基于重要抽样与极限学习机的大电网可靠性评估

被引：29

作者：

许鹏程 ^{[1
]}

刘文霞 ^{[2
]}

陈启 ^{[3
]}

张浩 ^{[1
]}

机构：

[1] 国网福建省电力有限公司福州供电公司

[2] 华北电力大学新能源电力系统国家重点实验室

[3] 国网浙江省电力公司宁波市供电公司

来源：

电力自动化设备 | 2019年 / 39卷 / 02期

关键词：

可靠性评估; 重要抽样; 交叉熵; 极限学习机; 有监督学习;

D O I：

暂无

中图分类号：

TM732 [电力系统的运行]; TP181 [自动推理、机器学习];

学科分类号：

120103 [信息系统与信息管理]; 140502 [人工智能];

摘要：

由于不确定因素多、电网规模大,原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法,一方面通过在系统抽样环节引入CE构建元件的最优概率分布,减小方差变化,加快指标收敛速度;另一方面,采用ELM对重要抽样的状态样本进行有监督学习,以所构建的网络学习模型替代传统非线性规划方法进行状态评估,提高单次系统状态评估的效率,从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估,与原始MCS和CE重要抽样的对比结果表明,在一定的误差范围内所提算法合理、有效,其计算效率较原始MCS和CE显著提高。

引用

页码：204 / 210

页数：7

共 16 条

[1]

Power system reliability evaluation using learning vector quantization and Monte Carlo simulation [J].