基于机器学习的电力系统暂态稳定评估

随着中国经济快速的增长,电力系统也在不断的发展,电网正向着远距离、特高压方向发展,运行中的电力系统规模将会变得更加庞大、物理变化过程也会更为复杂。在环境保护和经济可持续发展的压力下,电网的安全运行将面临更加严峻的考验。由于广域测量系统和机器学习技术的快速发展,利用数据挖掘和机器学习方法进行电力系统暂态稳定评估得以实现。本文将分别采用两种方法对电力系统进行暂态稳定评估,主要做了如下工作:(1)本文利用仿真软件进行仿真运算,采集故障数据,并编写特征量采样程序得到暂态稳定评估的原始样本集。在此基础之上,运用粗糙集理论对暂态稳定特征量进行属性约简,减少特征量的维数;然后以最小二乘支持向量机作为分类器,得到了良好的分类效果,并最后通过算例验证了所提方法的有效性。(2)考虑到故障特征与故障本身属性关系紧密,且还有人工参与因素,很大程度上增加了提取与优化的不确定性,也增加了分类器分类识别的难度,降低了机器学习的智能性。本文将深度学习的概念引入,并选择其中的深度信念网络应用于电力系统的暂态稳定评估中。深度信念网络是一种通过组合低层特征形成更高层抽象表示,并发现数据分布式特征表示的学习网络,本文根据它的特点,提出直接从原始样本集出发对故障后的状态进行分类的新方法,并通过算例验证了所提方法的有效性。(3)随着接入的风电容量不断增大,电力系统的稳定性将会发生改变。发电机转子角能够直接反映系统的暂态稳定性,本文将故障切除前的转子角轨迹特征作为深度信念网络的输入,对电力系统暂态过程中的发电机转子角的变化趋势进行预测研究。