叶圣永[1]2010年在《基于机器学习的电力系统暂态稳定评估研究》文中提出电力系统运行中经常遭受到各种各样的大扰动,特别是运行线路发生接地和短路故障,使系统可能面临暂态不稳定问题。暂态稳定性的破坏是造成电网灾难性事故的主要因素之一,寻求快速、准确的暂态稳定评估方法对保证电网安全稳定运行具有重要意义,另一方面,电力系统规划中也需要分析系统的整体暂态稳定水平。随着人工智能的迅速崛起,基于机器学习的电力系统暂态稳定评估方法逐渐引起研究人员的重视。机器学习的观点认为电力系统暂态稳定评估是模式识别问题,系统暂态稳定性和某些描述系统运行状态的特征量之间具有某种映射关系。通过离线仿真分析,获取能够充分反映这种映射特性的离散样本,通过对样本集的学习提取未知映射的函数关系。这种函数关系一旦获得,就可对新运行状态下的系统暂态稳定性获得评估结果。因此,机器学习是实现快速电力系统暂态稳定评估有前途的方法。本论文根据机器学习理论,研究了电力系统暂态稳定评估的若干问题：特征选择、组合评估模型、受扰严重机组输入特征、在线学习和概率评估等。(1)针对电力系统暂态稳定评估输入特征之间的冗余性,以及存在与系统稳定性无关的特征,提出了一种基于支持向量机双阶段特征选择方法。首先利用支持向量机逐一消除特征法得到原始特征按重要性由高到低的排序,选取排序靠前的特征构成特征子集,然后用支持向量机为目标分类器的Wrapper方法,通过最佳优先搜索得到近似最优特征子集。新英格兰39节点测试系统和IEEE50机测试系统的仿真结果表明,所提出的特征选择方法能有效地得到一组近似最优特征子集；(2)为提高电力系统暂态稳定评估模型的性能,提出了叁种基于元学习策略的暂态稳定评估模型,包括融合决策树、支持向量机、朴素贝叶斯的Stacking框架、组合决策树的AdaBoost算法和RandomForest算法。仿真结果表明,叁种组合模型均可以比单个模型评估性能优越,其中组合决策树的AdaBoost模型和RandomForest模型评估性能相近,Stacking模型次之；(3)提出了基于受扰严重机组的电力系统暂态稳定评估输入特征构造方法。通过综合3种受扰严重机组识别方法得到一组候选临界失稳机组,即在故障初始时刻通过识别相对动能的最大值对应的机组、归一化初始加速功率最大值对应的机组以及反映受扰最严重发电机失稳趋势的相对加速度最大值对应的机组,进一步基于这组候选临界失稳机组构建42维特征。在新英格兰39节点测试系统和IEEE50机测试系统的仿真表明,基于受扰严重机组的输入特征能有效地表征系统动态；(4)提出了一种基于支持向量机增量学习的电力系统暂态稳定在线学习评估方法,通过构造递归解法,对原始训练集中的旧数据保持KKT条件,将新数据增加到解中。仿真结果表明支持向量机增量学习的暂态稳定评估方法在保持评估性能的基础上,大幅减少了学习时间,是一种有前途的暂态稳定评估在线学习算法；(5)提出了一种用于电力系统规划的暂态稳定概率评估方法,即蒙特卡罗—支持向量机方法,利用非序贯蒙特卡罗方法构建仿真样本,将支持向量机用于加速暂态稳定评估过程。仿真结果表明,所提方法在保持评估精度的同时,能大幅减少模拟时间；(6)针对非序贯蒙特卡罗方法没有考虑随机序列之间相关性的不足,将马尔可夫链蒙特卡罗方法(Markov Chain Monte Carlo, MCMC)引入到电力系统的概率暂态稳定评估中,提出了基于MCMC方法的暂态稳定概率评估的模型和算法,仿真结果表明比传统蒙特卡罗方法更快速收敛且收敛稳定性好。
刘艳芳[2]2003年在《基于神经网络和支持向量机的暂态稳定评估方法研究》文中研究说明由于暂态稳定评估问题输入空间的复杂性以及神经网络本身的局限性，神经网络的分类结果中不可避免地会存在误分类。误分类大多是由处于两类样本分布的边界区内的样本造成的。如果能够应用某种方法把容易造成误分类的样本划分出来，势必提高神经网络暂态稳定评估的可靠性。本文提出了几种划分样本边界区的方法:提出了一种应用于半监督BP算法的实用结束判据，并根据粗糙集理论，研究了一种新的粗糙分类机制，取得良好的效果；应用支持向量机理论，构造分类器并划分样本边界区；最后研究多个分类器集成的方法寻找样本边界区，同样提高了暂态稳定评估的可靠性
