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,...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。展开更多
文摘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。