基于神经网络的电力系统暂态稳定评估

安全稳定水平的评估分析是电力系统运行调度的一个核心问题。传统的时域仿真法和暂态能量函数法，难以同时满足电力系统暂态稳定评估的快速性和准确性的要求，同时也无法提供电网运行调度中的有效控制措施信息和智能决策需求。而基于神经网络的暂态稳定评估方法，为在裕稳定评估提供了一种可行思路，它通过直接建立系统故障数据和运行状态的映射关系，实现系统稳定性的评估分析；具有学习能力强、评估速度快、物理概念清晰的特点。进一步，通过对神经网络输入数据的深入分析，亦可查找影响系统稳定的关键环节和因素，从而为运行人员提供决策信息。因此开展相关方面的研究具有重大意义。 在基于神经网络的暂态稳定性评估研究中，如何选取有效表征系统运行状态的特征量和采用何种形式的神经网络结构是该方法的两个难点，也是影响其暂态稳定评估速度和精度的关键。本文在原有研究基础上，重点针对上述两个问题开展研究，主要工作如下： 1、提出了一种基于复合神经网络的电力系统暂态稳定性分析的新方法，它把概率神经网络(PNN)与径向基网络(RBF)结合起来使用，利用PNN对样本数据进行预分类，并采用RBF网络对各子类样本数据进行裕度预测。RBF子网络的训练样本数据充分考虑PNN误分类的影响，采用样本重叠边界分类方法降低误差，最后对结果进行校核和修正，以提高预测精度。该方法充分利用了两个网络的各自优点，有效提高了神经网络的暂态稳定性判断和预测能力。 2、提出一种复合神经网络输入特征量优选方法，首先定义了输入特征量与网络评估结果之间的灵敏度指标，并给出一种基于微扰的数值求解方法；进一步，基于灵敏度大小排序和间隔信息，给出了一种有效的特征量选择方法，可有效压缩冗余输入信息，减少其对网络预测结果的干扰。 3、采用IEEE-39节点和IEEE-118节点算例系统，验证了本文所提的暂态稳定评估方法和改进措施的有效性和正确性。