盛琪[3]2006年在《基于支持向量机的电力系统暂态稳定评估研究》文中提出电力系统暂态稳定评估(TSA)是关系到电力系统安全稳定运行的重要问题。论文结合模糊理论和集成学习对TSA问题进行了研究，主要研究内容如下：以IEEE 10机39节点新英格兰系统作为仿真对象，采用电力系统BPA软件进行暂态稳定仿真，构建用于评估的原始样本集；采用SVM算法进行暂态稳定评估，设计具体的算法流程。论文引入ROC曲线作为SVM训练参数选择的一种方法，并且引入更多的评估指标，更具说服力；针对SVM本身存在的训练缺陷，即对于样本的一视同仁，论文提出在SVM中加入模糊隶属度，形成模糊支持向量机(FSVM)进行TSA。在仿真过程中，采用K最近邻方法(K-NN)用于构建模糊隶属度，C++编程实现TSA。仿真结果显示，该方法在评估正确率上比SVM有了一定的提高；针对单一SVM的缺陷，论文提出采用AdaBoost算法，用于集成SVM学习。仿真得出评估结果，即该方法比上述任何一种方法都有更高的评估可靠性；论文对上述方法进行比较，证实论文提出的改进方法是有效的。
王科[4]2014年在《基于故障信息的电力系统暂态稳定评估》文中研究说明电力系统是人类历史上构造最复杂的强非线性、高维数、分层、分布的动态工业大系统之一,其稳定分析和控制问题也一直是电力科学研究的热点和难点。近年来,随着负荷的增长、送电距离的增加、各种新技术和控制器件的应用、电力市场化政策的实施、风电、太阳能等新能源大规模接入以及大量高压直流输电和柔性交流输电系统的投运,现代电力系统的同调性、失稳模式、关键断面等动态特性也越来越复杂,增加了电力系统稳定分析和控制的难度。未来,随着智能电网建设的推进,电力系统设备的利用率在现有基础上将得到进一步的提高,这势必将导致电力系统的运行越来越靠近其稳定运行极限,使得现代电力系统发生在不同的交流通道之间、直流通道之间、交直流通道之间、送受端电网之间的相继故障的可能性越来越高。加上继电保护装置的潜在故障、多馈入直流系统与交流电网的相互影响、机组非计划停运、受端无功支撑能力、低频振荡、暂态稳定和电压稳定等因素,未来电力系统出现相继故障演化为大停电的风险势必增加。而暂态稳定破坏作为诱发相继故障演化为大停电事故的重要因素之一,能否对其进行快速准确的评估对于大停电防御体系中的预防控制、紧急控制和校正控制措施的有效执行有着重要的意义。因此,现代电力系统亟须一套行之有效的稳定分析方法来快速分析故障后的系统的稳定状态,为电力系统运行人员及时有效地采取控制措施提供重要的信息支撑。随着广域测量技术和人工智能技术的发展,基于广域测量信息及人工智能算法的电力系统暂态稳定评估方法获得了研究人员的广泛关注。本文从充分利用广域测量系统提供的电力系统故障信息的角度出发,基于人工智能算法和能量函数算法对电力系统暂态稳定评估展开了研究,主要研究内容如下：(1)本文提出了一种基于发电机组合轨迹输入特征支持向量机的电力系统暂态稳定分析模型,算法采用基于组合轨迹输入的支持向量机分类器进行暂态稳定识别,并且给出了分类器的可信区和非可信区以提高该分类器的实用性,同时,提出了修正策略对非可信区的分类结果进行修正以提高分类器在非可信区的分类性能。(2)本文将单机能量函数和广义势能的概念引入到势能脊方法中,提出了单机势能脊判据。同时考虑到能量函数中电网模型和实际电网模型的差异,根据实际电网的运行特点,提出了提高单机势能脊判据可靠性的约束条件,并在此基础上,提出了基于WAMS实时信息的电力系统暂态稳定单机势能脊判断方法。(3)本文在支路势能函数的基础上,结合势能脊方法,提出了一种用于电力系统暂态稳定分析及临界割集识别的支路势能脊法。同时,为了解决支路势能脊法在稳定情况下无法识别临界割集的缺陷,提出了一种计算简单,能够有效反应系统受扰程度的电力系统支路和系统稳定度指标。和现有支路势能函数方法相比,本文所提算法准确度高,计算简单,在已知电网结构参数的情况下,只需要实时获得电网母线电压幅值和相角即可进行电力系统暂态稳定状态和临界割集的实时分析和识别,而且该算法对于多群失稳模式依然适用。