基于迁移学习的电力系统暂态稳定自适应预测

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于继承思想的时变性电力系统暂态稳定预测

从数据驱动的角度研究暂稳预测问题存在模型变迁和样本匮乏的困扰。针对该问题提出了一种基于继承思想的暂态功角稳定预测方法,该方法适用于暂稳数据增量或暂稳镜像变化的电网过渡阶段,填补了现有预测方法的空缺区间。分别针对电力系统暂稳样本增量的数据时变性和暂稳特性变化的暂稳镜像时变性特点,提出可计及现有预测模型参数的深度继承方法,以及可考虑样本与特征集可延拓性的广度继承方法。基于增量学习的深度继承利用新增暂稳样本,计算暂稳预测模型参数的变化量,降低模型更新所需训练时间。基于迁移学习的广度继承建立了源系统与目标系统的特征集与样本集迁移通道,实现目标系统在小样本条件下的暂稳预测模型构建。算例结果表明,该文所提方法能够反映时变电力系统的暂态稳定特性的动态变化,在样本匮乏的过渡阶段,具有速度和精度优势。     

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。     

基于改进DCGAN的电力系统暂态稳定增强型自适应评估

海量的量测数据为基于数据驱动的暂态稳定预测方法提供了基础,然而故障态样本固有的不平衡性质影响了该类方法的性能。针对暂态稳定预测的样本不平衡问题,提出了一种基于改进深度卷积生成对抗网络(DCGAN)的样本增强方法,通过生成器和判别器交替对抗训练生成全新有效的失稳样本作为原始训练集的补充。离线训练时,采用深度置信网络作为分类器,采用扩充后的样本集对其进行训练,有效提高了模型对失稳样本的识别率;在线应用时,当系统发生预料之外的变化,采用样本迁移和模型微调技术更新离线模型,进一步对迁移之后的失稳样本进行增强,显著提高了暂态稳定自适应评估的迁移速度和在新场景下失稳样本的识别率,使得评估结果更加可靠。在IEEE 39节点系统和IEEE 140节点系统上的实验结果验证了所提方法的有效性。     

基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法

该文基于神经网络(artificial neural networks,ANN),提出一种特征分离型暂态稳定智能评估模型,并针对迁移学习样本生成过程提出样本生成方法。根据不同电气特征对电力系统暂态稳定性的关联程度不同,利用神经网络构建了特征分离型暂态稳定智能评估模型;针对潮流变化或拓扑变化的影响,引入迁移学习方法对评估模型进行再训练,提出关键故障位置原则和关键故障持续时间原则指导迁移学习样本生成过程;进而提出通过调节机组出力提升暂态稳定性的优化算法。算例结果验证了分离特征对评估性能提升的有效性;采用迁移学习样本生成原则在减少样本生成数量、提升评估性能方面效果显著;所提优化模型能够有效提升电力系统暂态稳定性,为电力系统暂态稳定性智能评估与优化提供了新的思路。     

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CBAM-CNN的电力系统暂态电压稳定评估

为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法。首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的数据从通道和空间两个独立的维度依次提取特征,提高卷积神经网络对系统暂态电压状态的识别能力。然后,将该模块与微调技术相结合,提高模型在系统拓扑结构改变时的在线更新速度。最后,算例分析验证了所提模型的有效性。     

基于Bagging集成学习的电力系统暂态稳定在线评估

针对传统机器学习在处理暂态稳定评估时所表现出的稳定性差、精度低等问题以及离线训练的局限性,提出一种基于多模型融合Bagging集成学习方式的电力系统暂态稳定在线评估模型。首先,结合人工智能前沿理论研究,分析了暂态稳定评估中常用的7种机器学习算法的原理及实现方式,通过Bagging方法进行集成,充分发挥各个模型的优势。其次,给出Bagging集成的数学实现方法并进行了仿真实验。当原系统拓扑结构发生改变时,采用Boosting算法和迁移成分分析,分别对原电网历史数据进行样本迁移和特征迁移,完成对所提模型的在线更新。通过采用IEEE10机39节点系统和IEEE16机68节点系统进行分析,结果表明所提方法比传统机器学习模型精度更高。当数据中掺杂噪声时能够保持稳定运行,在系统拓扑改变时能够通过迁移历史数据进行准确的暂态稳定评估。     

