智能暂态稳定评估的关键输入特征与稳定评判规则研究

输入特征选择与评估模型解释是基于人工智能（AI）的电力系统暂态稳定评估（TSA）方法研究的关键点。本文采用数据驱动的特征选择和规则提取算法,通过仿真实例客观的评估关键特征,并提取稳定判别规则。在特征选择中采用聚类分析算法评价特征的性能,采用遗传算法进行特征组合优化。应用基于关联规则的分类器构造算法,客观地生成暂态稳定评估规则。通过在10机39节点系统和3机9节点系统中的应用结果对比分析,在53维候选特征中得出了相对通用的暂态稳定评估关键特征集。研究结果同时表明,针对不同规模的电网,基于动态特征的稳定判别规则整体上具有明显的规律性和一致性。同时随着系统规模的扩大,在分类边界附近的稳定判别表现出一定的复杂性和特异性。     

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。     

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bootstr...     

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。     

结合同步相量测量信息的暂态稳定仿真方法

在暂态稳定仿真中利用PMU(phasor measurement unit)实测信息,可以提高仿真的计算速度和精度.基于传统的交替迭代法,提出了2种结合PMU信息进行暂态稳定仿真的方法.研究表明:用PMU信息能够减少需要求解的系统的微分代数方程组,从而减小仿真计算的规模.所提方法在New England 10机39节点系统和IEEE 50机145节点系统上进行了测试,并与传统方法作了对比.对动态模型参数与实际不符及PMU有测量误差的情况进行了模拟和讨论.仿真结果验证了方法的有效性.     

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。     

计及保护的电力系统暂态稳定性评价

在电力系统暂态稳定性分析和评估中计及保护系统的动作特性，使系统暂态稳定性评价的结果更为实际有效．为此，提出了一种利用投影法求解计及保护的电力系统暂态稳定性评价的临界能量新方法，此临界能量为关键线路上相应保护（关键保护）动作面上的最小势能．该方法采用势能梯度在关键保护面上的投影作为搜索方向，通过控制变量——发电机角度求解相应的网络节点电压及角度，使潮流方程得到满足，当沿着这个方向搜索到的点的相应势能值最小时，即为临界能量．以4机11节点系统（WCSS）和10机39节点新英格兰系统为算例进行了验证．结果表明，所提出的基于梯度投影的求解计及保护的电力系统暂态稳定性临界能量新方法在收敛性及准确性上均优于两阶段法．     

在线暂态稳定评估的等效机暂态能量函数法

基于机组间相对运动的暂态能量评估系统暂态稳定性的观点，提出了等效机暂态能量函数法，该方法可以由临界机相对于参考机摇摆曲线定性判别系统暂态稳定性并给出稳定裕度，仿真计算验证了等效机暂态能量函数法的有效性，表明该方法可应用于在线暂态稳定评估。     

暂态稳定约束下的负荷经济分配

针对电力系统中存在的暂态稳定问题,提出了一种不受系统模型限制的电力系统动态安全调度的算法.该算法基于关键线路有功潮流对其临界切除时间的线性和二次函数拟合,把临界切除时间表示的暂态稳定性约束转化为关键线路有功潮流表示的暂态稳定性约束,并把此约束作为增广约束加入到传统的最优潮流模型中,采用传统求解方法直接进行求解.该方法能够同时处理多个故障,避免了在解除某些故障情况下的稳定裕度约束之后,又会出现其他故障情况下稳定裕度不足甚至失去稳定的循环调整情况,并满足一定的经济性.新英格兰测试系统的分析结果表明,在系统总发电成本增加最小的情况下,系统的稳定程度已提高到设定的目标,证明了该算法的有效性.     

基于基因表达谱的肿瘤样本分类规则提取

样本分类规则提取是基因表达谱数据挖掘工作中的重要内容,提取肿瘤病理组织与正常组织的样本分类规则具有重要的生物学意义与临床诊断价值.针对该问题,基于机器学习与数据挖掘技术,研究了用于区分肿瘤与正常组织样本的分类规则提取问题.首先,利用改进的Relief算法生成候选特征子集,并以支持向量机作为样本分类模型,利用交叉验证方法在训练集上评估候选特征子集的样本分类能力,确定分类特征基因集合;然后,利用CART(classification and regression trees)学习算法构建决策树获得样本分类规则;最后,对所得规则进行了分析和解释.