针对样本类不平衡的深度残差网络电力系统暂态稳定评估方法

系统的量测数据可能受到噪声以及样本类分布不平衡问题的影响,导致基于数据驱动的暂态稳定评估模型性能下降。提出一种针对样本类不平衡的的深度残差网络电力系统暂态稳定评估方法。首先,利用改进过采样技术为滤除噪声的少数类样本构造所需的新样本,改善样本类不平衡问题,并减少噪声的影响;然后,基于深度残差网络构建电力系统暂态稳定评估模型,解决梯度消失导致的模型性能退化问题,提高模型的鲁棒性和准确性;最后,在新英格兰10机39节点和47机140节点系统上的仿真结果表明,所提方法能减小噪声干扰、降低不平衡数据集所带来的影响和减少计算复杂度。

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。

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。

基于XGBoost和ASPSO的电力系统暂态稳定预防控制方法

该文提出了一种极限梯度提升(extreme gradient boosting,XGBoost)和基于蚁群算法的自适应参数粒子群优化算法(particle swarm optimization algorithm of self-adaptive parameter based on ant colony algorithm,ASPSO)相结合的方法,以实现电力系统暂态稳定预防控制。首先,通过XGBoost模型快速学习系统运行特征与暂态稳定性间的映射关系,给出特征重要性排序,提供一定的模型可解释性。其次,将训练好的XGBoost嵌入暂态稳定约束最优潮流模型作为暂态稳定约束。之后,利用ASPSO算法迭代求解,保证系统暂态稳定的同时,考虑发电机有功出力调整最小化,制定相应预防控制策略。最后,在PSS/E提供的IEEE 39节点系统中进行算例仿真,证明了所提方法的有效性。

基于时空注意机制与LSTM的暂态电压稳定评估

针对新型电力系统发展背景下现阶段机器学习算法难以准确判断风电并网系统暂态电压稳定性的问题,提出一种基于时空注意机制与长短期记忆网络的暂态电压稳定评估方法。首先,基于支持向量机对初始单特征评价进行特征粗筛,并采用皮尔逊相关系数法判断剩余特征的相似度;其次,通过主成分分析-加权负荷评价获取与暂态电压稳定情况相关性较高的特征集;然后,通过时空注意机制,量化系统负载节点间的空间耦合关系和风电接入点间的空间相关性对整个系统暂态进程的影响,构建基于时空注意机制与长短期记忆网络的评估模型;最后,在算例上进行仿真分析,结果表明该模型有利于风电并网系统暂态电压稳定性判别准确率的提升,以及减少误判和漏判。