暂态稳定评估

摘要： 为了解决样本不平衡带来的评估倾向性问题,从深度学习模型的损失函数出发,分析样本不平衡对评估模型的影响,发现训练过程中的损失函数值能够反映样本的不平衡程度,由此提出基于样本后验分布信息的代价敏感修正方法。通过预先训练获得样本的后验分布信息,引入稳定样本与不稳定样本的损失函数均值比得到修正系数;将修正系数通过代价敏感法修正模型的损失函数,重新对模型进行训练,从而修正模型的评估倾向性。相较于传统方法,该方法从模型的训练机理上量化了样本的不平衡程度,修正系数综合考虑了样本数量与空间分布的不平衡对模型参数的影响,实现了更好的修正效果。IEEE 39节点系统和华东某区域系统的仿真结果验证了所提方法的有效性。

摘要： 为了快速准确地对电力系统的运行状态进行评估,提出了基于LightGBM的电力系统暂态稳定评估方法。首先,利用基于最大信息系数的特征选择算法进行数据降维,筛选出与暂态稳定指标高度相关的关键特征。然后,使用选定特征和相应的暂态稳定指标构建数据集对评估模型进行训练。最后,在接收到来自相量测量单元的实时数据后,基于LightGBM的暂态稳定评估模型提供评估结果。在39节点系统和一个实际的1648节点系统上对所提方法进行应用与验证,结果表明所提出的基于LightGBM的暂态稳定评估方法可保证在线实际应用的时效性和准确性,能有效降低电力系统潜在的运行风险。

摘要： 电力系统功角稳定与电压稳定是电力系统安全稳定运行的基础,稳定性分析是制定稳定控制策略的依据之一。考虑电网拓扑对电力系统暂态稳定性的影响,利用Node2vec图嵌入算法将电网拓扑映射为低维稠密矩阵,获得电力系统的空间拓扑特征向量,并将其与电气量测数据相组合形成重构数据集,作为评估模型的输入。考虑到电力系统多种稳定性问题往往交织在一起,首先,提出了基于多任务学习的暂态稳定评估模型,并实现了电力系统功角稳定性和电压稳定性的同步评估;然后根据评估结果,确定电力系统失稳区域并实现可视化;最后,采用新英格兰10机39节点测试系统验证了评估模型的有效性。

摘要： 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。

摘要： 为解决基于机器学习的电力系统暂态稳定评估通常存在误分类,导致系统出现不可预测风险的问题,提出一种考虑误分类约束的电力系统暂态稳定评估方法。首先,通过自适应综合过采样算法对输入数据进行过采样处理。然后,采用群体最大信息系数进行数据降维。最后,基于伞式奈曼-皮尔逊分类器构建电力系统暂态稳定评估模型。在新英格兰10机39节点系统及1 648节点系统上的测试结果表明,所提方法的评估性能强于传统机器学习方法,且对漏判率有更好的限制效果,具有一定的实际应用价值。

摘要： 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。

摘要： 电力系统稳定样本与失稳样本的失衡会导致数据驱动型暂稳评估模型对失稳样本的漏分率增加,由于失稳样本漏判的代价远高于稳定样本误判的代价,因此提出一种引入代价敏感机制的AC-LSTM电力系统暂态稳定评估模型。通过改进Adaboost算法,引入代价敏感函数对样本权重进行更新,更好地考虑了少数类样本对整体分类准确率的影响,降低不稳定样本的漏分率。并进一步将改进的Adaboost算法和长短期记忆网络(long short-term memory,LSTM)相结合以提高分类器的综合性能。在IEEE39和IEEE140节点系统上的仿真结果表明,所提模型较其他模型具有良好的适应性和泛化能力,提升了评估模型的综合性能,其抗噪能力也优于其他模型。

摘要： 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。

摘要： 快速准确地实现暂态稳定评估,是电力系统安全运行的重要保障.近年来迅速发展的深度学习技术已经成为解决这一问题的有效手段,然而基于神经网络的深度学习模型存在着调参困难、训练时间长和样本需求量大等缺点.文中将故障切除时刻系统的物理量作为输入特征,以系统的暂态稳定状态作为输出结果,采用集成决策树方法,构建了基于深度森林的电力系统暂态稳定评估模型.新英格兰39节点系统的算例分析表明,所提方法与深度神经网络相比,参数设置简单、训练速度更快,即使在训练样本数量较少时也能有效避免过拟合,具有良好的泛化能力.

