基于差分进化极限学习机的电力系统暂态稳定评估方法

电力系统暂态稳定性的破坏可以对电力系统的安全稳定运行产生严重冲击,准确、快速地暂稳评估方法能够提高电力系统的安全防御能力。极限学习机由于其速度快、泛化性能好被应用到电力系统暂态稳定评估中。为了提高极限学习机的评估性能,利用基于差分进化算法的优化方法和序列浮动后向特征选择算法对极限学习机暂态稳定评估性能进行提升。首先对输入特征通过主元分析降维并利用序列浮动后向算法进行特征选择,再将最优特征集输入差分进化极限学习机进行暂态稳定评估,最后在新英格兰10机39节点系统中进行验证分析,结果表明,所提模型与其他极限学习机模型相比,大大提升了其在暂态稳定分类评估中的性能。     

电力系统暂态稳定在线评估技术

“EEAC”方法是将大型电力系统的稳定分析问题有效地简化成等值双机系统的稳定问题,是目前世界上唯一用解析的方式求解电力系统稳定的快速计算方法,并给出了严格的理论证明,成为首次实现在线应用的直接法,在电力系统的在线暂态稳定分析的快速性、定量性、准确性及实用性方面都处于国际领先水平。其主要特点是:     

基于改进随机森林的电力系统暂态稳定评估

针对传统基于机器学习的电力系统暂态稳定评估方法存在准确率偏低和泛化能力不足的问题,提出了一种基于特征选择和改进随机森林的在线暂态稳定评估方法。首先,通过最大化联合互信息挖掘电网运行数据之间的相关性,筛选出具有代表性的关键特征子集;然后,考虑到电力系统数据库中稳定样本与失稳样本之间的类别不平衡问题,通过改进bootstrap抽样和对决策树进行加权处理,增强随机森林对失稳样本的识别能力;最后,基于改进的随机森林算法,建立关键特征数据与暂态稳定标签之间的映射关系。实验结果表明,所提方法具有较高的准确性和较强的鲁棒性,能够满足在线应用的需求。     

基于多层CatBoost的电力系统暂态稳定评估

随着大规模新能源并网以及新装置的不断应用,电力系统暂态稳定问题日益复杂,为进一步提升暂态稳定评估(transient stability assessment, TSA)的精确性和可靠性,提出一种基于多层CatBoost的TSA方法。首先,以电力系统故障前的稳态运行变量作为输入特征,采用一种最大相关最小冗余(maximal relevance minial redundancy, mRMR)集成方案,从输入特征中筛选出多组不同的关键特征集。然后,利用这些关键特征分别单独训练多个CatBoost模型,建立多个CatBoost驱动的TSA模型,并结合多个训练好的CatBoost模型构建TSA综合模型。在暂态稳定分析时,综合多个CatBoost模型的分析,通过多数投票表决方式判定最终评估结果。最后,在IEEE 39节点系统和某省级电力系统上进行性能测试实验。测试结果表明:所提出的TSA综合模型不仅具有极高的预测精度,而且拥有良好的泛化能力和鲁棒性。     

电力系统暂态稳定概率计算

本文首先对扩展等面积法（ＥＥＡＣ）进行了推广研究，使之能处理多重操作时的第一、第二摇摆问题，以适应实际应用之需。文中着重分析了暂态稳定概率计算的特点，并根据这些特点以ＥＥＡＣ法为基础编制了相应的软件。用本软件计算暂态稳定概率，虽然要计算很多次稳定，但在计算过程中，潮流（最费机时）只需计算一次，切除线路后压缩导纳矩阵只需计算Ｌ次（支路数），而且故障时压缩导纳矩阵采用支路追加修改法形成，因此总的计算量     

电力系统暂态稳定安全域估计

本文以电力系统经典模型为基础,推导出了电力系统暂态稳定安全域的解析表达式,并提出了基于混合方法的发电机暂稳输出功率极限计算方法及快速求解该安全域的算法.算例表明,该暂态稳定安全域简单直观,计算快速.     

