Data-driven Transient Stability Assessment Using Sparse PMU Sampling and Online Self-check Function

Artificial intelligence technologies provide a newapproach for the real-time transient stability assessment (TSA)of large-scale power systems. In this paper, we propose a datadriven transient stability assessment model (DTSA) that combinesdifferent AI algorithms. A pre-AI based on the time-delay neuralnetwork is designed to locate the dominant buses for installingthe phase measurement units (PMUs) and reducing the datadimension. A post-AI is designed based on the bidirectionallong-short-term memory network to generate an accurate TSAwith sparse PUM sampling. An online self-check function of theonline TSA’s validity when the power system changes is furtheradded by comparing the results of the pre-AI and the post-AI.The IEEE 39-bus system and the 300-bus AC/DC hybrid systemestablished by referring to China’s existing power system areadopted to verify the proposed method. Results indicate that theproposed method can effectively reduce the computation costswith ensured TSA accuracy as well as provide feedback forits applicability. The DTSA provides new insights for properlyintegrating varied AI algorithms to solve practical problems inmodern power systems.

基于信息融合技术的电力系统暂态稳定评估

应用信息融合技术对电力系统暂态稳定进行评估,提出了一种基于“结合人工神经网络和D-S证据理论的信息融合模型”的电力系统暂态稳定评估方法。当电力系统发生故障时,采用该方法可以综合来自电网和发电机的多个信息源对电力系统的暂态稳定进行判别。首先,选取能迅速反映电力系统暂态过程的特征量,如功角、加速度、转子动能等,进行像素级融合。然后,将这些特征量划分为时间和空间2个征兆域,并分别输入至设定的3个子神经网络进行特征级融合。最后,将特征级融合的输出作为决策级融合的输入,利用D-S证据理论实现时间域和空间域的决策级融合,从而提高了电力系统暂态稳定评估的可靠性。利用中国版BPA暂态稳定程序和电力系统全过程动态仿真软件,对7机24节点系统进行了仿真。仿真结果表明,基于信息融合技术的电力系统暂态稳定评估方法较基于人工神经网络的评估方法更为快速、准确。

基于复合神经网络的电力系统暂态稳定评估和裕度预测

提出一种基于复合神经网络的暂态稳定评估与故障临界切除时间(CCT)裕度预测新方法,它将概率神经网络(PNN)和径向基函数(RBF)网络组合使用,充分利用两者各自的优点,以提高暂态稳定评估能力和CCT裕度预测能力。该方法首先利用PNN进行暂态事故场景分类,分类时充分考虑了相邻故障样本类型重叠的影响;进一步采用RBF网络对分类结果进行裕度预测;最后,通过自检和校正以提高预测精度。利用New England 39节点系统,通过与反向传播(BP)神经网络、RBF神经网络等方法的比较,证明了本文方法的优越性。

基于人工智能的大系统分层在线暂态稳定评估

在对比分析电力系统已有暂态稳定评估 ( TSA)方法的基础上 ,提出了一种以人工智能为主体的层次型大系统在线暂态稳定评估方案。以一个 7机 2 4节点系统为例 ,详细介绍了基于启发式推理和人工神经网络的方案实现过程及仿真测试结果 ,并重点讨论了基于样本的输入特征向量筛选方法。该方案无需时域积分运算 ,能提供故障筛选、稳定评级、主导失稳机组估计以及危险事件的故障临界切除时间 ( CCT)估计等多级稳定信息 ,较好地满足了在线

人工神经网络在电力系统中的应用

概述了人工神经网络在电力系统暂态稳定性评估、继电保护、负荷预测以及谐波分析/测量中的应用。

基于多输入信息融合模型的暂态稳定分类

应用一种信息融合模型对电力系统暂态稳定进行分类评估。当电力系统发生故障时,采用该方法可以综合来自电网和发电机的多个信息源对电力系统的暂态稳定进行判别。利用D-S证据理论实现决策级融合,从而提高电力系统暂态稳定评估的可靠性。10机39节点系统被用来进行仿真研究,结果表明,提出的模型比原有的模型更有效。

一种神经网络集成分类器在暂态稳定评估中的应用

针对神经网络应用于电力系统暂态稳定评估存在的误分类问题,将粗糙集理论和神经网络相结合,运用特征矩阵进行属性约简的基础上,应用装袋策略构造集成神经网络分类器来提高分类准确率.在新英格兰10机39节点系统中的应用验证了该分类器的分类准确率较普通神经网络分类器有较大的提高.

基于人工神经网络的电力系统暂态安全域估计

本文提出了一种利用人工神经网络来描述和拟合电力系统暂态安全性能的方法,介绍了一种将集总学习规则和最小二乘法结合起来的快速学习算法。利用某一简化的电力系统,对本方法进行了验证,并将所提出的快速学习方法和传统的B—P学习法进行了比较。

基于人工神经元网络的电力系统暂稳极限功率快速确定

提出用神经元网络来实现暂态能量裕度、发电机输出功率及故障切除时间三者之间的非线性映射关系，从而实现暂态稳定极限功率的快速精确求解，并将其研究范围扩大到同时考虑故障切除时间变化的影响，突破了灵敏度分析法的局限性。文中还将电力系统动态等值技术与Ｌｙａｐｕｎｏｖ直接法相结合，极大地提高了学习样本的提取速度。系统算例表明，文中所提出的暂稳极限功率确定方法速度快、精度高，并具有较强的模型适应性和较好的工程实用背景。