摘要： 为适应在线暂态稳定分析与控制,提出了一种电力系统参数空间中的暂态稳定边界构建及快速更新方法.对于给定的关键故障和既定故障前后的网络拓扑结构,首先,基于横向可扩展的宽度学习系统,构建了极限切除时间与电力系统参数之间的映射关系.为提高实际故障切除时间阈值附近的预测准确率,通过构建二次比例因子对临界误差进行修正.然后,结合预设故障切除时间阈值确定相应暂态稳定边界,并评估当前系统的稳定裕度.最后,在保证暂态稳定评估准确性的基础上,基于增量学习方法提出了无须重新训练全部网络的在线快速更新策略.通过对IEEE 39节点测试系统和中国南方电网实例系统仿真分析发现,所构建模型能够对系统暂态稳定性进行准确评估,并具有良好的泛化性能.同时,快速更新策略可在保证预测准确率的情况下,大幅减少模型更新时间,为在线暂态稳定评估提供了支撑.

摘要： 本文从数据挖掘的角度提出了一种基于“贝叶斯分类器”的电力系统暂态稳定评估新方法。首先选取能迅速反映电力系统暂态过程的特征量，作为贝叶斯分类器的属性变量，然后采用数值仿真算法产生大量样本，利用先验信息和样本数据确定稳定事件的后验概率。当电力系统发生故障时，对此时所对应的属性变量进行精确推理，得到电力系统的暂态稳定状态。由于任何分类器都有存在误分类的可能，因此给出了贝叶斯分类器的提升算法。最后，以新英格兰10机39节点系统的仿真结果验证了该分类器的分类效果。

摘要： 机器学习或数据挖掘的方法是电力系统暂态稳定评估的重要途径之一，电力系统的高维性是暂态稳定评估中要处理的重要难题，合适的特征选择能有效降低属性维数。为此提出了特征选择的相关信息模型法，该方法既考虑了候选属性能提供的关于类属性的信息量，又考虑了候选属性之间、候选属性与类属性之间的相关性。在IEEE16 机和IEEE50 机测试系统上的实验结果表明：相关信息模型法是一种有效的特征选择手段。

摘要： 本文提出了基于蚁群优化算法和k阶近邻法(k-NN)相结合的特征选择算法实现暂态稳定评估过程中关键特征的识别过程。选择稳态潮流量构成电力系统暂态稳定评估的候选特征集，利用蚁群优化算法搜索特征子集，然后用k-NN分类器的分类效果和所选特征子集维数的综合指标作为特征子集的评价函数，从而实现关键特征的选择。通过对10机39节点系统进行计算，用所选择关键特征形成的稳定判别规则能很高精度地判定系统的稳定水平，结果验证了所提方法的有效性。

摘要： 针对训练神经网络的误差反向传播算法(BP)或其它算法存在的训练时间较长且易陷入局部极小点等问题，本文提出了一种利用粒子群优化算法(PSO)训练神经网络并用于电力系统暂态稳定评估的方法。实例表明，与误差反向传播(BP)算法相比较，该方法优化的神经网络收敛速度更快，预测精度更高。

摘要： 电力系统暂态稳定评估(TSA)是关系到电力系统安全稳定运行的重要问题。针对支持向量机(SVM)本身存在的训练缺陷，即对于样本的一视同仁，论文提出在SVM中加入模糊隶属度，形成模糊支持向量机(FSVM)进行TSA。在仿真过程中，采用K最近邻方法(K-NN)用于构建模糊隶属度，C++编程实现TSA。针对IEEE 10机39节点新英格兰系统进行仿真，结果显示：该方法比SVM有更高的评估可靠性。

摘要： 暂态稳定评估已逐步成为电力系统高级应用的必备功能。目前为止，详细的数值仿真仍然是最可靠的暂态稳定评估方法。在电力系统数值仿真计算中，两个核心问题是仿真的准确性和效率；模型和求解方法确定后，积分步长是影响仿真准确性和效率的主导因素。本文对暂态稳定评估中积分步长的选取进行了研究，构造一个包含计算准确性和效率的性价指标，利用其最小值来确定最佳步长范围；并给出了步长选择的若干建议。

摘要： 针对人工神经网络(ANN)用于电力系统暂态稳定评估(TSA)时面临的样本训练耗时较长的问题,提出一种属性离散化方法:在矢量空间聚类的基础上,将每个聚类在各属性轴上的投影的边界设为候选离散断点,采用基于信息熵的正交化增益函数选择最终断点进行离散.在新英格兰10机39节点系统中的应用表明,该方法可以较为合理地选择离散断点,取得满意的离散效果.另外,将用此方法离散后的训练数据用于半监督BP网络训练,并针对半监督BP算法中误差函数的特点对离散数据做了进一步的处理,从而使得在保证暂态稳定分类精度的前提下,大大减轻训练负担,提高训练速度.

