采用FJPD互信息的电力系统暂态稳定性预测特征选择分析

广域测量系统和模式识别技术的日趋发展,为实现基于人工智能的电力系统暂态稳定性预测提供了技术和理论基础,但传统基于机器学习的暂态稳定性预测对输入特征的选择和分析仍考虑不足。通过对系统暂态过程的分析,研究各轨迹变量与暂态稳定性之间的相关性。综合考虑数据采集时间和学习机的精度,提取故障完全切除后5个周期内节点电压幅值和发电机功角、转子转速轨迹作为学习机的输入。进而提出一种适合轨迹变量特征分析的特征联合概率分布(FJPD)互信息计算方法,利用最小冗余最大相关(mRMR)原则对学习机的输入特征进行选取,实现数据的降维、减少计算量、保持预测精度,并保留特征的物理意义。对10机39节点系统的仿真样本进行学习机的训练和测试,验证了提出的基于FJPD互信息的mRMR方法对轨迹特征选择的有效性。

基于人工神经网络的暂态稳定时域仿真终止算法的研究

针对传统全过程数值积分产生大量多余仿真积分时步的问题,设计了一个人工神经网络分类器用于事故暂态稳定性分类。结合短时时域仿真,获取了暂态稳定性能指标,构建了人工神经网络暂态稳定分类器,进行了暂态稳定性的预测,以自动终止部分事故仿真计算,大大减少数值积分计算量。在某地电网系统中进行仿真,验证了该算法的有效性。