基于继承思想的时变性电力系统暂态稳定预测

从数据驱动的角度研究暂稳预测问题存在模型变迁和样本匮乏的困扰。针对该问题提出了一种基于继承思想的暂态功角稳定预测方法,该方法适用于暂稳数据增量或暂稳镜像变化的电网过渡阶段,填补了现有预测方法的空缺区间。分别针对电力系统暂稳样本增量的数据时变性和暂稳特性变化的暂稳镜像时变性特点,提出可计及现有预测模型参数的深度继承方法,以及可考虑样本与特征集可延拓性的广度继承方法。基于增量学习的深度继承利用新增暂稳样本,计算暂稳预测模型参数的变化量,降低模型更新所需训练时间。基于迁移学习的广度继承建立了源系统与目标系统的特征集与样本集迁移通道,实现目标系统在小样本条件下的暂稳预测模型构建。算例结果表明,该文所提方法能够反映时变电力系统的暂态稳定特性的动态变化,在样本匮乏的过渡阶段,具有速度和精度优势。