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。     

基于奇异值分解的同调机群识别方法

提出一种基于奇异值分解的同调机群识别方法。该方法直接面向发电机实时功角数据,利用奇异值分解技术提取反映机组同调性的关键信息。从能量的角度出发,根据定义的能量贡献率指标自适应地选择奇异值数量,构造低维权矩阵,进而实现数据的显著降维。最终通过对权矩阵进行聚类分析实现同调机群识别。该方法具有原理简单、易于实现、计算量小等特点,能够十分方便地实现大型复杂电网中机群的同调识别。提出了该方法的在线应用框架,测试结果表明该方法分群速度快,具备在线应用潜力。此外,同调识别的结果可直观地进行图形展示,有利于电网的运行控制与分析。通过IEEE 39节点系统和南方电网算例验证了该方法的有效性和正确性。     

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。