CN110728299A - 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 - Google Patents
基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 Download PDFInfo
- Publication number
- CN110728299A CN110728299A CN201910843026.5A CN201910843026A CN110728299A CN 110728299 A CN110728299 A CN 110728299A CN 201910843026 A CN201910843026 A CN 201910843026A CN 110728299 A CN110728299 A CN 110728299A
- Authority
- CN
- China
- Prior art keywords
- power system
- evaluation
- extreme learning
- training
- transient stability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 99
- 230000001052 transient effect Effects 0.000 title claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012854 evaluation process Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 241000218220 Ulmaceae Species 0.000 abstract 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,根据最大相关最小冗余算法MRMR,在电力系统历史大数据中提取能够表征当前电力系统暂态稳定状况的关键特征;利用提取出的电力系统暂态稳定状况的关键特征对多重极限学习机ELMs进行分层学习训练,然后将故障后电力系统关键特征群,输入到各层训练好的多重极限学习机ELMs中,最后各层利用决策评价准则,得出最终的暂态稳定评价结果。该方法具有高精度的同时,还满足了智能电网大数据的快速性要求。
Description
技术领域
本发明涉及电力系统暂态安全评估技术领域,具体涉及一种基于多重极限学习机的电力系统故障后暂态稳定分层评估方法。
背景技术
随着智能电网建设的推进,电力系统设备的利用率在现有基础上将得到进一步的提高,这势必将导致电力系统的运行越来越靠近其稳定运行极限,使得现代电力系统发生相继故障的可能性越来越高,而暂态稳定破坏作为诱发相继故障演化为大停电事故的重要因素之一,能否对其进行快速准确的评估对于大停电防御体系中的预防控制、紧急控制和校正控制措施的有效执行有着重要的意义。
传统的暂稳评估方法主要有基于时域仿真法和能量函数法两类。其中时域仿真法由于需要对非线性微分方程组进行积分求解,评估速度有限、不适用于大规模系统的在线评估;能量函数法虽然具有较快的评估速度,但该方法的核心是对复杂系统的近似等值,很多关键因素可能被等值忽略,这导致最终构建的系统模型不够精确,且其判断准则是系统稳定的必要不充分条件,这些不足都使得能量函数法易于给出过于保守的评估结论,因此也难以实现对复杂系统的高精度评估。
结合暂态稳定评估的时序特性分析,故障发生后越早给出评估结果,对维持系统的整体稳定性越有利,这使得故障后暂态稳定评估有迫切的及时性要求;但与此相矛盾的是,故障后持续时间越久,获得的数据对系统稳定性的表征越明显,评估算法越易于得出正确的结论,评估精度也越高。因此如何统筹兼顾评估精度和评估速度两个因素,在两者之间找到合适的平衡点,对智能算法的实际应用有重要意义。
发明内容
为解决上述技术问题,本发明提供一种基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,解决传统的暂稳评估无法兼顾评估速度和评估精度两方面的需求等问题的同时,满足更高的整体评估精度要求。
本发明采取的技术方案为:
基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,根据最大相关最小冗余算法MRMR,在电力系统历史大数据中提取能够表征当前电力系统暂态稳定状况的关键特征;利用提取出的电力系统暂态稳定状况的关键特征对多重极限学习机ELMs进行分层学习训练,然后将故障后电力系统关键特征群,输入到各层训练好的多重极限学习机ELMs中,最后各层利用决策评价准则,得出最终的暂态稳定评价结果。该方法具有高精度的同时,还满足了智能电网大数据的快速性要求。
所述多重极限学习机ELMs,是由多个极限学习机ELM组成的整体。极限学习机ELM是一种由输入层、隐含层和输出层构成的单隐含层前馈神经网络,由于其隐含层结构相对简单,仅有一层,使其训练和判定的速度都较快,从结构上能够满足大数据的实时性要求;由于其样本训练过程具有普遍的随机化概念,使其克服了传统神经网络易于陷入最小值陷阱等的诸多缺点。
单个极限学习单元ELM的训练方法已在现有技术文献中有涉及,故本发明只做简要介绍,设训练样本个数为L,用随机函数作为激活函数,单个ELM的训练方法如下:
假设有L个任意样本(xi,yi),则输出函数为:
其中,βi表示连接第i个隐藏节点与网络输出层节点的输出权值向量,ωi表示连接网络输入节点与第i个隐层节点的输入权值向量,bi是第i个隐层单元的偏置。
