基于广域测量系统的快速暂态稳定预测方法

在运用相量测量单元实测系统故障时轨线的基础上,采用一种在机器人领域广泛应用的抓球算法,对电力系统故障后预判失稳的发电机转子角进行预测。该方法分为跟踪和预测2个阶段:首先应用粒子群优化算法对跟踪阶段进行多参数优化,加快了跟踪的过程;然后利用泰勒级数展开法预测发电机的转子角。该方法无需知道系统结构的先验知识,可以提前0.5s判断各发电机的同步性,得到足够的"可用反应时间"用于在线失稳预警或就地控制。在10机39节点的新英格兰测试系统和50机145节点测试系统上的仿真结果表明了该方法的有效性。

GRNN在边坡稳定预测分析中的应用

介绍广义回归神经网络(GRNN)的原理和影响因素,论述光滑因子的影响和选择。采用LOO交叉验证方法遍历所有样本,搜索出合适的光滑因子,结果表明合适的光滑因子能够较大幅度地提高网络泛化能力。应用收集到的82个圆弧滑面边坡稳定状态的实例资料,将GRNN模型应用于边坡稳定性评价,计算结果表明,在边坡稳定状态分析及预测方面,GRNN模型比BPNN模型更加精准简捷。

基于继承思想的时变性电力系统暂态稳定预测

从数据驱动的角度研究暂稳预测问题存在模型变迁和样本匮乏的困扰。针对该问题提出了一种基于继承思想的暂态功角稳定预测方法,该方法适用于暂稳数据增量或暂稳镜像变化的电网过渡阶段,填补了现有预测方法的空缺区间。分别针对电力系统暂稳样本增量的数据时变性和暂稳特性变化的暂稳镜像时变性特点,提出可计及现有预测模型参数的深度继承方法,以及可考虑样本与特征集可延拓性的广度继承方法。基于增量学习的深度继承利用新增暂稳样本,计算暂稳预测模型参数的变化量,降低模型更新所需训练时间。基于迁移学习的广度继承建立了源系统与目标系统的特征集与样本集迁移通道,实现目标系统在小样本条件下的暂稳预测模型构建。算例结果表明,该文所提方法能够反映时变电力系统的暂态稳定特性的动态变化,在样本匮乏的过渡阶段,具有速度和精度优势。

基于数据挖掘技术的电力系统暂态稳定预测

提出了相量测量装置历史数据挖掘方案,以暂态稳定监测为例,建立了一套数据挖掘流程。利用各种数据源建立了暂态稳定监测数据集市,该集市不仅便于联机分析处理,同时还可利用其建立多种数据挖掘模型,获取更多的暂态稳定知识。在6机22节点系统中的应用结果证明了该方法对电力系统暂态稳定监测的有效性。

基于GPS同步量测量的时间序列法暂态稳定预测

利用GPS同步时钟获得系统各机组的功角 ,然后由时间序列法进行预测 ,并通过模糊控制器实行在线实时修正 ,进而确定电力系统暂态稳定性。由于所有参数都是根据实时采样数据计算的 ,所以能更准确地反映网络结构、负载变化等真实情况。对 6机 2 2节点的算例表明 ,通过多项式非线性回归和模糊动态修正 ,在适当满足计算速度的条件下提高了预测精度 ,能可靠地判断暂态首摆稳定性。

改进G1-RS-UMT模型在某配水工程围岩稳定预测中的应用

围岩稳定是保证水工隧洞工程安全稳定的重要前提。以某配水工程水工隧洞为研究背景,以提升长距离输水隧洞中围岩稳定性等级预测精度为目标,构建了多因素水工隧洞围岩稳定性预测指标体系,划分了围岩稳定等级,采用G1-改进RS法对影响指标进行主客观赋权,并引用博弈论理论运算组合权重,最后基于未确知测度理论提出改进G1-RS-UMT模型,完成了围岩稳定等级预测。结果表明:某配水工程B4标段水工隧洞中9个典型断面中GS19+590~GS20+050段围岩处于不稳定状态,GS21+340~GS28+061里程范围内8段围岩皆处为局部稳定状态。通过论证,改进G1-RS-UMT模型预测结果相比于TOPSIS模型其准确度更高,预测等级与实际情况相符合程度由66.67%提高到了88.89%。该研究为围岩稳定性预测提供了一种新的定量方法,为水工隧洞围岩稳定性预测结果提供更加有效的支撑。

一种新的加速暂态稳定预测算法

利用加速的统计学习算法,为快速评估电力系统的暂态稳定提出了一种新思路。该方法有效的利用了相量测量系统采集的数据,既充分发挥统计学习算法在解决有限样本、非线性及高维识别中表现出的优势,大幅提高了评估结果的精度和泛化能力;同时又利用加速算法提高其实用性。在新英格兰系统中的应用结果证明了该方法对暂态稳定评估的有效性。

具有硬约束的混合权系数最小二乘稳定预测控制算法

针对约束为硬约束的系统分析了混合权数最小二乘预测控制(MWLSPC)算法的可行性,提出了在违反硬约束时重新计算输出设定值,以保证MWLSPC算法可行的改进的MWLSPC算法.该算法不仅能保证闭环系统的稳定性和零稳态偏差特性,而且还能满足系统对硬约束的要求.仿真结果表明了该算法的可行性和有效性.

