电力系统是一个时变的复杂系统。近年来,基于数据驱动的机器学习方法在电力系统暂态稳定评估领域得到了广泛应用。然而,当电力系统运行受到较大扰动发生工况变化时,机器学习模型需要根据新的运行数据进行训练,故其难以及时应对新拓扑结...电力系统是一个时变的复杂系统。近年来,基于数据驱动的机器学习方法在电力系统暂态稳定评估领域得到了广泛应用。然而,当电力系统运行受到较大扰动发生工况变化时,机器学习模型需要根据新的运行数据进行训练,故其难以及时应对新拓扑结构下系统的暂态稳定情况评估。为解决该问题,首先,提出了一种模型更新机制,按照不同条件对模型进行更新;其次,引入了基于多面近端支持向量机(multisurface proximal support vector machine,MPSVM)的斜双随机森林(oblique double random forest with MPSVM,MPDRF)模型,并将其作为分类器对电力系统的稳定状态进行评估;最后,在新英格兰10机39节点系统上的进行仿真测试,验证该方法的有效性。研究结果表明,所提的结合更新机制的电力系统暂态稳定评估方法的评估性能优于普通方法的。展开更多
现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制...现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制的长短期记忆网络(long short term memory network with attention,LSTMA)方法,用以深入挖掘暂态稳定评估样本中所蕴藏的信息。在离线训练环节,以长短期记忆网络为基础分类器,引入Attention注意力机制引导模型学习样本中关键特征,并对损失函数进行改进,以此强化对不平衡样本的学习能力;在线应用环节,在目标域小样本条件下采用迁移学习方法更新成型的离线LSTMA模型,并对比不同迁移学习策略对模型性能影响,经过迁移学习建立的新运行点下的改进LSTMA模型评估精度有效提高,训练时间大幅减少,所得出的迁移学习策略确定方法有利于实际应用环节快速决策。研究在IEEE39节点和IEEE300节点系统上进行实验,验证了所提方法的有效性。展开更多
文摘电力系统是一个时变的复杂系统。近年来,基于数据驱动的机器学习方法在电力系统暂态稳定评估领域得到了广泛应用。然而,当电力系统运行受到较大扰动发生工况变化时,机器学习模型需要根据新的运行数据进行训练,故其难以及时应对新拓扑结构下系统的暂态稳定情况评估。为解决该问题,首先,提出了一种模型更新机制,按照不同条件对模型进行更新;其次,引入了基于多面近端支持向量机(multisurface proximal support vector machine,MPSVM)的斜双随机森林(oblique double random forest with MPSVM,MPDRF)模型,并将其作为分类器对电力系统的稳定状态进行评估;最后,在新英格兰10机39节点系统上的进行仿真测试,验证该方法的有效性。研究结果表明,所提的结合更新机制的电力系统暂态稳定评估方法的评估性能优于普通方法的。
文摘现代电力系统海量量测数据为电力系统暂态稳定评估提供可靠的数据基础,与此同时,数据信息挖掘成为研究焦点,暂态稳定分析中不平衡故障样本以及多特征电气量时间序列数据中所蕴藏的信息仍有待深入挖掘。为此,该文提出一种结合注意力机制的长短期记忆网络(long short term memory network with attention,LSTMA)方法,用以深入挖掘暂态稳定评估样本中所蕴藏的信息。在离线训练环节,以长短期记忆网络为基础分类器,引入Attention注意力机制引导模型学习样本中关键特征,并对损失函数进行改进,以此强化对不平衡样本的学习能力;在线应用环节,在目标域小样本条件下采用迁移学习方法更新成型的离线LSTMA模型,并对比不同迁移学习策略对模型性能影响,经过迁移学习建立的新运行点下的改进LSTMA模型评估精度有效提高,训练时间大幅减少,所得出的迁移学习策略确定方法有利于实际应用环节快速决策。研究在IEEE39节点和IEEE300节点系统上进行实验,验证了所提方法的有效性。