根据ELM的相关理论,(1)式与下式等价:
Hβ=Y (2)
其中,H表示网络关于样本的隐层输出矩阵,β表示输出权值矩阵,Y表示样本集的目标值矩阵。
对于单个样本训练过程,随机给定隐含节点数、输入权值向量ωi和bi,则输出权值矩阵β=H+Y,其中H+是H的广义逆矩阵。
基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,包括以下步骤:
步骤1:设定训练及相关参数初始值,确定具体评估层数;
步骤2:针对电力系统原始待选特征数据集,利用最大相关最小冗余MRMR算法确定降维后的核心特征集;
步骤3:在核心特征集中选取训练特征,构成多重极限学习机ELMs训练样本集;
步骤4:完成对多重极限学习机ELMs的集中训练学习;
步骤5:提取当前故障后电力系统暂态稳定关键特征群数据,并将其送入到已训练好的多重极限学习机ELMs中;
步骤6:分层评估模块基于置信决策规则,对该层多重极限学习机ELMs的评估结果进行总结,并将不符合置信条件的样本送入下一层。
步骤7:下一层增加训练特征数量与极限学习机ELM数目,重复步骤3-步骤6,直到达到设定层数。
所述步骤1中,训练及相关参数初始值主要包括:具体评估层数(n);每层评估时间(tn);第n层ELM总数(Jn);各层训练集特征数(Fn);隐含层节点数区间[hmin,hmax]等。
具体参数的设定因被评估电力系统规模大小的差异而不同,一般而言,越大越复杂的系统,参数设定越复杂。
所述步骤2中,核心特征集的确定,指的是保留关键特征的前提下,剔除不必要的冗余特征变量,加强后续训练的针对性;将最大相关最小冗余MRMR加入到多重极限学习机ELMs特征提取中,对初步筛选后的数据集中再次提取,选择最能表征当前暂稳状态特征构成核心特征集。利用MRMR算法找到各个特征之间的相关性,针对该特征表征当前系统暂稳状态的能力给出排名,从而便于我们找到最优特征集。
所述步骤3中,最优训练特征的选择,针对不同难度的暂态稳定评估问题,应用不同规模的训练特征集D,尽可能快的给出尽可能准确的评估结果;因此,在第一层评估过程中,以排名前50%的最优特征作为输入训练集的特征;在第二层评估过程中,使用完整的最优特征进行训练;后续评估层使用更多的训练特征进行训练。
所述步骤4中,多重极限学习机ELMs的集中训练学习,其具体流程如下:
(1)FOR j=1 to Jn;
(2)从训练数据集D中随机的选择nj个样本构成数据集D'j;
(3)在数据集Dj中随机选择fj个特征构成数据集D'j;
(4)随机确定输入权值向量ωi和bi;
(5)随机指定hj个隐藏节点,hj∈[hmin,hmax];
(6)随机挑选激活函数;
(7)基于D'j和上述其它参数训练当前ELM;
(8)END。
所述步骤6中,分层评估模块,用于综合评价该层ELMs中每一个学习机的输出结果,除了给出最终的电力系统暂稳判定结果外,还给出当前结果的置信度,具体置信决策规则如下:
首先对每一个单独的ELM评估结果yj用如下的的置信规则进行评价:设当前电力系统处于暂态稳定状态,判定结果为“1”;当前电力系统不能够维持暂态稳定状态,判定结果为“-1”,则对于ELMs中的每一个学习元的输出结果yj∈[-1,1]:
若yj≥0.8,则认为当前电力系统处于暂态稳定状态,yj=1,当前ELM输出可信:U=U+1;
若yj≤-0.55,则认为当前电力系统不能够维持暂态稳定状态,yj=-1,当前ELM输出可信:V=V+1;
若-0.55<yj<0.8,则认为当前ELM输出不可信;
设:在Jn个ELM评估结果中,有U个置信的评估结果“1”和V个置信的评估结果“-1”,以及I-U-V个不置信的评估结果,用户自定义的置信阈值为T。若I-U-V>T,当前评估结论整体不置信。需要进入下一层继续评估;若I-U-V≤T,则当前评估结果整体置信,给出最终的电力系统暂稳判定结果如下:
若U>V,可认为当前电力系统处于暂态稳定状态;
若U≤V,可认为当前电力系统不能够维持暂态稳定状态。
所述步骤7中,若经过最终层评估后,极个别样本仍无法给出置信的评估结果,说明这些样本极为靠近系统暂稳边界,处于临界稳定状态;为了防止评估系统对不稳定样本的错判,将这些临界样本点最终判为不稳定。
本发明提供了一种基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,该方法针对不同难度的暂态稳定评估问题,分层应用不同规模的评估模型,每一层的评估过程主要包括样本训练和结果评价两个阶段。样本训练阶段又分为电网暂态关键特征的提取和ELMs的集中训练两个部分,前者针对智能电网的大数据实时性要求,采用MRMR算法对输入变量科学降维。后者为后续暂稳判断提供准确且可靠的数据支撑;结果评价阶段给出最终的系统暂态稳定安全状态。与一般方法相比,本发明有益的效果为:
(1)、利用MRMR算法对电网大数据进行合理的降维,实现对电网的安全状况全面、合理的评估。
(2)、利用极端学习机自有的特点,采用集中的方法并行训练和使用多个EMLs,与传统的神经网络相比,其具有显著的快速性;与单个EML相比,又具有更好的稳定性和高精度。
(3)、采用分层多重极限学习机对电力系统故障后暂态稳定情况进行评估,统筹兼顾评估精度和评估速度,大大提高了评估效率。
(4)、决策评价结合每一个ELM学习元的输出,结合合理的评判规则给出精确评估结果的同时,还从统计学的角度给出了当前评估结果的置信度。
(5)、决策评价模块,综合评价ELMs中每一个学习元的输出结果,给出最终的电力系统暂稳判定结果。