基于优化核极限学习机的泥石流危险性评估

山区环境中泥石流的孕育受多种因素的影响,为提高泥石流危险性的预测精度,提出一种萤火虫算法(firefly algorithm, FA)优化核极限学习机(kernel based extreme learning machine, KELM)的预测模型。首先,针对数据维度爆炸的问题,通过主成分分析(principal component analysis, PCA)数据降维,使得留有大部分致灾特征信息的因子输入训练模型;然后,使用萤火虫优化算法更新核极限学习机的参数,将四川省北川县监测数据输入优化后的预测模型,并与其他传统机器学习算法进行对比分析,验证该算法的优越性;最后,使用多种指标综合评估模型的预测效果。结果表明,FA-KELM模型能够有效地简化数据结构,提高泥石流危险性预测的准确性,为泥石流灾害预测方面的研究提供参考和借鉴。     

基于核极限学习机的飞行器故障诊断方法

针对高超声速飞行器反作用控制系统(reaction control system, RCS)的推力器故障,展开了基于核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法研究,并对该诊断方法进行了参数优化和核函数优化,为飞行器执行器故障提供了快速准确的诊断方法。结果表明:该方法可以克服对飞行器模型的依赖,以数据驱动的方式对飞行器执行器故障实现快速准确的诊断。     

基于抽样方法的不确定极限学习机

实际应用中的大量数据具有不确定属性,而传统的挖掘算法无法直接应用在不确定数据集上.针对不确定数据的分类问题,提出一种基于抽样方法的不确定极限学习机.该算法通过抽样的方法,对不确定数据集中样本的抽样实例进行学习和分类,得到该不确定样本的所属类别的概率,从而实现了传统极限学习机分类算法对不确定数据的分类,并极大降低了不确定对象实例的枚举代价.实验结果表明,该算法在不确定数据的分类问题中具有较好的有效性和高效性.     

基于极限学习机的谐波电流检测方法

谐波电流检测的实时性和准确度直接影响有源电力滤波器的谐波补偿效果.针对基于传统神经网络谐波检测方法的不足,提出了一种基于极限学习机的谐波电流检测新方法.首先详细给出了极限学习机的训练样本的组成和训练方法,然后构造检测模型实现对谐波电流幅值和相位的检测.仿真结果表明,该谐波电流检测方法的检测精度普遍达到10-6,在有白噪声影响的情况下检测精度达到10-4,与基于传统神经网络的谐波检测方法相比具有更高的检测精度和更强的泛化能力,更加适用于谐波源固定的场合.     

基于极限学习机的医学图像分割方法

为了辅助放射科医生制定合理的放疗计划,避免放疗损害人体正常的组织器官,减轻医生简单重复的工作负担,亟需一种自动/半自动算法对CT图像进行分割,描画病变组织边界轮廓。传统的分割算法主要考虑经验风险最小化(ERM)问题,较少关注算法问题的复杂度和运行效率等问题。针对已有算法的不足,提出了基于ELM的医学图像的分割技术,结合滤波去噪、形态学提取和边缘检测等图像处理方法,设计了一种应用于CT图像的轮廓描绘方法。广西肿瘤医院提供的CT图像分割结果表明:相比于SVM、OTSU及区域生长法,本文所提方法能够显著的降低分割所需时间,提高分割效率,而将分割结果与医生手工描绘轮廓相比,能够满足医学上放疗图像引导治疗要求。     

基于双向长短时记忆网络和卷曲神经网络的电力系统暂态稳定评估

基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现PMU的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优布点上的时间序列特征,提出了一种将改进卷积神经网络(ICNN)与双向长短时记忆网络(BiLSTM)进行融合的评估方法。该方法首先利用BiLSTM提取电压、相角以及有功功率三种基本电气量的时间序列特征,随后通过卷积和池化操作对数据进行进一步的数据挖掘,最后利用轻量梯度提升机完成对数据的分类。为了避免出现过拟合现象,该方法还通过正则化、Dropout等方式提升模型的泛化性能。在新英格兰10机39节点上的算例表明,该方法能利用基本电气量数据进行暂态稳定评估,且在复杂条件下仍能保持较好的评估性能。     

