搜文章
推荐 原创 视频 Java开发 iOS开发 前端开发 JavaScript开发 Android开发 PHP开发 数据库 开发工具 Python开发 Kotlin开发 Ruby开发 .NET开发 服务器运维 开放平台 架构师 大数据 云计算 人工智能 开发语言 其它开发
Lambda在线 > 电力系统保护与控制 > 【新方法】基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

【新方法】基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

电力系统保护与控制 2017-11-29

 点击标题下“电力系统保护与控制”可快速关注

本刊官网为www.dlbh.net,欢迎访问浏览、在线投稿


基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估

田 芳,周孝信,于之虹

2017年第22期

DOI: 10.7667/PSPC161864

基金项目:国家电网公司科技项目(5442xt170016)


引文格式

田芳, 周孝信, 于之虹. 基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估[J]. 电力系统保护与控制, 2017, 45(22): 1-8.

TIAN Fang, ZHOU Xiaoxin, YU Zhihong. Power system transient stability assessment based on comprehensive SVM classification model and key sample set[J]. Power System Protection and Control, 2017, 45(22): 1-8.


研究概述

  为了提高支持向量机(Support Vector Machine, SVM)的分类性能,提出了根据关键样本集构造的SVM 综合分类模型进行电力系统暂态稳定评估的方法。给出了基于不同特征量的SVM 综合分类模型的构建方法、关键样本集的产生方法以及基于综合分类模型和关键样本集的SVM 分类步骤。采用3 9 节点典型算例和某省级电网算例进行分类效果分析。分析结果表明,所提出的基于SVM 综合分类模型和关键样本集的方法,相较于传统SVM方法,大幅度减少了将不稳定样本判定为稳定的漏分类数,提高了SVM 方法的实用性。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。


研究背景

  随着电网运行控制复杂度的增加,在线动态安全评估(DSA)技术已成为保证电网安全的不可缺少的主要技术手段。DSA 系统一般包括暂态稳定评估、电压稳定评估、小干扰稳定评估等功能。其中,基于时域仿真的暂态稳定评估是最耗时的一种计算。

  随着我国电网规模的不断扩大以及直流输电工程的纷纷投运,给DSA 系统带来了挑战。一方面,仿真计算时间会随着电网规模的增长而成倍增加;另一方面传统的机电暂态仿真在分析交流故障引发直流换相失败等问题时往往捉襟见肘,DSA 系统迫切需要引入电磁—机电暂态混合仿真以提高安全评估的准确度,这样计算时间将成千上万倍增长。解决上述问题的一个思路是扩充硬件资源,提高并行计算效率,另一个思路是将快速判稳的数据挖掘技术与数值计算方法相结合,以提高暂态稳定评估的计算速度。

  数据挖掘包括机器学习、专家系统、模式识别等多种方法。支持向量机SVM 是基于统计学理论的VC (Vapnik-Chervonenkis dimension)理论和结构风险最小化原则而提出的一种新的机器学习方法,在电力系统负荷预测、新能源发电功率预测、故障类型识别等领域都有应用。在电力系统暂态稳定评估方面也已开展较多研究。近几年的发展包括:对SVM 的改进方法研究,如最小二乘SVM,相关SVM,主要用来提高计算速度;选择合适的输入特征,或将SVM 和其他方法相结合,如与证据理论相结合,以提高分类准确性;对不同参数训练的SVM 进行综合,减少漏判数。

  本文提出了一种提高SVM 分类性能的新思路:基于关键样本集来构建若干个具有不同特征量的SVM 分类模型,对其分类结果进行综合。本文将首先简单介绍SVM 的基本原理,然后描述SVM 综合分类模型的构建方法和关键样本集的产生方法,接下来介绍基于综合分类模型和关键样本集的SVM分类步骤,最后采用3 9 节点典型算例和某省级电网算例进行分类效果验证。


研究结论

  本文提出基于SVM 综合分类模型和关键样本集的电力系统暂态稳定评估方法,对传统SVM 分类方法进行了改进,3 9 节点典型算例和某省级电网算例分析结果表明:

  1) 特征量的选取对于关键样本集SVM 分类结果有较大影响。为降低漏分类率,采用基于不同特征量构造的若干个分类模型的综合结果进行分类的思路是可行的。

  2) 基于SVM 综合分类模型和关键样本集的暂态稳定评估方法在某省级电网中的分类效果较好,相对于传统SVM 方法,分类正确率有所增加,漏分类数大幅减少,提高了SVM 方法用于稳定评估时的实用性。

  如何合理选取特征量,进一步提升分类正确率值得进一步深入研究。所提出的基于关键样本集构造分类模型的思路对于其他数据挖掘方法也有一定的借鉴意义。


作者简介

    (1973),女,通信作者,博士,教授级高级工程师,研究方向为电力系统分析与控制、电力系统数字仿真;E-mail: tianf@epri.sgcc.com.cn

  周孝信(1940),男,教授级高工,中国科学院院士,中国电力科学研究院名誉院长,研究方向为电力系统分析与控制、电力系统仿真以及FACTS 技术等;

  于之虹(1975),女,博士,高级工程师,研究方向为电力系统安全稳定评估与控制、仿真分析技术等。




《电力系统保护与控制》联系方式

官网:www.dlbh.net

编辑部:0374-3212254,3212234(传真)  

E-mail: pspc@vip.126.com

品牌营销部:0374-3212444

E-mail: zzskhfwb@vip.163.com

广告设计部:0374-3215922

发行部:0374-3360297


《PCMP》联系方式

官网:www.pcmp.info

编辑部:0374-3212254,3212234(传真)  

E-mail: pcmp@vip.126.com










版权声明:本站内容全部来自于腾讯微信公众号,属第三方自助推荐收录。《【新方法】基于支持向量机综合分类模型和关键样本集的电力系统暂态稳定评估》的版权归原作者「电力系统保护与控制」所有,文章言论观点不代表Lambda在线的观点, Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源: 阅读原文

相关阅读

关注电力系统保护与控制微信公众号

电力系统保护与控制微信公众号:PSPC-1973

电力系统保护与控制

手机扫描上方二维码即可关注电力系统保护与控制微信公众号

电力系统保护与控制最新文章

精品公众号随机推荐