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
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。
