论文部分内容阅读
现代电力系统动态行为日益复杂,传统电力系统暂态稳定评估方法以数学模型为核心,无法满足在线评估的需求。尽管基于监督式支持向量机的暂态稳定评估方法能实现在线评估,但仍存在模型泛化能力不强,对实际系统适应性差以及缺乏在线学习能力等问题。本文研究基于半监督支持向量机的电力系统暂态稳定评估方法以改善现有方法的不足,主要研究内容如下:针对现有安全域概念下基于监督式支持向量机的暂态稳定评估方法仅利用离线时域仿真获取样本数据训练得到的评估模型泛化能力有限以及将所有训练样本在目标函数中同等对待使其分界面易受异常值干扰的问题,本文提出一种基于半监督模糊孪生支持向量机的电力系统暂态稳定评估方法。该方法采用故障发生前的稳态潮流数据构成原始特征集,通过拉普拉斯分值法和主元分析法对特征集进行筛选和压缩以获得与系统稳定性强相关的特征子集。为充分挖掘隐含在无标签样本中的信息,在孪生支持向量机的目标函数中增加描述未标记样本分布的拉普拉斯正则项以实现半监督学习。同时构建能够正确区分支持向量与异值点的新的模糊隶属度函数。在此基础上形成模糊半监督孪生支持向量机模型并利用该模型对降维后的有标签样本和无标样本同时进行分类,采用鲸鱼优化算法对模型参数进行选择优化。以WSCC-9节点系统和IEEE-39节点系统作为仿真算例,计算结果表明所提方法比传统监督式支持向量机的暂稳评估方法在泛化能力和预测精度方面有所提高。针对现有稳定域概念下基于监督式支持向量机的暂态稳定评估方法存在模型不能在线更新,对电力系统复杂多变的动态环境适应能力差以及模型参数优化时间长等问题,本文将增量学习和减量学习与直推式学习相结合,提出一种基于在线自适应直推式支持向量机的电力系统暂态稳定评估方法。该方法不仅能在故障发生时对系统的暂态稳定性做出预测,而且同时可以利用新增样本实现模型自我更新与修正,以及能够通过参数摄动对模型进行自适应优化。最后以IEEE-68节点系统为例验证了所提方法的可行性和有效性。仿真结果表明所提方法比传统批量归纳式方法训练得到的评估模型准确率更高,评估时间在毫秒级且参数优化时间相比于完整优化提升了近5倍,满足在线暂态稳定评估的需求。