基于主动迁移学习的电力系统暂态稳定自适应评估

基于深度学习的暂态稳定评估模型通常需要大量的有标注样本用于离线训练。一旦电网的运行方式和拓扑结构发生较大变化,预训练模型的性能将劣化甚至失效,使得在线评估时存在一定的空窗期。为了解决这一问题,以深度置信网络（DBN）为研究载体,将深度学习、迁移学习和主动学习相结合,提出一种基于DBN模型的主动迁移学习方法。首先,训练DBN来挖掘输入特征和暂态稳定评估结果间的映射关系,得到更好的暂态稳定评估效果。其次,当拓扑结构和运行方式发生较大变化时,通过短期仿真生成大量的无标注样本,利用主动学习来筛选少量最富有信息的样本,并通过长期仿真对这部分样本进行标注,显著减少了样本的生成时间。最后,计算源域和目标域数据分布的最大均值差异,选择不同的迁移路径,在确保迁移效果的前提下进一步缩短了迁移时间。采用新英格兰10机39节点系统、NPCC 48机140节点系统和中国华中电网进行了仿真,结果验证了所提方法具有高精度、快速性和鲁棒性,有效缩短了深度学习模型在线应用时的空窗期。     

基于XGBoost的电力系统暂态稳定预测方法

目前,基于人工智能法对电力系统进行暂态稳定预测,是通过对电力系统中相量测量单元(phasormeasurement unit,PMU)采集的大量样本离线训练,得到一个分类器,而预测模型往往是一个"黑箱"模型,使得模型解释型较差。根据电力系统故障中发电机的运行特征构建基于极限梯度提升(extreme gradient boosting,XGBoost)的暂态稳定预测模型,该模型采用串行集成多棵回归树,可计算得到暂态稳定特征重要度排序和决策图,从而可直观地挖掘特征与暂态稳定性之间的关系,并且在预测精度和运算速度的权衡上具有极大优势。在新英格兰10机39节点系统上测试,结果表明所构建的XGBoost暂态稳定预测模型相比随机森林、支持向量机和神经网络等方法在计算速度和预测精度方面具有明显优势,并且可以根据特征重要度进行特征选择来剔除冗余变量以加快训练速度。最后,提出一种针对某一具体故障而解释预测结果的算法,进一步提高了模型的解释性。     

计及漏判/误判代价的两阶段电力系统暂态稳定预测方法

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象,使得该方法不易在工程实践中应用。为此,文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失。仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性。     

考虑拓扑变化的电力系统暂态稳定评估

针对电力系统拓扑频繁变化导致暂态稳定评估（TSA）困难的问题,提出一种新颖的基于深度学习的TSA方案。基于深度森林（DF）构建暂态稳定评估模型,创新性地提出考虑主动学习技术和分级策略的DF更新方案。该方案从样本生成和模型训练两方面最大限度节省更新时间,并在电力系统拓扑变化后快速更新DF模型,有较强实用性。最后,在新英格兰39节点系统中对所提TSA方案进行验证,结果表明该方案对拓扑频繁变化的电力系统有更强的适应性与鲁棒性。     

基于主动学习的电力系统暂态稳定评估方法

随着泛在电力物联网概念的提出,暂态稳定在电力系统运行控制中扮演着越来越重要的角色。由于相量测量单元(Phasor Measurement Unit,PMU)的广泛配置,基于机器学习的暂态稳定实时评估方法展现出了巨大的发展潜力。针对这类方法在应用中离线训练数据生成耗时及造成的难以在网架发生变化后快速更新模型的问题,论文提出了一种基于主动学习的电力系统暂态稳定评估方法。考虑不同运行方式、不同故障下进行短时间仿真(仿真至故障切除时刻)生成无标注样本;随机选取一部分样本进行长时间仿真以标注这些样本的稳定状态,并进一步训练基于支持向量机的暂态稳定评估模型;最后循环选择剩余未标注样本中信息熵较高的部分数据进行标注对模型重新训练,直至模型准确率不再变化。在新英格兰10机39节点测试电力系统的仿真表明,论文提出的方法能够有效降低离线仿真的时间,大大提高评估模型部署的效率,并对广域噪声具有鲁棒性。     

