基于故障后電壓軌跡的電力系統(tǒng)暫態(tài)穩(wěn)定性在線預測.pdf

1、隨著我國互聯(lián)電網(wǎng)的逐漸形成，對電網(wǎng)安全穩(wěn)定運行的要求更加嚴格，尋找能夠快速、準確評估系統(tǒng)暫態(tài)穩(wěn)定性的方法具有重要意義。隨著人工智能的逐漸發(fā)展，機器學習成為評估暫態(tài)穩(wěn)定的很有前途的方法。機器學習的觀點認為暫態(tài)穩(wěn)定預測是一個模式識別問題，系統(tǒng)的暫態(tài)穩(wěn)定性和描述系統(tǒng)運行狀態(tài)的特征量之間具有某種映射關(guān)系，通過機器學習可以獲得這種函數(shù)關(guān)系。WAMS是基于同步相量測量及現(xiàn)代通信技術(shù)，對地域廣闊的電力系統(tǒng)運行狀態(tài)進行監(jiān)測和分析，監(jiān)測系統(tǒng)采集并存儲了大

2、量歷史數(shù)據(jù)，利用這些數(shù)據(jù)所蘊含的信息，可以進行有效的機器學習，進而找到進行暫態(tài)穩(wěn)定預測的方法。
　　本文依托國家電網(wǎng)公司2014年科研項目“在線安全穩(wěn)定分析系統(tǒng)應(yīng)用效能評估方法研究”，首先研究了智能學習方法在電力系統(tǒng)暫態(tài)穩(wěn)定預測中的應(yīng)用，并分析了支持向量機在本研究目標中的優(yōu)勢。解釋了選用電壓軌跡的原因是其作為電磁暫態(tài)過程比機電暫態(tài)過程的功角值更加快速，并通過仿真驗證了電壓幅值可以比功角更準確的預測更短時間內(nèi)的電力系統(tǒng)暫態(tài)穩(wěn)定性?；?/p>

3、于WAMS的機端電壓軌跡，結(jié)合支持向量機的智能學習，研究了電力系統(tǒng)的暫態(tài)穩(wěn)定在線預測的若干問題，包括:特征選擇、組合預測模型、在線學習和評估等。
　　本文運用了一種基于受擾軌跡簇特征的方法。該方法首先獲取系統(tǒng)受擾后的電壓軌跡，并定義了可以反映數(shù)據(jù)集關(guān)鍵信息的29個廣域故障特征對電壓軌跡進行預處理。龐大的數(shù)據(jù)和冗余特征可能會對樣本造成干擾，本文利用Relief算法和Recorre算法對原始特征進行特征篩選和去冗余，構(gòu)成預測系統(tǒng)的初始

4、數(shù)據(jù)集。本文選用Libsvm工具箱作為機器學習的軟件，研究了參數(shù)優(yōu)化的方法和增量學習算法。對暫態(tài)穩(wěn)定預測系統(tǒng)的結(jié)構(gòu)進行了改進以適應(yīng)非對稱故障，此時，使用三個分類器，對每相的數(shù)據(jù)進行訓練，輸出使用“或”邏輯。在PSASP仿真軟件中搭建了新英格蘭10機39節(jié)點系統(tǒng)作為測試模型，仿真驗證了本文所所用方法的可行性，分析結(jié)果表明該方法能有效提高暫態(tài)穩(wěn)定預測的可靠性。分析比較了不同的樣本數(shù)量、不同的故障類型和不同的時間尺度下系統(tǒng)的預測性能，并且對于