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。     

考虑暂态电压稳定约束的最优潮流计算

根据电压稳定研究的成果,提出了一种适合工程应用要求的暂态电压稳定判据形式.同时,提出了基于最优控制原理的求解暂态电压约束梯度的方法,该算法能有效提高计算速度,并将其作为暂态电压稳定约束加入OTS模型.由于该算法大幅降低了暂态稳定约束的维数,不但减少了计算量,并且能够处理多个预想事故.采用IEEE3机9节点系统对该算法方法进行了仿真分析,结果表明,提出的电压稳定判据有效可行,并且经OTS求解后的系统能够维持暂态电压稳定,从而验证了该算法的有效性和正确性.     

基于改进CDBN的电力系统暂态稳定评估

为进一步提高暂态稳定评估模型对失稳样本的识别能力,提出一种基于改进卷积深度置信网络（CDBN）的电力系统暂态稳定评估模型。首先,基于归一化互信息（NMI）构建特征选择框架对模型输入特征进行筛选,降低数据维度,提高模型计算效率;然后,在CDBN中引入注意力机制,建立基于改进CDBN的暂态稳定评估模型;最后,设计模型更新机制来适应电力系统运行工况的变化,提高评估模型的泛化能力。在新英格兰10机39节点系统上的实验结果验证了所提方法的有效性。     

基于电压时间序列的电力系统暂态电压稳定分析

基于实时获取的广域测量信息,提出一种利用机端电压幅值偏差序列的最大Lyapunov指数指标(LLE)与机端电压幅值序列相结合的暂态电压稳定判别方法.基于无需系统模型的LLE计算方法,建立LLE与机端电压幅值偏差序列的数学关系,根据最大Lyapunov指数曲线运动的轨迹特征,以及机端电压幅值变化率-电压幅值偏差(Vmag...     

基于图卷积神经网络的电力系统暂态稳定评估

随着新能源高渗透、特高压输电互联及电网数字化智能化等新兴技术的高速发展,电力系统结构变得更加复杂,因此对电力系统的安全稳定运行工作提出了更高要求。基于此,给出一种以图卷积神经网络模型为基础的暂态稳定分析方法,将短时模拟与神经网络预测相结合,减少暂态稳定分析所需周期,该方法适用于多种仿真分析场景。同时,将图卷积神经网络代理模型与遗传算法相结合,快速稳定地完成针对预想故障集的暂态稳定中预防控制优化策略的求解。与传统暂态稳定分析方法相比,提出的方法所需运行时间短、效率高。基于IEEE-30和IEEE-39节点系统的测试结果验证了所提方法的适用性、高效性和优越性。     

基于Smo-PinSVM的含新能源电力系统暂态稳定评估

引入分位数概念来改善评估稳定性,并采用序贯最小优化策略来提高计算速度.首先,采用新能源和系统特征构建表征电力系统暂态稳定性的原始特征集,有效表征新能源接入对暂态稳定性的影响;然后,引入分位数来改变稳定类与不稳定类的最近点位置,降低由于新能源的波动性和不确定性对评估稳定性的影响,进而引入序贯最小优化策略,将弹球损失支持向...     

基于CNN的配电网快速重构方法

针对现有配电网重构算法求解速度慢的问题,提出基于卷积神经网络(CNN）的配电网快速重构方法。首先,搭建基于配电网环路结构的多分支CNN模型,减少建模过程对配电网具体结构的依赖;其次,利用混合训练方法训练CNN模型,使模型具备对不同负载模式的配网进行快速重构的能力;最后,以IEEE33节点测试系统为例,验证所提方法的有效性。     

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、最小二乘支持向量机方法相比,在准确率、评估速度2方面有着较大提升。     

电网暂态电压稳定的主要影响因素量化分析

摘要： 含多馈入直流输电线路的复杂大型受端系统,由于故障后直流换流器和电动机消耗无功功率急剧增长,使得系统暂态电压稳定性面临严峻考验。以某典型受端电网为例,分析了电网暂态电压失稳的严重问题,基于暂态电压失稳的量化评估指标,深入分析了负荷模型和扰动形式对暂态电压稳定性的影响,并根据该电网暂态电压失稳特点提出了改善暂态电压稳定性的方法,即在电网薄弱站点装设动态无功补偿设备STATCOM。所提出的分析方法与结论对其他电网的暂态电压稳定性分析有一定的借鉴意义。     

