基于数据增强和深度残差网络的电力系统暂态稳定预测

针对传统数据驱动的电力系统暂态稳定分析方法中,较少考虑输入数据存在噪声和信息缺失后对预测模型性能的影响问题,提出一种基于数据增强和深度残差网络的暂态稳定预测方法。首先,考虑噪声和信息缺失情况,对原始训练数据进行扩充;然后,采用发电机受扰后动态数据作为输入特征;考虑到输入的高维时序数据具有图像的特点,利用图像处理中一种特殊的卷积神经网络—深度残差网络构建用于暂态稳定评估的深层模型。算例分析表明,所提出的方法能够提高模型的泛化能力,在含噪声以及部分发电机信息缺失情况下具有更好的鲁棒性。     

基于WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测

为了能够实现快速实时的暂态稳定性预测,提出了一种基于故障后发电机端电压受扰轨迹簇特征的电力系统暂态稳定性预测方法。首先通过WAMS系统获取故障后发电机端电压受扰轨迹簇信息,利用电压轨迹簇的几何属性定义了29个特征指标,然后利用Relief算法从中筛选出与系统暂态稳定性密切相关的广域故障特征指标子集,并利用支持向量机(SVM)构造电力系统暂态稳定性预测器。以新英格兰10机39节点系统为例,对所提出的暂稳预测器的性能进行了大量测试。结果表明,相较于已有研究应用故障后发电机电压数据进行的暂态稳定性预测,所提出的基于广域故障特征的暂稳预测器能有效提高电力系统暂态稳定性预测的准确性(预测准确率由94%提高到96%以上)。另外,特别是对于不完全WAMS信息的暂稳预测、对未知运行方式和未知拓扑结构的电力系统暂稳预测具有独特的优势,显著提高了暂稳预测系统的鲁棒性(预测准确率均能达到94%以上)。     

面向电网运行方式计算的不收敛潮流无功调整方法

潮流收敛调整是电网运行方式计算的重要工作,其中无功安排不合理是潮流不收敛的重要原因之一。由于无功问题非线性较强,凭借人工经验进行调整较为困难。为此,提出了基于自适应Levenberg-Marquardt的不收敛潮流无功调整方法,将原始问题分解为序列二次规划形式的有功子问题和无功子问题,引入自适应阻尼因子。利用增广拉格朗日函数及信赖域方法决定是否接受迭代步长的更新。详细分析了所提方法能够提升数值稳定性的原因。通过对IEEE300节点系统、波兰3375节点系统以及某省级电网实际系统的算例分析表明,所提方法能够给出无功调整的最小二乘解以实现潮流收敛,进而为方式人员进行潮流调整提供参考和借鉴。     

面向变化场景的输电断面极限评估主动迁移学习方法EI北大核心CSCD

深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。     

基于两阶段支持向量机的电力系统暂态稳定预测及预防控制

针对数据驱动的电力系统暂稳分析,考虑到安全域概念下的暂稳预测和预防控制对输入特征的不同要求,以及充分兼顾数据挖掘模型的直观性与准确性,该文提出两阶段支持向量机用于暂稳预测及预防控制。在第一阶段,采用可控特征和直观模型挖掘运行方式与暂态稳定的内在联系,并用于制定预防控制策略;第二阶段,采用复杂模型构建准确率高的暂稳预测模型;此外,第一阶段模型能够为第二阶段的暂稳预测模型的训练提供样本筛选的依据,从而缩短了预测模型的训练时间。仿真分析表明,经过数据缩减后,预测模型的训练时间大大缩短,所得模型仍具有较高的准确率;当系统被判断为不安全时,可提供发电机有功调整的预防控制措施,以保证电力系统安全稳定运行。     

基于生成对抗网络和模型迁移的电力系统典型运行方式样本生成

典型运行方式是电力系统运行方式编制的重要基础。由于电力系统的高维度、非线性和不确定性,制定运行方式时往往面临组合爆炸难题,运方人员难以根据实际需要生成所需的典型运行方式,例如：使某个待研究断面安全裕度低的运行方式,因而面临生成所需类型样本难度大、生成效率低的问题。为此,该文首次提出结合生成对抗网络与模型迁移的典型运行方式样本生成方法,仅需少量数据和少量微调即可高效地得到具有高性能的典型运行方式生成模型。首先,设计了面向运行方式生成的生成对抗网络模型,通过基础模型充分学习到不同类型的运行方式样本的共性特征;在此基础上,提出适用于生成对抗网络的模型迁移训练方法,使参数微调后得到的目标模型可以有针对性地生成大量所需的典型运行方式样本。所提方法以输电断面安全裕度为研究主题,在新英格兰10机39节点系统上进行了验证,结果表明,所提方法能根据实际需求生成任意指定安全裕度的运行方式样本,有效解决运行方式制定中所需特定类型样本不足的难题,为后续运行方式分析提供坚实的数据支撑。     

基于励磁电流时序特征的核电多相旋转整流器二极管开路故障诊断

实现多相旋转整流器的故障诊断对保障核电系统安全稳定运行至关重要。然而，现有方法难以准确识别旋转整流器的二极管开路故障模式。为此，该文首先分析将励磁电流作为诊断变量的理论依据；然后，引入形状子特征(Shapelet)变换算法，充分利用其在可解释性和局部差异识别准确性的优势，提取和挖掘不同故障模式下励磁电流最具有代表性和辨识度的特征子序列；最后，结合机器学习分类器得到故障模式分类结果，形成完整的故障诊断方案。通过11相无刷励磁系统仿真模型和动模样机实验进行验证。结果表明，所提方法能够直观并精细表征不同类别故障电流的局部特征，变换后不同故障数据分布的差异性明显提升，仅需结合简单分类器即可实现快速、准确的故障诊断，具有实际应用潜力。