附图说明
图1为本发明的系统图;
图2为本发明实施例的样本各层训练流程图。
具体实施方式
实施例:
本实施例以1684节点电力系统为研究对象,判定其在不同的故障场景下的暂态稳定情况。实施例的整体框架如图1所示。上述方法主要包括多层多重极限学习机的分层训练与分层评估两个部分。每层多重极限学习机的样本训练部分特征在于:电网暂态关键特征提取和ELMs的集中训练。每层多重极限学习机的评估部分特征在于:在大数据中提取关键特征,然后将其送入已训练好的一簇EMLs中,最后综合分析其输出后,给出暂态稳定评估结果,并将不置信的样本送入下一层。
作为本发明的一种优选方案,每层多重极限学习机训练部分的流程图如图2所示,具体实施步骤如下:
(1):设置相关参数的初始值。初值设定主要是设置训练及各个参数的初始值。本实施例训练过程中,相关参数的类型及初值如下表1。
表1相关参数的类型及初值
(2):利用电力系统历史数据及仿真软件产生样本库中的10272组样本,其中9027组暂态稳定样本,3245组不稳定样本。随机抽取9204(总数的75%)组样本作为训练样本,剩余3068组样本作测试用。
(3):利用MRMR算法,选取能够表征电力系统暂态特征的参数作为核心特征库,在本实例中选取各母线电压幅值、各母线电压相位、各负荷有功、各负荷无功、发电机有功、发电机无功、系统整体有功、系统整体无功等排名前Fn的参数作为核心特征库。
(4):根据选出的核心特征库进行ELMs的集中学习训练。
(5):完成训练退出程序。
作为本发明的一种优选方案,ELMs的集中学习训练的迭代算法如下:
(1)FOR j=1to Jn//选择被训练的ELM;
(2)随机确定训练样本;
(3)随机确定当前被训练ELM隐含层节点数j∈[150,350];
(4)在基础特征库随机挑选30个特征作为输入量当前输入ELM;
(5)随机确定输入权值向量ωi和bi;
(6)计算β=H-1T;
(7)END。
作为本发明的一种优选方案,实施例中每层多重极限学习机评估部分的实施步骤如下:
(1)对应MRMR算法给出的关键特征排名,提取当前电网的Fn个关键特征;
(2)将Fn个关键特征送入当前层已训练的EMLs中;
(3)决策评估模块收集每个ELM的输出结果,客观评价当前电网的暂态稳定情况,并给出评判结果的置信情况。
作为本发明的一种优选方案,决策评价模块置信区间的具体设置如下:
首先对每一个单独的ELM评估结果yj用如下的的置信规则进行评价:设当前电力系统处于暂态稳定状态,判定结果为“1”;当前电力系统不能够维持暂态稳定状态,判定结果为“-1”,则对于ELMs中的每一个学习元的输出结果yj∈[-1,1]:
若yj≥0.8,则认为当前电力系统处于暂态稳定状态,yj=1,当前ELM输出可信:U=U+1;
若yj≤-0.55,则认为当前电力系统不能够维持暂态稳定状态,yj=-1,当前ELM输出可信:V=V+1。
若-0.55<yj<0.8,则认为当前ELM输出不可信。
设:在Jn个ELM评估结果中,有U个置信的评估结果“1”和V个置信的评估结果“-1”,以及I-U-V个不置信的评估结果,用户自定义的置信阈值为T。若I-U-V>T,当前评估结论整体不置信。需要进入下一层继续评估;若I-U-V≤T,则当前评估结果整体置信,给出最终的电力系统暂稳判定结果如下:
若U>V,可认为当前电力系统处于暂态稳定状态。
若U≤V,可认为当前电力系统不能够维持暂态稳定状态。
作为本发明的一种优选方案,最终设定的层数、各层评估时序、所用的训练集待选特征数以及ELM数目设定如表2所示:
表2各层设定值
实施例最终测试结果如表3、表4所示:
表3分层评估结果
表4评估时间结果
Claims (10)
1.基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:根据最大相关最小冗余算法MRMR,在电力系统历史大数据中提取能够表征当前电力系统暂态稳定状况的关键特征;利用提取出的电力系统暂态稳定状况的关键特征对多重极限学习机ELMs进行分层学习训练,然后将故障后电力系统关键特征群,输入到各层训练好的多重极限学习机ELMs中,最后各层利用决策评价准则,得出最终的暂态稳定评价结果。
2.根据权利要求1所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述多重极限学习机ELMs,是由多个极限学习机ELM组成的整体。
3.根据权利要求1所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述单个极限学习机ELM的训练方法如下:
输出函数为:
根据ELM的相关理论,式(1)与下式等价:
Hβ=Y (2)
对于单个样本训练过程,随机给定隐含节点数、输入权值向量ωi和bi,则输出权值矩阵β=H+Y,其中H+是H的广义逆矩阵。
4.基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于包括以下步骤:
步骤1:设定训练及相关参数初始值,确定具体评估层数;
步骤2:针对电力系统原始待选特征数据集,利用最大相关最小冗余MRMR算法确定降维后的核心特征集;
步骤3:在核心特征集中选取训练特征,构成多重极限学习机ELMs训练样本集;
步骤4:完成对多重极限学习机ELMs的集中训练学习;
步骤5:提取当前故障后电力系统暂态稳定关键特征群数据,并将其送入到已训练好的多重极限学习机ELMs中;
步骤6:分层评估模块基于置信决策规则,对该层多重极限学习机ELMs的评估结果进行总结,并将不符合置信条件的样本送入下一层;