同时,由于本算法仅依赖于系统网络结构和参数,因此也可以应用于有风电等新能源接入的电力系统暂态稳定分析。(4)本文提出了一种基于滚动双层次聚类的电力系统临界割集搜寻方法,算法分别采用发电机轨迹和母线轨迹进行独立的层次聚类,从基于发电机轨迹的层次聚类中可以获得故障后系统的发电机分群情况,从基于母线值轨迹的层次聚类中可以获得故障后系统的母线分群情况,然后对两个层次聚类结果进行一致性校验以提高临界割集搜寻结果的可靠性。同时,为了降低层次聚类中母线轨迹间距离的计算量,并保证通过聚类获得的母线群内部连通性,本文进一步提出了计及电网拓扑结构的母线变量轨迹距离简化计算方法,从而大大提高了所提算法效率。(5)本文从输电断面可用传输容量(ATC)的角度出发,结合临界割集的概念,提出了一种新的电力系统暂态稳定裕度表征方法—暂态稳定可用传输容量(TATC),TATC直接从功率的角度对系统的暂态稳定程度进行定量度量,方便电网运行人员直接基于该裕度指标快速制定出保证系统安全稳定运行的预防或者紧急控制措施。同时,为了实现该指标的在线计算,论文提出了基于支持向量机的TATC快速预测方法,该方法只需要获取初态故障信息即可实现对TATC的快速预测。
王长江[5]2017年在《基于弹球损失支持向量机和端口能量函数的暂态稳定评估方法研究》文中认为电力系统暂态稳定评估—直是关系到电力系统安全稳定运行的重要问题。随着可再生能源及大量电力电子装备的接入,区域电网互联规模不断扩大,使电力系统的调度运行方式和安全稳定控制面临严峻考验,需研究满足当前运行状态且有利于复杂电网调度的暂态稳定评估在线分析方法。本文主要从弹球损失支持向量机和端口能量函数法暂态稳定评估两方面进行分析,主要研究内容如下:(1)针对传统支持向量机在进行电力系统暂态稳定评估时,易受系统临界稳定干扰样本的影响问题。提出一种基于弹球损失支持向量机的暂态稳定评估模型。首先,采用系统指标和投影能量函数指标构建暂态稳定指标的原始特征集,通过最大相关最小冗余特征选择方法对暂态指标集进行特征压缩,寻找对电网暂态变化敏感度高的特征子集;然后,基于弹球损失支持向量机思想将特征子集映射到高维空间,实现非线性暂态稳定评估问题的线性转化,进而引入分位数改变系统稳定类与不稳定类之间的最近点位置,将暂态稳定分类问题转化为在弹球损失支持向量机中寻找最优分位数距离问题,以减小系统临界稳定干扰样本的影响,提高电力系统暂态评估方法的评估准确率和稳定性。(2)针对传统能量函数构造易受系统模型影响,当网络拓扑改变时需要重新构造能量函数问题。提出一种基于端口能量函数法的暂态稳定评估模型。将端口能量描述为端口状态变量和控制变量的函数,进而借助端口能量表征VSC-HVDC系统的暂态能量聚集效应,以避免VSC-HVDC内部复杂控制过程的建模,降低能量函数的构造难度,且可扩展到网络中任意含电力电子器件的端口;进一步,构建基于端口能量的全系统能量函数,通过迭代势能边界面法(iteration potential energy boundary surface,IPEBS)进行暂态稳定评估,借助点积判据确定系统失稳时间,在系统失稳的转子运动轨迹上搜索势能最大值作为临界能量,确定极限切除时间,实现暂态稳定的快速判别。
肖伟[6]2016年在《基于多代理技术的微网暂态稳定自适应控制研究》文中研究表明微网技术可有效的对分布式电源、负荷、储能装置进行管理,推进新能源的发展,促进节能减排,改善网络的架构,提高系统的运行可靠性和经济性。随着微网技术的发展,大量分布式能源与电力电子器件接入配电网,微网的分布式特性和低惯性等特点,使得微网控制复杂、稳定性降低,因此针对微网在发生故障后的稳定性分析并进行相应的控制是非常必要的。本文针对含分布式电源微网的运行特性,提出利用多代理技术解决微网短路故障以及开关投入与退出所造成的暂态稳定问题。搭建了以分层控制方法为核心的多代理系统框架,设计了基于多代理协商机制的系统求解模型,描述了模型的体系结构和功能。针对所搭建的多代理系统框架,详细介绍了微网在故障发生后多时空尺度下的工作内容,明确将微网发生突发事件后的暂态稳定评估和评估过后的协调控制分开来处理,提出了基于多代理系统的叁阶段暂态稳定控制方法。