摘要： 本文研究了支持向量机(SVM)在电力系统暂态稳定评估上的应用.支持向量机具有自动确定隐含层神经元数目、暂快的学习速度和较好的泛化能力等优点.支持向量机之v-SVM模型由于其v参数具有明显的物理意义,比另一支持向量机模型C-SVM更加实用.并且由于高斯核函数仅具有一个可调参数,比多项式核函数的三个可调参数更具有实用性.通过对支持向量机各参数的实验分析,验证了支持向量机用于电力系统暂态稳定评估研究的优越性,其中基于高斯核函数的支持向量机之v-SVM模型最为实用.

摘要： PMU为基于神经网络的暂态稳定预测提供了新的输入特征，而输入特征选择和输入特征降维是基于神经网络暂态稳定预测的首要问题，稳定分类的准确性主要取决于所选特征构成的输入空间的可分性。为此，讨论了PMU所提供的新的原始特征，并利用基于类内类间离散度的分类判据，采用模拟退火算法对原始特征进行筛选，显著降低了输入空间的维数。在某省8机36节点系统的应用证明了该方法的有效性。

摘要： PMU为基于神经网络的暂态稳定预测提供了新的输入特征，而输入特征选择和输入特征降维是基于神经网络暂态稳定预测的首要问题，稳定分类的准确性主要取决于所选特征构成的输入空间的可分性。为此，讨论了PMU所提供的新的原始特征，并利用基于类内类间离散度的分类判据，采用模拟退火算法对原始特征进行筛选，显著降低了输入空间的维数。在某省8机36节点系统的应用证明了该方法的有效性。

摘要： 本发明公开了基于电网运行与暂态稳定裕度指标关联的稳定评估方法，包括以下步骤：基于电网的离线仿真数据及实时监测数据建立电网安全稳定层次化关联分析模型，并根据该模型进行暂态稳定层次化关键特征提取；电网运行特征与暂态稳定裕度指标的离散化语义描述，进行电网运行特征与暂态稳定裕度指标的关联关系辨识；建立稳定关联特征规则库，根据规则库进行电网运行状态变化的快速判稳和原因分析。根据系统运行状态快速评估当前稳定水平，对运行人员辅助决策提供量化信息支持，提升电网稳定性评估的标准化、快速性和自适应能力，具有广泛应用前景。

摘要： 本发明公开了基于电网运行与暂态稳定裕度指标关联的稳定评估方法，包括以下步骤：基于电网的离线仿真数据及实时监测数据建立电网安全稳定层次化关联分析模型，并根据该模型进行暂态稳定层次化关键特征提取；电网运行特征与暂态稳定裕度指标的离散化语义描述，进行电网运行特征与暂态稳定裕度指标的关联关系辨识；建立稳定关联特征规则库，根据规则库进行电网运行状态变化的快速判稳和原因分析。根据系统运行状态快速评估当前稳定水平，对运行人员辅助决策提供量化信息支持，提升电网稳定性评估的标准化、快速性和自适应能力，具有广泛应用前景。

摘要： 本申请实施例提供一种异构样本构造、电力系统暂态电压稳定评估方法及系统，进而可以构造由固定部分和滑动部分构成的异构样本，同时，本申请还提供一种电力系统暂态电压稳定性评估方法，基于异构样本构造方法确定的异构样本对电力系统暂态电压的稳定性进行评估，基于构造的异构样本包括固定部分和滑动部分，因此更能体现电力系统当前的稳定状况，因此，采用本申请实施例提供的技术方案可以实现快速、准确对电力系统暂态电压稳定性进行评估。

摘要： 本发明涉及电力系统暂态稳定评估技术领域，尤其为一种基于故障前后潮流特征的电力系统暂态稳定评估方法，其具体步骤如下：S1，数据获取：获取训练以及测试分类器所需要的电力系统运行数据，用PSAT软件搭建新英格兰十机三十九节点电力系统模型，仿真平台基于MATLAB R2016，本发明通过设计采用支持向量机（SVM）分类器在安全域概念下与稳定域概念下对电力系统暂态稳定状态做出判断，旨在减少稳定域概念下的漏判样本数量，当判断结果中只要有一个结果为系统受扰后失稳，那么综合分析的结果就是系统失稳，可以减少漏判样本数量，对保障电力系统的安全稳定运行具有一定的参考意义。

