基于机器学习的电力系统暂态稳定评估研究

电力系统运行中经常遭受到各种各样的大扰动,特别是运行线路发生接地和短路故障,使系统可能面临暂态不稳定问题。暂态稳定性的破坏是造成电网灾难性事故的主要因素之一,寻求快速、准确的暂态稳定评估方法对保证电网安全稳定运行具有重要意义,另一方面,电力系统规划中也需要分析系统的整体暂态稳定水平。 随着人工智能的迅速崛起,基于机器学习的电力系统暂态稳定评估方法逐渐引起研究人员的重视。机器学习的观点认为电力系统暂态稳定评估是模式识别问题,系统暂态稳定性和某些描述系统运行状态的特征量之间具有某种映射关系。通过离线仿真分析,获取能够充分反映这种映射特性的离散样本,通过对样本集的学习提取未知映射的函数关系。这种函数关系一旦获得,就可对新运行状态下的系统暂态稳定性获得评估结果。因此,机器学习是实现快速电力系统暂态稳定评估有前途的方法。 本论文根据机器学习理论,研究了电力系统暂态稳定评估的若干问题：特征选择、组合评估模型、受扰严重机组输入特征、在线学习和概率评估等。 (1)针对电力系统暂态稳定评估输入特征之间的冗余性,以及存在与系统稳定性无关的特征,提出了一种基于支持向量机双阶段特征选择方法。首先利用支持向量机逐一消除特征法得到原始特征按重要性由高到低的排序,选取排序靠前的特征构成特征子集,然后用支持向量机为目标分类器的Wrapper方法,通过最佳优先搜索得到近似最优特征子集。新英格兰39节点测试系统和IEEE50机测试系统的仿真结果表明,所提出的特征选择方法能有效地得到一组近似最优特征子集； (2)为提高电力系统暂态稳定评估模型的性能,提出了三种基于元学习策略的暂态稳定评估模型,包括融合决策树、支持向量机、朴素贝叶斯的Stacking框架、组合决策树的AdaBoost算法和RandomForest算法。仿真结果表明,三种组合模型均可以比单个模型评估性能优越,其中组合决策树的AdaBoost模型和RandomForest模型评估性能相近,Stacking模型次之； (3)提出了基于受扰严重机组的电力系统暂态稳定评估输入特征构造方法。通过综合3种受扰严重机组识别方法得到一组候选临界失稳机组,即在故障初始时刻通过识别相对动能的最大值对应的机组、归一化初始加速功率最大值对应的机组以及反映受扰最严重发电机失稳趋势的相对加速度最大值对应的机组,进一步基于这组候选临界失稳机组构建42维特征。在新英格兰39节点测试系统和IEEE50机测试系统的仿真表明,基于受扰严重机组的输入特征能有效地表征系统动态； (4)提出了一种基于支持向量机增量学习的电力系统暂态稳定在线学习评估方法,通过构造递归解法,对原始训练集中的旧数据保持KKT条件,将新数据增加到解中。仿真结果表明支持向量机增量学习的暂态稳定评估方法在保持评估性能的基础上,大幅减少了学习时间,是一种有前途的暂态稳定评估在线学习算法； (5)提出了一种用于电力系统规划的暂态稳定概率评估方法,即蒙特卡罗—支持向量机方法,利用非序贯蒙特卡罗方法构建仿真样本,将支持向量机用于加速暂态稳定评估过程。仿真结果表明,所提方法在保持评估精度的同时,能大幅减少模拟时间； (6)针对非序贯蒙特卡罗方法没有考虑随机序列之间相关性的不足,将马尔可夫链蒙特卡罗方法(Markov Chain Monte Carlo, MCMC)引入到电力系统的概率暂态稳定评估中,提出了基于MCMC方法的暂态稳定概率评估的模型和算法,仿真结果表明比传统蒙特卡罗方法更快速收敛且收敛稳定性好。