第一阶段是微网的暂态稳定评估:利用支持向量回归机动态预测算法,采用“离线训练,在线预测”的方式在线评估微网是否会失去稳定;同时利用模糊数学与人工神经网络相结合的智能算法,训练本区域内底层Agent在突发事件后不同运行环境中的动作优先级,为接下来底层Agent的协调动作做出提前准备。第二阶段是中层Agent的分布式控制阶段:中层Agent根据暂态稳定评估结果进行相应的继电保护动作,并利用合同网的协商机制与其它中层Agent进行协调,通过多条件评价方法确定最终任务的分配。第叁阶段是底层Agent的定量控制阶段:针对暂态稳定评估过后底层Agent的动作特性,本文首先制定各底层Agent的动作切换规则,结合中层Agent的集中控制指令和神经网络的训练结果,控制分布式电源改变自身的出力,同时负荷Agent进行相关的增减负荷动作,自适应运行环境和自身约束条件的变化。仿真结果发现,所提出的控制方法具有很好的自主性和适应性。各层Agent之间互相协调,共同实现微网的暂态稳定。本课题的研究对于保证微网的稳定运行和在发生故障后保证其暂态稳定性都具有十分重要的意义。
赵任光[7]2018年在《基于PMU的电力系统静态及暂态稳定性评估方法研究》文中提出随着电力系统规模的逐步增大,以及新能源的并网规模不断扩大,给系统的安全稳定运行带来了巨大的挑战,如何保证系统在更经济的条件下安全稳定运行已显得愈来愈重要,因此电力系统稳定性分析,无论是静态稳定性分析还是暂态稳定性分析都已经成为了研究的重要热点。随着PMU实测数据在电力系统中的应用愈来愈广泛,能够很好地反映电力系统的节点和支路的运行稳定状态信息。本文分别从静态安全稳定性分析和暂态稳定性分析两个角度来对系统进行分析,在静态安全稳定性分析方面,本文主要从电力系统静态脆弱性进行分析,在暂态稳定评估方面,基于PMU数据的短期暂态功角、功率和电压等信息,结合机器学习算法来对暂态稳定评估进行深入的研究和探索。本论文主要包含以下几个方面的内容:(1)本文首先阐述了电力系统的稳定性分析的国内外研究现状,针对静态稳定分析领域,主要以电力系统存在的静态脆弱性作为切入点来分析电力系统的静态稳定性;在暂态稳定分析上主要介绍了传统的暂态稳定评估方法的研究现状。(2)在研究电力系统静态脆弱性方面,本文分析了传统的电网结构或者状态脆弱性评估方法存在考虑系统因素单一性,忽略整体连接效应,给系统静态安全稳定性分析带来误差与失真。因此提出一种基于半不变量和Gram-Charlier级数相结合(CGC),且综合考虑各种随机性因素的输电网概率脆弱性评估方法,通过在含风电模型的IEEE-30母线系统中进行仿真分析,证明了所提的研究方法用来评估电网概率脆弱性的有效性,对电力系统静态稳定性分析提供了新的研究方向。(3)在研究电力系统暂态稳定性方面,本文结合PMU量测数据的短期暂态功角、功率和电压等动态信息,建立了新英格兰10机39节点系统的暂态预测原始特征样本集,然后利用随机森林算法来构建电力系统暂态稳定评估模型,并通过随机森林模型对特征按照重要度进行排序,选取重要性靠前的特征构成最优特征组合,通过基于不同算法预测暂态稳定性能对比,来评估分析系统暂态稳定特性。(4)为提高电力系统暂态稳定性评估分析性能,采用遭受各种扰动下的10机39节点系统暂态稳定预测样本数据集,依据特征重要度从高到低依次增加特征并计算遗传算法、粒子群算法和网格搜索算法参数优化下支持向量机的暂态稳定性预测分类,仿真结果表明网格搜索算法参数寻优耗时虽最长,但误判准确率最低,使电力系统暂态稳定性预测性能上表现得更加优越。
刘姝琼[8]2010年在《支持向量机和证据理论在暂态稳定评估中的应用研究》文中研究指明电力系统运行的安全稳定问题,是现代电力系统发展所面临的巨大威胁,因此,快速准确地判断系统暂态稳定性具有重要意义。相对于传统的评估方法,支持向量机优良的统计特性可以使评估速度很快;鉴于证据理论在解决不确定性问题方面的优势,将之引入以提高暂态稳定评估结果的可靠性。本文构建了基于支持向量机和D-S证据理论结合的信息融合评估模型,并研究了特征量的选取。受扰轨迹是系统动态行为的直接表达,本文研究了基于受扰轨迹的电力系统暂态稳定评估方法,提出基于DTW距离判断受扰轨迹相似性的方法。利用EPRI-36节点系统进行仿真计算,结果表明本文方法在提高评估精度的同时,可减少训练时间,改进评估效果。