步骤7:下一层增加训练特征数量与极限学习机ELM数目,重复步骤3-步骤6,直到达到设定层数。
5.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤1中,训练及相关参数初始值主要包括:具体评估层数(n);每层评估时间(tn);第n层ELM总数(Jn);各层训练集特征数(Fn);隐含层节点数区间[hmin,hmax]。
6.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤2中,核心特征集的确定,指的是保留关键特征的前提下,剔除不必要的冗余特征变量,加强后续训练的针对性;将最大相关最小冗余MRMR加入到多重极限学习机ELMs特征提取中,对初步筛选后的数据集中再次提取,选择最能表征当前暂稳状态特征构成核心特征集。
7.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤3中,最优训练特征的选择,针对不同难度的暂态稳定评估问题,应用不同规模的训练特征集D,尽可能快的给出尽可能准确的评估结果;因此,在第一层评估过程中,以排名前50%的最优特征作为输入训练集的特征;在第二层评估过程中,使用完整的最优特征进行训练;后续评估层使用更多的训练特征进行训练。
8.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤4中,多重极限学习机ELMs的集中训练学习,其具体流程如下:
(1)FOR j=1 to Jn;
(2)从训练数据集D中随机的选择nj个样本构成数据集D'j;
(3)在数据集Dj中随机选择fj个特征构成数据集D'j;
(4)随机确定输入权值向量ωi和bi;
(5)随机指定hj个隐藏节点,hj∈[hmin,hmax];
(6)随机挑选激活函数;
(7)基于D'j和上述其它参数训练当前ELM;
(8)END。
9.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤6中,分层评估模块,用于综合评价该层ELMs中每一个学习机的输出结果,除了给出最终的电力系统暂稳判定结果外,还给出当前结果的置信度,具体置信决策规则如下:
首先对每一个单独的ELM评估结果yj用如下的的置信规则进行评价:设当前电力系统处于暂态稳定状态,判定结果为“1”;当前电力系统不能够维持暂态稳定状态,判定结果为“-1”,则对于ELMs中的每一个学习元的输出结果yj∈[-1,1]:
若yj≥0.8,则认为当前电力系统处于暂态稳定状态,yj=1,当前ELM输出可信:U=U+1;
若yj≤-0.55,则认为当前电力系统不能够维持暂态稳定状态,yj=-1,当前ELM输出可信:V=V+1;
若-0.55<yj<0.8,则认为当前ELM输出不可信;
设:在Jn个ELM评估结果中,有U个置信的评估结果“1”和V个置信的评估结果“-1”,以及I-U-V个不置信的评估结果,用户自定义的置信阈值为T;若I-U-V>T,当前评估结论整体不置信;需要进入下一层继续评估;若I-U-V≤T,则当前评估结果整体置信,给出最终的电力系统暂稳判定结果如下:
若U>V,可认为当前电力系统处于暂态稳定状态;
若U≤V,可认为当前电力系统不能够维持暂态稳定状态。
10.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法,其特征在于:所述步骤7中,若经过最终层评估后,极个别样本仍无法给出置信的评估结果,说明这些样本极为靠近系统暂稳边界,处于临界稳定状态;为了防止评估系统对不稳定样本的错判,将这些临界样本点最终判为不稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843026.5A CN110728299A (zh) | 2019-09-06 | 2019-09-06 | 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910843026.5A CN110728299A (zh) | 2019-09-06 | 2019-09-06 | 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110728299A true CN110728299A (zh) | 2020-01-24 |
Family
ID=69217930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910843026.5A Pending CN110728299A (zh) | 2019-09-06 | 2019-09-06 | 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728299A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111478314A (zh) * | 2020-03-20 | 2020-07-31 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态稳定评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力系统暂态稳定评估方法 |
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