基于XGBoost的电力系统暂态稳定预测方法

目前,基于人工智能法对电力系统进行暂态稳定预测,是通过对电力系统中相量测量单元(phasormeasurement unit,PMU)采集的大量样本离线训练,得到一个分类器,而预测模型往往是一个"黑箱"模型,使得模型解释型较差。根据电力系统故障中发电机的运行特征构建基于极限梯度提升(extreme gradient boosting,XGBoost)的暂态稳定预测模型,该模型采用串行集成多棵回归树,可计算得到暂态稳定特征重要度排序和决策图,从而可直观地挖掘特征与暂态稳定性之间的关系,并且在预测精度和运算速度的权衡上具有极大优势。在新英格兰10机39节点系统上测试,结果表明所构建的XGBoost暂态稳定预测模型相比随机森林、支持向量机和神经网络等方法在计算速度和预测精度方面具有明显优势,并且可以根据特征重要度进行特征选择来剔除冗余变量以加快训练速度。最后,提出一种针对某一具体故障而解释预测结果的算法,进一步提高了模型的解释性。

基于两阶段支持向量机的电力系统暂态稳定预测及预防控制

针对数据驱动的电力系统暂稳分析，考虑到安全域概念下的暂稳预测和预防控制对输入特征的不同要求，以及充分兼顾数据挖掘模型的直观性与准确性，该文提出两阶段支持向量机用于暂稳预测及预防控制。在第一阶段，采用可控特征和直观模型挖掘运行方式与暂态稳定的内在联系，并用于制定预防控制策略；第二阶段，采用复杂模型构建准确率高的暂稳预测模型；此外，第一阶段模型能够为第二阶段的暂稳预测模型的训练提供样本筛选的依据，从而缩短了预测模型的训练时间。仿真分析表明，经过数据缩减后，预测模型的训练时间大大缩短，所得模型仍具有较高的准确率；当系统被判断为不安全时，可提供发电机有功调整的预防控制措施，以保证电力系统安全稳定运行。

用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

目前,利用数据挖掘方法进行电力系统暂态稳定分析的研究,所用数据集普遍存在失稳样本少的样本不均衡问题,且挖掘模型的参数选择困难,缺乏对预测结果可信度进行评价。针对以上问题,文章提出用于暂稳预测的支持向量机(support vector machine,SVM)组合分类器及其可信度评价方法。首先采用改进bootstrap抽样得到多个类别均衡的数据集,利用随机特征子空间技术进一步压缩数据集;然后用压缩后的数据训练得到多个SVM分类器,各SVM的参数在经验范围内随机选取;最后,通过综合多个SVM的概率输出,得到组合分类器的预测结果,并对结果可信度进行评价。通过算例分析表明,改进Bootstrap算法能够明显减少对失稳样本的漏判,所提出的SVM组合分类器具有较高的预测准确度和可信度。

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。

基于深度残差网络的电力系统暂态稳定预测

电力系统稳定性预测存在映射维度不匹配的问题,导致预测精准性下降,提出基于深度残差网络发热暂态稳定预测方法。将残差单元融入深度残差网络,利用跨层短连接的恒等映射与残差函数,完成线性映射到非线性映射的转换,根据输入特征维度,架构用于暂态稳定预测的深度残差网络模型,通过划分神经网络处理后未知样本,采用交叉熵损失函数,优化深度残差网络模型,基于样本特征与标签数据集,结合样本标注规则,构建出由数据生成、离线训练以及模型应用模块构成的暂态稳定预测方法。仿真数据选取新英格兰10机39节点系统与三组底层量测数据,预测结果具有较为理想的稳定性、精准性以及鲁棒性,且时间复杂度较低。

基于WAMS的电力系统暂态稳定预测

通过分析速度控制系统的模型得到功角的变化趋势,以广域测量系统实时量测的功角为基础,采用三角函数组合算法,预测电力系统故障后发电机的功角变化,以预测电力系统暂态稳定性。在预测算法中,采用非线性最小二乘法计算三角函数系数,以线性化和线性最小二乘法计算求解包络线方程,提高了计算的精度。本文提出一个快速判断暂态稳定的指标。在EPRI鄄36节点系统上的仿真结果验证了该方法的有效性。

