基于集成深度置信网络的精细化电力系统暂态稳定评估

为了进一步提高电力系统暂态稳定的预测精度及给出更精细化的评估结果,将深度学习与电力系统暂态稳定相结合,根据故障切除后发电机功角"轨迹簇"特征,提出一种基于集成不同结构的深度置信网络(DBN)的精细化电力系统暂态稳定评估模型。该模型的基分类器DBN能够有效地利用深层架构所具有的特征提取能力,充分挖掘出输入特征与暂态稳定评估结果之间的非线性映射关系。在新英格兰10机39节点系统上的实验结果表明,该方法不仅优于浅层学习框架,也比部分深度学习模型的性能更加优越。除此之外,该集成DBN算法不仅有较高的预测精度,而且可以有效地评估系统的稳定裕度和不稳定程度等级;在部分同步相量测量装置信息缺失以及含有噪声时,表现出较强的鲁棒性。     

基于改进深度残差收缩网络的电力系统暂态稳定评估

针对电力系统暂态稳定评估中,电力系统同步相量测量装置(PMU)量测数据在采集和传输过程可能存在噪声问题,以及由于暂态稳定与失稳样本不平衡,导致基于数据驱动的暂态稳定评估模型训练的倾向性和误判后果严重问题,提出基于改进深度残差收缩网络(IDRSN)的电力系统暂态稳定评估方法.首先将底层量测电气量构建成特征图形式作为模型输入,利用模型深层结构建立输入与稳定结果之间的映射关系.面对噪声问题,模型通过注意力机制,采用软阈值函数自动学习噪声阈值,减小噪声及无关特征干扰;并通过焦点损失函数(FL),引入权重系数修正模型训练的倾向性,利用调制因子重点关注误分类样本,提高模型训练效率和评估性能.通过新英格兰10机39节点系统进行仿真分析,所提模型能够有效减小不同程度的噪声干扰,在不平衡数据集上修正模型训练偏向性,以减少误分类样本,在不同PMU配置方案下,均取得较好评估效果.     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于深度残差网络的电力系统暂态电压稳定评估

随着人工智能技术的发展,基于数据驱动的深度学习方法可兼顾在线评估的快速性与准确性。通过分析电力系统的电压时序信息,构建暂态电压稳定裕度指标。基于实时获取的广域测量信息,选择代表潮流水平的稳态信息、代表故障冲击程度的故障瞬间信息以及代表故障持续进展的滑动信息构建半固定半滑动的异构样本集,基于深度残差网络构建暂态电压稳定评估模型,分别输出系统的暂态电压稳定评估结果、各监测母线的暂态电压稳定评估结果以及电压稳定裕度信息,为在线监控提供指导。在计及高压直流输电和风电接入影响的改进中国电科院36节点系统进行仿真验证,结果表明,该方法无需接收保护设备的故障切除时间信息,可在故障切除时刻之前给出高精度的评估结果,具有较高的实时性和准确性。     

基于改进深度置信网络的电力系统暂态稳定评估研究

为了提高深度置信网络的评估性能,提出一种基于稀疏降噪自动编码器和深度置信网络相结合的暂态稳定评估方法。首先,构建一组对系统暂态变化敏感且维数与系统规模无关的原始输入特征;其次,通过稀疏降噪自动编码器的无监督学习过程提取输入特征,用得到的权值和偏置初始化深度置信网络;最后,采用“预训练－微调”2种学习方法训练深度置信网络,获得原始输入特征与系统暂态稳定结果之间的映射关系。与采用随机初始化受限玻尔兹曼机的传统深度置信网络相比,本文提出的改进评估方法在一定程度上克服了由于随机初始化导致评估准确率无法达到最优的弊端。在新英格兰10机39节点系统上的仿真结果表明,该方法比常用的机器学习算法和深度置信网络有更好的评估性能,仿真结果还证明了本文所提方法具有良好的特征提取能力。     

基于改进CatBoost的电力系统暂态稳定评估方法

在实际电网的运行过程中,通过同步相量测量单元实时采集到的电网动态参数通常含有部分噪声,且有时会因通信故障造成数值的随机缺失,对基于人工智能的电力系统暂态稳定评估模型造成很大影响.为此,提出一种基于改进CatBoost的暂态稳定评估方法.通过分箱算法对输入特征数据进行离散化处理,提高模型对噪声的鲁棒性;采用加权的焦点损失函数代替交叉熵损失函数,提升模型的可信度并减少模型对失稳样本的漏判;将量测数据部分缺失的样本划分到单独的节点中继续建模,从而充分挖掘不完整样本中的暂态信息.在新英格兰10机39节点上的实验结果表明,所提方法的准确率和查全率均优于其他几类机器学习算法,而且所提方法对噪声和数值缺失表现出良好的鲁棒性且具有较快的训练速度和预测速度.     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于grcForest模型的风电并网系统暂态电压稳定评估