US20190222596A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Reliable cyber-threat detection in rapidly changing environments |
-
2019
- 2019-09-06 CN CN201910843026.5A patent/CN110728299A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512808A (zh) * | 2015-11-30 | 2016-04-20 | 武汉大学 | 一种面向大数据的电力系统暂态稳定评估方法 |
CN105913079A (zh) * | 2016-04-08 | 2016-08-31 | 重庆大学 | 基于目标域迁移极限学习的电子鼻异构数据识别方法 |
US20190222596A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Reliable cyber-threat detection in rapidly changing environments |
Non-Patent Citations (2)
Title |
---|
XIN LI ET AL.: "A Stratified Method for Large-Scale Power System Transient Stability Assessment Based on Maximum Relevance Minimum Redundancy Arithmetic" * |
张林林等: "基于极限学习机的电力系统暂态稳定评估方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111478314A (zh) * | 2020-03-20 | 2020-07-31 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态稳定评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN106972504B (zh) | 基于遗传算法的区间无功优化方法 | |
CN107632590B (zh) | 一种基于优先级的底事件排序方法 | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN111612125A (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
CN111478314A (zh) | 一种电力系统暂态稳定评估方法 | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
CN114006370A (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN115329669A (zh) | 基于深度贝叶斯主动学习的电力系统暂态稳定评估方法 | |
CN112308298A (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
Li et al. | Study of manufacturing cloud service matching algorithm based on OWL-S | |
CN110728299A (zh) | 基于多重极限学习机的电力系统故障后暂态稳定分层评估方法 | |
CN106326005A (zh) | 一种迭代型MapReduce作业的参数自动调优方法 | |
CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
He et al. | Power system frequency situation prediction method based on transfer learning | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: WECC case study | |
He et al. | A method for transient stability assessment based on pattern recognition | |
GB2622755A (en) | Evaluating output sequences using an auto-regressive language model neural network | |
CN109145518B (zh) | 一种大型复杂装备可靠性决策图模型构造方法 | |
CN114648123A (zh) | 一种卷积神经网络分层推理时间预测方法及装置 | |
CN113054653A (zh) | 基于VGGNet-SVM的电力系统暂态稳定评估方法 | |
Tang et al. | Multi-state data-driven gas path analysis method | |
Yang et al. | Research on fault diagnosis of ship power system based on improved particle swarm optimization neural network algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |