基于累积贡献率和可解释人工智能的静态电压稳定裕度估计特征量筛选方法

利用海量量测数据估计大规模互联电网静态电压稳定裕度时,合理地选择输入量测信号和裕度估计算法是实现高质量裕度估计的基础。提出了一种基于累积贡献率和可解释人工智能的关键特征量筛选方法。给出了基于沙普利值加性解释理论可解释模型的输入特征贡献值量化方法,并依据贡献值大小对特征降序排列;采用基于累积贡献率增量的循环优化过程剔除冗余特征,形成关键特征子集;在系统关键特征优选的基础上,采用轻量梯度提升机算法实现静态电压稳定裕度在线估计。所提方法在保证估计精度的同时,大幅降低初始样本维度,解决特征过拟合问题,有效提升静态电压稳定裕度估计在线性能。基于WECC 3机9节点系统、IEEE 10机39节点系统以及IEEE 300节点系统的仿真分析验证了所提关键特征量筛选方法在电力系统静态电压稳定裕度估计中的有效性。

基于WD-LSTM的风电机组叶片结冰状态评测

为有效识别叶片结冰状态,尽早采取除冰措施,提出基于小波去噪的长短期记忆神经网络(WD-LSTM)的评测方法。首先基于过采样与欠采样相结合的方法解决SCADA系统数据中的类别不平衡问题,通过对叶片结冰相关的26项指标进行分析,并从结冰机理和数据探索的角度筛选特征量,小波去噪处理后建立WD-LSTM模型,进一步完成模型的训练和测试。分别以15号和21号风电机组为例进行模型验证,通过与LSTM、概率神经网络(PNN)模型和BP神经网络模型进行对比。结果表明,WD-LSTM方法在风电机组叶片结冰评测中的准确率可达98%,优于其他方法。