基于Tri-Training-LASSO-BP网络的静态电压稳定裕度在线预测方法

电力系统的静态电压稳定性,对于保证系统正常运行起着关键作用。传统的静态电压稳定裕度评估方法难以满足在线实时预测的要求,常用的离线监督预测方法则需要大量的训练样本,且容易出现过拟合,会对预测精度造成影响。研究能克服这些缺点的方法,具有重要意义。该文将神经网络、半监督训练、集成学习等技术应用于电力系统静态电压稳定裕度的预测分析中,提出基于Tri-Training-LASSO-BP网络的在线预测方法,由三体训练法(Tri-Training)、最小绝对值收缩选择(leastabsoluteshrinkageandselectoperator,LASSO)方法和误差反向传播(backpropagation,BP)神经网络组成。在IEEE 39节点和IEEE 300节点算例上的结果和对其进行的非参数检验表明,该方法能够降低对训练集数据量的要求,发挥电力系统日常运行过程中采集的海量数据的优势,提高网络的预测精度,减少人工干预。