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)。     

基于一维卷积神经网络的电力系统暂态稳定在线评估

传统电力系统暂态稳定评估基于时域仿真计算,计算复杂度高,难以在线应用。提出一种基于一维卷积神经网络的电力系统暂态稳定在线评估,可极大提升暂态稳定在线评估速度。通过马尔可夫链蒙特卡洛抽样算法进行电力系统运行状态模拟,生成大规模运行数据。通过电力系统时域仿真计算确定发电机最大功角差。将电力系统运行数据作为一维卷积神经网络的输入,发电机最大功角差作为输出,训练一维卷积神经网络。在线应用场景下,一维卷积神经网络可基于当前运行数据快速计算发电机最大功角差,实现暂态稳定性在线评估。新英格兰39节点系统验证了所提在线评估算法的可行性。     

基于人工智能的暂态稳定裕度精细化预测

人工智能算法在暂态稳定评估中得到了很好的应用.然而,电力系统是时变大系统,训练数据无法涵盖所有工况,模型需要在有限时间内更新;电力系统中稳定样本数远大于失稳样本数,导致模型对失稳样本学习不足.针对以上2点,提出了基于人工智能的暂态稳定裕度精细化预测方法.该方法将改进的极限梯度提升(XGBoost)树与双XGBoost回归树集成,平衡了2类样本数量差异对模型的影响,并实现了裕度预测.当运行工况变化较大时,结合增量学习技术,以较少的样本和较短的时间对模型进行有效更新.在2套IEEE系统上的实验结果表明所提方法可应用于暂态稳定评估.     

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机，结合装袋和近似推理，提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势，有效地提高了暂稳评估模型的泛化能力，并通过训练样本集重构解决了暂稳评估的多类识别问题，在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。     

基于卷积神经网络的N-2线路开断潮流快速计算

交流潮流(AC)算法需迭代求解,难以满足实际电力系统在线安全校核的需求。文中基于卷积神经网络,提出一种电力系统线路开断潮流的快速计算方法。离线训练阶段,从线路开断前后工况与拓扑的变化中提取特征作为输入信号(原始特征图),经大量算例训练后,卷积神经网络构建了原始特征图与线路开断后潮流结果的非线性映射关系。在线应用时,直接生成原始特征图,并基于离线训练的卷积神经网络计算测试集的潮流结果。经4个IEEE典型系统的N-2潮流仿真验证,文中方法具有良好的泛化能力。相比传统交流算法,文中方法将速度提高了接近80倍;相比传统人工神经网络模型,文中方法将精度提高近了1个数量级。     

基于卷积神经网络的N-2线路开断潮流快速计算

交流潮流(AC)算法需迭代求解,难以满足实际电力系统在线安全校核的需求.文中基于卷积神经网络,提出一种电力系统线路开断潮流的快速计算方法.离线训练阶段,从线路开断前后工况与拓扑的变化中提取特征作为输入信号(原始特征图),经大量算例训练后,卷积神经网络构建了原始特征图与线路开断后潮流结果的非线性映射关系.在线应用时,直接生成原始特征图,并基于离线训练的卷积神经网络计算测试集的潮流结果.经4个IEEE典型系统的N-2潮流仿真验证,文中方法具有良好的泛化能力.相比传统交流算法,文中方法将速度提高了接近80倍;相比传统人工神经网络模型,文中方法将精度提高近了1个数量级.     

基于两阶段集成深度置信网络的电力系统暂态稳定评估EI北大核心CSCD

随着人工智能的发展,深度学习技术开始应用于电力系统暂态稳定评估,但面临着模型结构选择和评估性能优化等困难。为充分发挥深度学习的优势,提出一种两阶段集成深度置信网络(deep belief network,DBN)的评估方法。第1阶段预测故障后电力系统的暂态稳定性,由于输入特征和模型结构对暂态稳定评估的影响较大,选择原始电气特征、人工经验特征和堆叠降噪自动编码器提取的特征分别作为输入,训练不同结构的DBN模型,按概率集成机制,建立集成DBN模型,并评价结果的可信度。第2阶段,利用DBN暂稳程度回归预测模型进一步评估可信样本的稳定或失稳程度。在新英格兰10机39节点系统上的仿真结果表明所提方法预测精度高,具有良好的故障筛选性能,同时还能准确衡量可信样本的稳定或失稳程度,为后续控制提供可靠的参考信息。