叶圣永, 王晓茹, 刘志刚, 钱清泉[9]2010年在《基于支持向量机的暂态稳定评估双阶段特征选择》文中进行了进一步梳理针对电力系统暂态稳定评估的高维性,在构造一组与系统规模无关的原始特征集基础上,提出一种支持向量机双阶段特征选择方法。第1阶段以支持向量机递归特征选择法对原始特征集进行排序,消去对分类不重要的特征,得到一组降维的特征集;第2阶段以径向基核支持向量机为分类器的包装法,用最佳优先搜索算法得到一组近似最优特征子集。最后,在新英格兰39节点和IEEE50机测试系统上,对原始特征集使用所提的特征选择方法,仿真结果证明所提方法的有效性。同时,采用支持向量机双阶段特征选择法得到的特征子集对其他暂态稳定评估模型同样有效。
郭知非[10]2012年在《暂态电能质量检测方法研究》文中研究说明近年来电能质量问题已引起电力部门及用户的高度关注。准确地检测和识别电能质量问题对于分析和综合提高电能质量具有重要意义。电能质量问题可分为稳态和暂态扰动两类。本文主要研究了暂态电能质量扰动的检测与分类。论文首先研究了国内外电能质量检测方面的研究现状和发展趋势，进行了电能质量的定义和分类，并给出了电能质量的有关标准以及在智能电网背景下的电能质量检测新要求和发展前景。接着详细地研究了小波分析、支持向量机和人工神经网络这叁种方法在电能质量扰动检测方面的应用。文章中详细讨论了各种方法的理论基础和检测原理，并重点研究了小波分析应用于电能质量暂态扰动时域定位；支持向量机和人工神经网络用于暂态扰动分类。基于小波和神经网络的分类方法大部分采用小波分解各层的能量分布作为特征向量，用单个神经网络给出分类结果，此类方法构建的分类器性能有待进一步提高。论文在分析比较现有扰动分类方法的基础上，提出了新的一种基于小波和BP神经网络的电能扰动分类方法。论文选取了合适的小波基sym4作为母小波对扰动信号做11层分解,然后将扰动信号小波变换系数的统计特征和小波变换域的能量分布组合在一起构成特征向量，这样更好地利用了扰动信号中蕴含的信息以区别不同的扰动类型。鉴于分类器构建过程中存在不确定因素，如噪声，训练样本的缺陷，论文通过基于最小二乘法的策略综合叁个相互独立神经网络的输出以得到最后的判别结果。这种综合多方信息的方法提高了分类器的总体性能，算例表明本文提出的分类器准确率高，在信噪比较低的情况下还可达到较高的准确率。分类器能有效识别电压中断、电压暂降、电压暂升、谐波、振荡暂态和闪变6种常见电能质量扰动。
参考文献：
[1]. 基于机器学习的电力系统暂态稳定评估研究[D]. 叶圣永. 西南交通大学. 2010
[2]. 基于神经网络和支持向量机的暂态稳定评估方法研究[D]. 刘艳芳. 华北电力大学（河北）. 2003
[3]. 基于支持向量机的电力系统暂态稳定评估研究[D]. 盛琪. 南京理工大学. 2006
[4]. 基于故障信息的电力系统暂态稳定评估[D]. 王科. 华中科技大学. 2014
[5]. 基于弹球损失支持向量机和端口能量函数的暂态稳定评估方法研究[D]. 王长江. 东北电力大学. 2017
[6]. 基于多代理技术的微网暂态稳定自适应控制研究[D]. 肖伟. 华北电力大学. 2016
[7]. 基于PMU的电力系统静态及暂态稳定性评估方法研究[D]. 赵任光. 电子科技大学. 2018
[8]. 支持向量机和证据理论在暂态稳定评估中的应用研究[D]. 刘姝琼. 华北电力大学（河北）. 2010
[9]. 基于支持向量机的暂态稳定评估双阶段特征选择[J]. 叶圣永, 王晓茹, 刘志刚, 钱清泉. 中国电机工程学报. 2010
[10]. 暂态电能质量检测方法研究[D]. 郭知非. 湖南大学. 2012
标签：自动化技术论文; 支持向量机论文; 分类器论文; 电能质量论文; 神经网络模型论文; 仿真软件论文; 样本容量论文; 静态分析论文; 静态模型论文; 特征函数论文;