【摘 要】
：
基于人工智能的电力系统暂态稳定预测方法会出现漏判(将失稳样本错误分类成稳定样本)和误判(将稳定样本错误分类成失稳样本)的现象,使得该方法不易在工程实践中应用.为此,文
【机 构】
：
北京交通大学电气工程学院,北京市 100044;中国长江三峡集团有限公司科学技术研究院,北京市 100038
论文部分内容阅读
基于人工智能的电力系统暂态稳定预测方法会出现漏判(将失稳样本错误分类成稳定样本)和误判(将稳定样本错误分类成失稳样本)的现象,使得该方法不易在工程实践中应用.为此,文中基于集成卷积神经网络(CNN)提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法.在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失.仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性.
其他文献
针对现在数据流查询与管理系统存在的不足,本文基于Aurora开发了支持CQL的数据流管理系统Conger,系统演示包括CQL示例查询的注册、解析和执行等。
如今的互联网领域时刻都在产生海量的数据，文本数据是重要的组成部分。在这些文本数据中，存在大量的近似复制文本，这些相似程度很高的文本对给相关处理程序增加了额外负担。
在智能电网中,精准的数据采集是整个系统安全与经济运行的基础.随着信息与物理系统融合的不断加深,各类大数据应用与实时控制等任务对采集高频数据的要求不断提高.然而,提高
图数据结构具有较强的模拟复杂结构的能力，能够很好地表达数据对象之间的关联，广泛地用于各领域非结构化数据建模。为解决大量数据子图查询处理中的不确定情况，本文提出了基
针对物联网数据具有的海量性、异构性、时空敏感性、序列性及数据流式等典型特性,提出适用于单个存储节点的物联网异构时空数据统一存储模型Hestus,通过分层应用架构模式
如何处理缺失值一直是数据库领域中一个值得关注的问题，缺失值问题的研究对于提高运算效率和保证系统健壮性具有重要意义。云环境中海量数据的稀疏性使缺失值问题变的更加
社交网站作为在线交流的最新形式，吸引了数以亿计的用户，同时产生了海量数据。为此，如何存储大量的用户及其交互信息成为了社交网站的一个挑战。在深入分析了社交网络数据的
提出了一种无线传感器网络中基于子空间划分的分布式Skyline查询算法(subspace dividing-based distributed skyline query algorithm,SDKSA),算法提出了一种基于子空间
连接运算是面向海量数据的复杂分析型任务的核心内容之一,但是目前最具竞争力的分布式并行处理框架MapReduce没有对连接运算提供内在的支持.经分析发现现有的工作无法以
增量爬取是搜索引擎保持抓取数据新鲜度的重要技术，其实现思路分为朴素同步策略与主动同步策略两种。这两种思路目前在实现上存在着各自的不足，重要原因是其实现框架考量方