基于TS模糊模型的稳定预测控制及其在机炉协调系统中的应用

电力企业的大型机组要求在用电的负荷方面保持稳定性,否则将会对其做出一系列惩罚措施,这无疑给我国的电力企业带来很大的挑战。就目前的实际情况来看,电力系统的分散控制系统主要采用了多环的结构,加上设备老化等问题,在实际的运行中机炉系统的负荷无法与电网相适应,这也在无形当中增加了对机炉系统的协调控制难度。基于此,本文基于TS模型的视角,将其稳定预测控制应用在机炉协调系统中,为工业控制发挥重要的作用。

基于WAMS的等值OMIB系统暂态稳定预测

应用扩展等面积法(EEAC)将系统中所有发电机划分为两个机群,等值并简化为单机无穷大(OMIB)系统,通过等面积定则预测系统的暂态稳定性。利用范数理论计算各发电机之间的空间距离,提出一种分群指标。通过分析调速器和原动机模型,得到机械功率的预测模型,以此预测机械功率的变化,突破假定机械功率不变的限制。通过对CEPRI-36系统算例,验证所提出预测方法的可行性。

基于WAMS暂态稳定预测的发电机失步保护的协调控制

发电机失步保护是电网第三道防线的重要组成部分,特别是在组机大型化发展的今天,发电机失步保护动作与否对电网的安全稳定性影响越来越大。而以往的发电机失步保护研究只关注于发电机本身,缺乏对机组与电网协调性的研究。针对这种情况,提出基于广域相量测量系统(WAMS的)轨迹超时预测技术的可以提前预测发电机失步运动走向,可以及时切除必然会失步的大型机组或者延长切除时间将经过一段时间失步后会被电网拉回同步的机组。当电网处理临界状态时第三道防线将从电网安全稳定的角度出发,有选择性的切除机组(电网),避免出现美国8.14大停电那样的事故。

基于智能优化算法的边坡稳定性预测方法研究

针对边坡稳定性预测中数据分析片面、模型预测精度低的问题,基于302个边坡案例,选取6个变量特征,利用麻雀搜索算法(SSA)更新BP神经网络的敏感因子,建立SSA-BP边坡稳定性预测模型。采用混淆矩阵、受试者工作特征(ROC)曲线及曲线下面积A_(UC)值作为衡量指标,通过五折交叉验证法提高模型的泛化能力并与RF、BP、SVM、PSO-BP、GA-BP和LSTM 6种机器学习算法进行预测效果对比。结果表明,SSA-BP模型的A_(UC)值、准确率和F_1分数均最高,分别为91.90%、85.81%和85.87%,相较于优化前的BP网络A_(UC)值提高了23%。经典算例证明SSA-BP预测模型与ABAQUS计算的安全系数相近,并可给出可靠的预测结果,为岩土工程中边坡稳定性预测提供了一种新方法。

复杂地质条件下多级高边坡组合支护方案与稳定性预测研究

以镇赫高速陈贝屯至煤灰堡段为例,根据工程地质、边坡等级和边坡特性等因素对边坡不同剖面采用衡重式挡墙、俯斜式挡墙、桩+锚索、锚杆+面板等支护形式。从病害原因分析和处治手段出发,研究了多级高边坡支护的质量保证措施。基于LightGBM算法建立边坡稳定性预测模型,验证模型精确性后给出预测模型的特征相对重要性结果和预测结果。结果表明:建立预测模型可较好地预测边坡稳定性;影响边坡稳定性最关键的因素为中土体粘聚力,其次为边坡角β,孔隙压力比和土体重度对边坡稳定性影响不大;镇赫高速K2+051~K2+340段边坡稳定概率为0.9,失稳概率为0.1。本项目运营经验表明,组合支护方案及质量保障措施有效提高了项目施工质量、减少了返工现象,保证了项目的经济效益。

基于WOA-RF的边坡稳定性预测模型

为有效地预测边坡稳定性和预防边坡失稳事故的发生,提出了鲸鱼优化算法(whale optimization algorithm,WOA)和随机森林(random forest,RF)相结合的混合模型WOA-RF;基于所收集的边坡案例,采用混淆矩阵的分类性能指标和受试者工作特征曲线及线下面积评估混合模型WOA-RF的分类和泛化性能;使用WOA对4种广泛应用的机器学习模型进行优化,并将优化后的机器学习模型与WOA-RF模型进行对比分析。结果表明:WOA可以有效地优化超参数和提升模型性能;最优WOA-RF模型在训练集和测试集上的准确率分别为0.99和0.94,优化后,准确率、精确率、召回率、精确率和召回率的加权平均值分别提升了11.9%、19.0%、4.8%和11.9%;对比分析各个模型的预测性能后发现,WOA-RF模型的各项指标均优于其他模型;确定了特征重要性排序,发现容重是影响边坡稳定性的最敏感特征。WOA-RF模型可有效地预测边坡稳定性,预测结果可为防护措施的制定提供依据。