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。     

便携式计算机防遗失防盗功能的新设计方案

基于现有的便携式计算机保护方法，设计了防遗失防盗的新方案。本设计方案创新性提出了嵌入式的思想，将A芯片置于计算机机体内，配合植入具有艺术审美特征的小挂饰物的B芯片工作，通过感应信号强弱来实现距离监控的原理，以达到便携式笔记本的防遗失防盗功能。同时提出了A、B芯片的新设计路线。该设计具有体积小、成本低、外形美观、双向报警等特点，有较高的实用性和可观的经济效益，推广前景十分广阔。     

基于L-M法的电力系统非线性参数辨识方法研究

现代电力系统的实时控制等方面对系统参数的精确性要求较高。针对电力系统非线性参数辨识问题,将非线性反问题的正则化研究方法L-M法引入电力系统参数辨识。L-M法可以看作是对非线性问题先作线性化后正则化的过程,具有很好的鲁棒性。通过在仿真中设置多个测试场景研究表明,该方法能够有效地对发电机参数进行辨识,和其它算法相比,有效提高了辨识精度,而且对初始点不敏感,具有克服迭代矩阵病态或奇异的能力。     

基于迁移学习的智能静态电压稳定评估方案

由于电力系统拓扑结构复杂多变,基于数据驱动的静态电压稳定评估通常存在模型泛化能力不足的问题.针对该问题,文中提出了一种基于迁移学习的智能静态电压稳定评估方案.基于最大相关最小冗余(Maximal Rel-evance Minimal Redundancy,MRMR)准则和shapley值构建S-MRMR特征选择框架,对...     

基于约束投票极限学习机的在线静态电压稳定评估

快速准确的在线静态电压稳定评估是规模化互联电网安全稳定运行的重要保障。针对传统神经网络学习模型调参繁杂、训练时间长、样本需求数量庞大等缺点,提出了一种基于约束投票极限学习机（constrainedvoting extreme learning machine,CV-ELM）的在线静态电压稳定评估模型。CV-ELM基于类间样本差值构建差向量集计算输入层对隐藏层的权值及隐藏层节点偏置项,并引入多数投票机制,通过集成学习的方式进行分类决策。此外,CVELM可自适应确定网络参数,在分类准确率、鲁棒性及泛化能力方面均优于传统的ELM。最后,基于新英格兰10机39节点系统的算例仿真结果证明了所提模型的有效性。     

笔记本电脑防盗设计的电路规划及部分电路研究

针对笔记本电脑防盗设计的新方案，做出了信号发射模块和信号接收模块的路设计规划。同时对部分电路的工作原理进行了分析和研究，并对另外的设计方案介绍了可能实现的制作路线。     

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MRMR-DRSN的电力系统暂态稳定评估

随着电力系统的广泛互联互通和相量测量单元（phasor measurement unit,PMU）的广泛应用,电力系统的安全运行面临着巨大挑战。为实现对电力系统运行状态快速、准确、有效的评估,提出了一种基于最大相关-最小冗余（max-relevance and min-redundancy,MRMR）准则和深度残差收缩网络（deep residual shrinkage network,DRSN）的暂态稳定评估方法。首先,利用MRMR准则进行特征选择,并将筛选后的关键特征和相应的类标签作为DRSN模型的输入和输出进行离线训练。然后,制定模型更新机制以应对电力系统运行工况变化。最后,基于PMU实时数据和训练好的DRSN,可立即提供暂态稳定评估结果。在IEEE 10机39节点系统上进行测试,结果表明,所提方法相较于其他数据驱动方法的综合评估性能更优异,同时还具有较好的抗噪性能和鲁棒性。     

考虑量测数据缺失的电力系统暂态稳定评估

电力系统量测数据在传输过程中可能出现缺失,进而影响现有暂态稳定评估方法的性能。为此,基于生成对抗网络(generative adversarial networks, GAN)和极限学习机(extreme learning machine, ELM),提出了一种考虑量测数据缺失的电力系统暂态稳定评估方法。首先,使用GAN生成符合真实数据分布的新数据,解决量测数据缺失问题;然后,利用ELM评估模型实现对电力系统的暂态稳定评估;最后,在新英格兰10机39节点系统上进行测试。结果表明,所提方法能够有效修复缺失数据,显著提高暂态稳定评估准确率。与其他评估模型相比,其更适用于电力系统暂态稳定评估领域,有益于基于数据驱动的暂态稳定评估方法的实际应用。     

针对电力系统数据缺失的暂态电压稳定评估方法

针对数据缺失时暂态电压稳定评估模型精度下降的问题,提出一种基于多视图缺失数据填充和门控图神经网络的电力系统暂态电压稳定评估方法。首先,基于多视图互补的时空视图来填充缺失数据,得到完整的数据集;然后,采用修复完整的数据集训练门控图神经网络模型进行暂态电压稳定评估,评估模型要进行快速更新,以提高在线应用的性能;最后,在IEEE39节点系统算例上进行验证所提方法的有效性。仿真结果表明,本文方法可以在任何同步向量测量单元放置信息丢失和网络拓扑变化的情况下及时有效地填补缺失数据,且所用评估模型的评估性能具有显著优势。