级。算例结果表明,所提暂态稳定评估方法具有更高的评估准确率和一定的泛化能力;所提严重度分级方法能够直观表现不同运行方式的危险程度。     

电力系统暂态稳定评估组合模型的比较

组合模型能提高电力系统暂态稳定评估的分类性能。文中构建了12组输入特征,在IEEE 16节点和IEEE 50节点测试系统上生成了24个样本集。提出了一种测试分类综合指标。在24个样本集上比较了单个(神经网络、决策树、K最近邻法和支持向量机)和组合(装袋、提升、堆栈和随机森林)的暂态稳定评估模型测试指标发现,单个评估模型中,K最近邻法分类性能最好;组合方法均能提高分类性能,其中随机森林分类性能最好,其次是堆栈(支持向量机、K最近邻法、决策树)、提升-决策树和装袋-决策树。     

基于Stacking元学习策略的电力系统暂态稳定评估

为提高电力系统暂态稳定评估单个模型的准确率,研究了基于元学习策略的暂态稳定评估问题,提出了支持向量机、决策树、朴素贝叶斯和K最近邻法作为基学习算法,线性回归为元学习算法的Stacking评估模型。该模型将上述基学习算法的概率输出作为新训练数据的输入特征,同时保留原始的类标识。线性回归算法在新训练集上学习得到最终暂态稳定评估结果。新英格兰39节点测试系统和IEEE50机测试系统上仿真实现了该模型,仿真结果证明所提模型比单个模型的评估性能更好,为电力系统暂态稳定评估提供了新的思路。     

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

目前,利用数据挖掘方法进行电力系统暂态稳定分析的研究,所用数据集普遍存在失稳样本少的样本不均衡问题,且挖掘模型的参数选择困难,缺乏对预测结果可信度进行评价。针对以上问题,文章提出用于暂稳预测的支持向量机(support vector machine,SVM)组合分类器及其可信度评价方法。首先采用改进bootstrap抽样得到多个类别均衡的数据集,利用随机特征子空间技术进一步压缩数据集;然后用压缩后的数据训练得到多个SVM分类器,各SVM的参数在经验范围内随机选取;最后,通过综合多个SVM的概率输出,得到组合分类器的预测结果,并对结果可信度进行评价。通过算例分析表明,改进Bootstrap算法能够明显减少对失稳样本的漏判,所提出的SVM组合分类器具有较高的预测准确度和可信度。