基于双向长短时记忆网络和卷积神经网络的电力系统暂态稳定评估

基于机器学习方法的暂态稳定评估已成为电力系统分析与控制领域的热点,由于实际系统中存在不能实现相量测量单位(PMU)的全面覆盖以及数据采集存在噪声的问题,使得传统机器学习方法的评估性能受到较大限制。针对此,构建了一种在PMU最优布点上的时间序列特征,提出了一种将改进卷积神经网络(improved convolutional neural network, ICNN)与双向长短时记忆网络(bidirectional long short term memory network, BiLSTM)进行融合的评估方法。该方法首先利用BiLSTM提取电压、相角以及有功功率三种基本电气量的时间序列特征,随后通过卷积和池化操作对数据进行进一步的数据挖掘,最后利用轻量梯度提升机完成对数据的分类。为了避免出现过拟合现象,该方法还通过正则化、Dropout等方式提升模型的泛化性能。在新英格兰10机39节点上的算例表明,该方法能利用基本电气量数据进行暂态稳定评估,且在复杂条件下仍能保持较好的评估性能。     

电力系统暂态稳定裕度灵敏度计算

基于修正能量函数,提出了计算电力系统的暂态稳定裕度的灵敏度变分方法,通过限制灵敏度在单侧的有效性使得暂态稳定裕度及参数稳定极限的计算更加准确.该方法基于最优控制中的变分原理计算灵敏度,综合考虑了参数变分对动力学系统变量的影响.用该算法对我国山西电网进行了仿真验算,验证了其有效性和可靠性.与传统的轨迹灵敏度法相比,其计算效率提高了3倍.     

电力系统暂态稳定观测解耦及稳定判据

本文讨论观测解耦状态空间概念，运用该空间状态变量，在电力系统各局部系统容易检测出的特点，无须任何远方信息，可判别电力系统暂态稳定状况。     

基于实测响应轨迹稳定边界的电力系统暂态不稳定识别

为充分利用广域测量系统WAMS(wide area measurement system)信息实现电力系统暂态稳定性快速在线识别,提出一种基于实测响应轨迹稳定边界的暂态不稳定识别方法.根据单机"位能脊"推导了单机-无穷大系统在相平面上的暂态稳定边界;证明单机无穷大系统任意比例剖分点处,由扰动能与电压相角构成的平面上的轨迹与相平面轨迹具有相似的几何特征,为间接利用发电机端口外网络测量信息识别电力系统暂态不稳定性提供了依据;证明了临界机组对的相轨迹上二阶导数等于零的点构成了系统的不返回边界,提出用临界机组对的相轨迹几何特征来识别系统暂态稳定性.为避免判据在线应用时受参数及不确定性干扰可能造成误判,对判据进行了实用性改进.利用PSASP 6.28 WEPRI 36节点仿真算例验证了所提判据的有效性.     

电力系统的暂态稳定分析与提高

对于电力系统来说,不管是系统的稳态过程还是暂态过程,我们总是希望电力系统能够稳定地运行.文章就电力系统的暂态稳定问题作相关讨论,通过由大扰动引起的稳定性问题,分析电力系统暂态稳定的物理过程,并研究如何提高电力系统暂态稳定的措施,以期为现代电力系统的可靠、安全运行提供有益的参考.     

面向对象的电力系统暂态稳定计算建模

介绍了面向对象的程序设计方法，然后依据面向对象思想，把暂态稳定计算中的各元件抽象为电网对象、发电机对象、负荷对象以及励磁调节系统、原动机及其调速系统对象模型，建立了电力系统暂态稳定计算模型；基于该模型开发了图形化的电力系统暂态稳定仿真系统。     

基于极限学习机的脉动风速快速预测方法

提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.     

基于自组织竞争神经网络的电力系统暂态稳定研究

大停电事故和电力需求紧张,使得大扰动下电力系统的暂态稳定问题日显突出.如何能快速判断电力系统的暂态稳定性能,是研究的重点.文章以综合性能指标法中的性能指标作为反映电力系统暂态稳定性能的特征指标,设计自组织竞争人工神经网络分类器进行暂态稳定问题的分类判断.通过算例验证了该分类器可将暂态稳定问题分为稳定、不稳定和模糊类3种类型,有利于对稳定性能进行快速判断,从而减少了待详细分析的事故数目,而无需利用全过程时域仿真计算,有利于进行在线的动态安全评估.