基于卷积神经网络的内燃机声品质评价方法研究

为解决内燃机声品质评价中人工效率低、成本高的问题,引入卷积神经网络(convolutional neural network,CNN)模型和声谱分析方法构建了CNN声品质预测模型;同时模型中设计了带通滤波器,可对噪声样本进行自动特征提取,并以此为输入数据,利用自适应时刻估计(adaptive moment estimation,Adam)算法优化网络中各层权重,并将模型用于声品质评价。为证明CNN模型预测的性能,构建了基于心理声学参量的后向传播算法(back propagation,BP)声品质评价模型,并用于对照试验,在样本标签值(人工评价值)处理时,分析了客观评价心理声学参数与评分值的相关性,选取与人工评价结果相关度最大的4个心理声学参量作为BP模型的输入值进行预测。试验结果表明,基于CNN的声品质评价模型能更精确地预测内燃机声品质,并且在CNN预测模型中基于听觉谱的输入评价值比基于时域的短时平均能量、频域的频谱通量输入评价值精度更高。     

基于复杂网络理论的受端电网分层分区

提出了一种基于复杂网络理论的受端电网分层分区方法,采用社团网络分区中的Normal矩阵谱平分法,结合K-means聚类算法形成备选分层分区方案,保证了同层区电网内紧密的电气联系。同时,将模块度指标和无功储备校核法引入分层分区算法流程中,使备选结果满足实际电网对电气距离及电能质量的要求。另外,为了从备选方案中选取较优的分层分区方案,在建立分层分区综合评价指标体系的基础上,将灰色关联序分析法与层次分析法相结合,形成层次分析-灰色关联组合权重分析法,使电网分层分区结果更客观,更可信。采用IEEE 39节点标准测试系统对所提分层分区方法的可行性和效率进行仿真计算和验证。分析表明,该方法能够快速有效地获取合理的分层分区方案,为电网分层分区工程实践提供理论支撑     

基于响应的电压稳定性评估和控制方法

提出了一种根据电力系统网络节点的实时信息评估系统电压稳定性的方法,当系统电压稳定裕度较低时,根据全网响应信息获得相应的切负荷量。该方法基于两节点电力系统等值网络,得到了系统电压稳定性的评估指标;从系统等值网络的等值过程出发,将节点等值负荷分成自身负荷和转移负荷两部分,推导了该节点电压稳定性的评估指标与有功负荷量之间的关系式,从而获得了该节点在满足一定电压稳定指标情况下的最大有功负荷量,进而得到该节点所需要的切负荷量。该方法首先利用电压稳定性的评估指标在线监视电网中各节点的电压稳定性,辨识危险节点;当系统电压稳定性不满足要求时,根据全网的电压、电流量等响应信息计算危险节点需要的减载量。在IEEE14节点系统和IEEE24节点系统下的仿真结果表明,所提方案能够保证电网的电压稳定性。     

福建电网故障扰动下的暂态电压稳定性研究

以福建电网2008年年底大方式为基础,采用PSD电力系统分析软件对各种故障扰动下福建电网的暂态电压稳定性进行数字仿真计算和分析,模拟了三相故障永久性跳闸、发电机组失磁、两台联变故障、电厂全停等多重故障形式.仿真结果分析表明,该方法研究动态电压特性有效,采取合理的控制措施可提高电网可靠性和系统抗扰动能力.     

基于深度卷积神经网络的转子轴心轨迹智能识别

转子轴心轨迹作为转子故障的典型特征之一,可以提供更具代表性的故障特征信息。对转子轴心轨迹形状进行准确识别是构建转子故障特征征兆的基础。为提高转子轴心轨迹形状识别的泛化能力,提出一种基于深度卷积神经网络的转子轴心轨迹成像及形状识别方法(DimShapeNet)。将转子轴心轨迹映射到二维数字图像中,利用反灰度化预处理方法,去除二维数字图像中多余的颜色信息;将预处理后的转子轴心轨迹数字图像输入深度卷积神经网络中进行训练。结果表明：经过反灰度化预处理的转子轴心轨迹数字图像在深度卷积神经网络的训练中更有优势;相比于传统的转子轴心轨迹形状识别方法,基于深度卷积神经网络的转子轴心轨迹形状识别方法具有更高的准确性和更好的鲁棒性。