针对现阶段机器学习在风电并网系统暂态电压稳定评估的快速性、准确性方面存在的不足,提出了一种基于grcForest模型的风电并网系统暂态电压稳定评估方法。首先针对输入特征数目随着级联森林层数的增加可能出现的梯度增长或梯度减少的问题,采用残差网络对其进行优化,保证了层数增加后的模型依旧能保持最初的学习能力;其次分析风电并网系统暂态电压的关键影响因素,结合暂态故障构建输入特征;再通过评估模型离线训练,完成模型的参数设置和性能优化;最后把构建完成的输入特征应用于grcForest风电并网系统暂态电压稳定评估模型,结合数据对模型进行评估验证。IEEE10机39节点系统的仿真分析验证了该方法的快速性和准确性。     

双通道输入LetNet-5卷积神经网络旋转机械故障诊断模型研究

针对旋转机械运行过程中伴随着诸多噪声，现有单通道网络在旋转机械故障诊断过程中抗噪性较差的问题，提出了一种加入并联机制的双通道输入Let Net-5卷积神经网络模型。模型合理性检验过程采用了凯斯西储大学轴承数据集，在此基础上，添加信噪比为–10 d B的高斯白噪声模拟真实噪声情形；采用短时傅里叶变换将电机风扇端和驱动端振动数据进行处理，获得的时频图像传递至双通道输入的Let Net-5卷积神经网络进行训练学习。研究结果表明：双通道输入Let Net-5卷积神经网络模型能够良好捕捉到强噪声环境下的故障特征；相比于多尺度特征融合残差模型、多模态耦合输入神经网络模型、传统的K近邻与决策树模型及单通道输入Let Net-5卷积神经网络模型，双通道输入Let Net-5卷积神经网络具有更高的效率和精度。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

考虑样本不平衡的电力系统鲁棒暂态稳定评估

由于实际电力系统中暂态失稳样本稀少,基于数据驱动的暂态稳定评估方法面临训练样本类别分布失衡问题,严重影响暂态稳定评估结果的可靠性。针对此问题,提出了一种基于MAHAKIL过采样和BCLM的鲁棒暂态稳定评估方法。首先,通过MAHAKIL过采样改善原始样本集的类别分布;然后,基于BCLM构建电力系统鲁棒暂态稳定评估模型。在新英格兰10机39节点系统上的测试结果表明,所提方法能够显著降低原始样本类别失衡的影响,并对数据缺失和数据噪声具有较强鲁棒性。     

基于改进深度置信网络的智能电网暂态安全状态感知

深度学习是感知智能电网暂态安全状态的有效方法,针对多层重构学习过程低维特征及结构参数难以全局寻优的问题,提出了一种改进深度置信网络(Deep Belief Network, DBN)方法。首先,该方法利用SMOTE过采样算法,增加样本多样性,促使DBN深层架构的挖掘。其次,直接面向噪声样本,DBN通过网络中各神经元吉布斯抽样的二值状态,增强重构特征的抗噪能力。最后,建立了基于遗传算法(Genetic Algorithm, GA)的GA-DBN模型,有效解决DBN结构参数调试繁琐的问题,确保DBN高精度地从底层量测数据提取低维特征,提高安全分类精度。新英格兰10机39节点系统的仿真实验表明,在样本不平衡、含噪声情况下,所提算法比其他算法的失稳漏判率降低,辩识准确率和F1分数提升。     

基于XGBoost-EE的电力系统暂态稳定评估方法

深度学习在暂态稳定评估中发挥着越来越重要的作用,然而电网规模逐渐扩大导致数据出现维数灾难,这对模型的性能提出了更高的要求.目前,暂态稳定特征构建需要依靠人工经验,具有主观性;深度学习的模型在设计和训练上耗时、耗力.针对以上两点,结合极限梯度提升(XGBoost)算法和实体嵌入(EE)网络,提出了一种基于XGBoost-EE的电力系统暂态稳定评估方法.首先通过XGBoost算法的路径规则生成类别特征,将原始特征进行降维.然后采用EE网络对新的特征进行分类,从而完成快速、精准的暂态稳定评估.该方法充分利用了机器学习算法处理速度快和神经网络评估精度高的优点,能够直接面向底层量测数据.最后,在IEEE新英格兰10机39节点和IEEE 50机145节点系统的仿真结果表明,所提方法相比于其他方法具有更高的预测精度和更好的抗噪性能,且在训练时不容易过拟合.     

基于深度学习的综合能源配电系统负荷分析预测

为支撑综合能源配电系统的经济调度和优化运行,提出了一种基于深度学习的冷热电多元负荷综合预测方法。首先,使用皮尔逊系数定量计算多元负荷间的相关关系,分析负荷与影响因素间相关性;然后,构建基于卷积神经网络和支持向量回归的深度学习模型,其中卷积神经网络作为特征提取器从输入数据中提取隐含的更具代表性的特征信息,支持向量回归作为预测模型输出预测结果,同时开展缺失数据与离群数据的预处理;最后,应用某综合能源系统的实际数据对算法的有效性进行了验证,比较分析了考虑多元负荷相关性对预测结果的影响。结果表明:所提出的RCNN-SVR模型对冷、热、电负荷均有较好的预测精度。研究成果可为综合能源配电系统的综合负荷预测提供参考。     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点。提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的。仿真结果表明,提出的评估方法与现有的神经网络、最小二乘支持向量机方法相比,在准确率、评估速度2方面有着较大提升。