摘要： 本发明提出了一种基于级联深度森林的电力系统暂态稳定评估方法。本发明通过构建仿真模型，并利用电力系统分析软件进行时域仿真得到样本集；随机选择样本集中的50％作为训练集，其余50％构成测试集；根据训练集训练级联深度森林模型，实现暂态稳定评估。本发明具有准确率高、参数鲁棒性好、训练速度快和小样本学习能力强的优点。

摘要： 本发明涉及一种改进DBN算法的电力系统故障后暂态稳定评估方法，属于电力系统领域。它包括依次进行的离线学习、稳定规则以及在线评估步骤；首先进行样本数据生成，然后进行表达式学习，再进行分类评估；首先导入系统参数，进行实时暂态评估。本发明的基于改进DBN算法的电力系统故障后暂态稳定评估方法，首先进行样本数据生成，然后进行表达式学习，再进行分类评估；在进行在线评估时，导入系统参数，然后进行实时暂态评估，提出了稳定评估方法与流程；提出了基于大数据技术深度学习的暂态稳定评估方法，并考虑电力系统特点对原始算法进行约束，增强模型的泛化能力，具有提高故障计算速度和评估准确性的特点。

摘要： 本发明公开了一种电力系统暂态稳定评估的算例筛选方法及装置，该方法基于训练集中各算例的功角稳定裕度将训练集划分为若干子训练集，尽量规避不同标签的算例间存在“重叠区域”，算例特征参量则基于稳定机理的因果推断优选而得；采用支持向量机得到各子训练集中算例特征参量同算例标签间的映射关系，实现融合稳定机理和人工智能的强壮算例筛选。本发明在提升基于数据驱动的电力系统功角稳定分析泛化能力方面填补了技术空白，为进一步实现强不确定性下电力系统安全稳定自适应分析及控制，奠定了理论基础，具有重大的理论和工程意义。

摘要： 本申请涉及大电网运行与控制技术领域，特别涉及一种考虑电力系统拓扑结构特征的暂态稳定评估方法及装置，其中，方法包括：获取电力系统暂态数据样本，得到样本集以及样本标签，随机划分训练样本和测试样本；提取融合网络拓扑结构和节点属性信息的关键特征，生成训练特征样本集和测试特征样本集；融合电网网络拓扑结构和节点属性信息的关键特征，通过并行训练不同结构的深度置信网络模型，并采取平均法得到集成深度置信网络的评估输出，得到最终的暂态稳定评估模型。本申请实施例可以提高电力系统暂态稳定评估的效率和准确率，以适应电网在线运行方式多变，实现不同运行方式和不同位置故障下的电力系统暂态稳定快速高效评估的目的。

摘要： 基于长短期记忆网络的微电网暂态稳定评估方法包括构建微电网暂态稳定评估网络；包括训练微电网暂态稳定评估网络，得到网络权重；还包括微电网暂态稳定评估网络在线评估：将暂态稳定评估网络及网络权重烧录至虚拟同步逆变器的控制单元中进行信息交互；当微电网正常运行时，暂态稳定评估网络不进行评估；当微电网检测到有故障发生时，暂态稳定评估网络进行在线评估，根据当前时刻获取的T/2时间长度的虚拟功角数据预测未来T/2时间长度的虚拟功角值，并由逆变器控制单元判断暂态稳定性；当预测得到的虚拟功角值在设定变化范围内，暂态稳定评估网络又进入不评估状态。本方法能极大简化神经网络的调试工作，实现微电网暂态稳定提前判定。

摘要： 本发明公开了一种属于电力系统暂态稳定评估的基于多源信息的暂态稳定评估方法。首先通过改变系统运行状态和故障条件，对IEEE39节点系统使用电力系统分析综合程序进行批量时域仿真构造海量数据集。然后综合考虑影响系统暂态稳定的影响因素，将运行信息和故障信息作为卷积神经网络模型的输入特征，为更好实现运行信息和故障信息的综合利用，避免特征维度差别对准确率的影响，采用两种不同的特征融合方案对特征进行分阶段融合，并形成不同的暂态稳定评估模型。再利用训练建立的暂态稳定评估模型，对测试集进行暂态稳定评估，并采用混淆矩阵工具中的准确率、查准率、查全率和指标综合评估模型性能。最后通过t‑SNE算法对建立的暂稳评估模型进行可视化展示。