基于时序轨迹特征学习的暂态电压稳定评估

被引：54

作者：

朱利鹏 ^{[1
]}

陆超 ^{[1
]}

黄河 ^{[2
]}

刘映尚 ^{[2
]}

机构：

[1] 电力系统及大型发电设备安全控制和仿真国家重点实验室(清华大学)

[2] 中国南方电网电力调度控制中心

来源：

电网技术 | 2019年 / 43卷 / 06期

基金：

国家重点研发计划;

关键词：

机器学习; 稳定域; 态势感知; 时序轨迹; Shapelet;

D O I：

暂无

中图分类号：

TM712 [电力系统稳定];

学科分类号：

080802 [电力系统及其自动化];

摘要：

以先进机器学习方法等为代表的人工智能技术在增强现代电网安全稳定态势感知能力方面展现出巨大的潜力。针对在线暂态电压稳定评估的传统难题,提出基于时序轨迹特征学习的稳定评估方法。通过分析系统能量函数与暂态响应轨迹的相关性,给出学习过程输入数据选取的理论依据。在时序轨迹Shapelet变换基础上,提出以刻画系统稳定/失稳案例关键局部轨迹差异为核心的特征学习方法及稳定评估方案。双机四节点系统和南方电网中的算例测试结果表明,除了实现可靠的稳定监测和评估,还可充分利用文中方法的可解释性从数据层面剖析特定系统的失稳模式和规律。

引用

页码：1922 / 1931

页数：10

共 8 条

[1]

巴西电网失步解列情况分析及启示 [J].

刘云 .

电网技术, 2019, 43 (04) :1111-1121

[2]

电网大停电社会综合损失评估 [J].

刘自发 ;

张在宝 ;

杨滨 ;

王智冬 ;

齐芳 .

电网技术, 2017, 41 (09) :2928-2940

[3]

基于广域时序数据挖掘策略的暂态电压稳定评估 [J].

朱利鹏 ;

陆超 ;

黄河 ;

苏寅生 ;

汪际锋 .

电网技术, 2016, 40 (01) :180-185

[4]

基于数据挖掘的区域暂态电压稳定评估 [J].

朱利鹏 ;

陆超 ;

孙元章 ;

黄河 ;

苏寅生 ;

李智欢 .

电网技术, 2015, 39 (04) :1026-1032

[5]

Classification of time series by shapelet transformation[J] Jon Hills;Jason Lines;Edgaras Baranauskas;James Mapp;Anthony Bagnall Data Mining and Knowledge Discovery 2014,

[6]

A transient energy function for power systems including the induction motor model[J] Yong Min;Lei Chen Science in China Series E: Technological Sciences 2007,

[7]

机器学习[M] 周志华清华大学出版社 2016,

[8]

电力系统负荷建模[M] 鞠平; 马大强; 著中国电力出版社 2008,

← 1 →