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。     

基于投影能量函数和Pin-SVM的电力系统暂态稳定评估

提出一种基于Pin-SVM的电力系统暂态稳定评估方法。首先,采用系统指标(如平均机械功率、初始加速度和系统冲击等)和投影能量函数指标(如投影角速度、投影角加速度和投影动能PKE)构建暂态稳定指标的原始特征集,通过最大相关最小冗余特征选择方法对暂态指标集进行特征压缩,寻找对电网暂态变化敏感度高的特征子集;然后,基于Pin-SVM思想将特征子集映射到高维空间,实现非线性暂态稳定评估问题的线性转换,进而引入分位数改变系统稳定类与不稳定类之间的最近点位置,将暂态稳定分类问题转换为在Pin-SVM中寻找最优分位数距离问题,以减小边界干扰样本的影响,提高电力系统暂态评估方法的评估准确率和稳定性。最后,以IEEE-39节点系统、IEEE-145节点系统和某实际算例进行仿真计算,计算结果验证了该方法的有效性和准确性。     

基于尺度不变特征转换的暂态稳定边界特征提取

临界暂态稳定的边界问题是评价电力系统暂态稳定性的核心问题之一,准确刻画临界暂态稳定的边界特征对电力系统暂态稳定评估具有重要意义。当前在暂态稳定评估时,常常由于无法对电网临界状态给出准确判断,使安全评估存在模糊区域。为此该文采用尺度不变特征转换(scale invariant featuretransform,SIFT)算法对临界暂态稳定展开边界特征的提取挖掘。首先基于暂态稳定单机模型及能量函数,直观刻画系统的临界暂态稳定状态;并在分析了"源-网"特征的相关性后,选取最能表征电网稳定状态且相互之间存在较为紧密联系的"源-网"状态量作为算法输入特征;接着利用SIFT算法,对"源-网"各状态量进行特征匹配,通过构造的匹配评估指标,对匹配结果进行精准量化;最后基于IEEE-39节点系统及河南电网仿真算例验证了所提算法的有效性。研究结果表明,该方法能有效识别电网临界暂态稳定状态,支撑电网实现暂态稳定的精细化评估。     

基于增强进化计算的电力系统暂态稳定关键特征智能选择方法EI北大核心CSCD

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。     

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。     

面向暂态电压稳定评估的卷积神经网络输入特征构建方法

以卷积神经网络(CNN)为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用,但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估,提出了一种适用于CNN的输入特征构建方法。首先,基于双阶段分区来降低输入特征的维度和冗余度,即先依据系统拓扑关系和地理位置约束给出初始分区结果,再以节点的暂态电压特征相似性进行聚类,得到降低维度和冗余度后的最佳分区方案;然后,在分区结果的基础上,考察影响交直流系统暂态电压稳定的关键因素,构建兼顾稳态特征量和多维度故障信息的输入特征;最后,将所构建的输入特征应用于CNN暂态电压评估模型,并采用实际电网数据进行验证。仿真结果表明,所提方法较传统特征选择方法具有更高的准确性。     

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。     

考虑数据缺失的电力系统暂态稳定自适应集成评估方法

随着电力物联网概念的提出,暂态稳定评估在电力系统规划运行中扮演着越来越重要的角色.由于同步相量测量单元(PMU)的广泛配置,基于机器学习和PMU在线量测数据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可能因PMU失效而严重影响精度的问题,文中提出了一种考虑数据缺失的电力系统暂态稳定自适应集成评估方法.首先,在保证全网节点可观性的基础上构建考虑PMU重要性的PMU子集集合搜索算法.然后,根据PMU子集对应的特征集训练暂态稳定评估子模型.最后,在任意可能的PMU失效情况下采用自适应加权融合机制构建集成暂态稳定评估模型.在新英格兰10机39节点电力系统上的仿真表明,文中提出的方法在PMU失效造成的数据缺失下仍然能够准确、可靠地进行暂态稳定评估,在鲁棒性、计算量及准确率上相比已有的方法均具有较大优势.     

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。     

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。