基于MVEE和LSPTSVM的电力系统暂态稳定评估
发布时间：2020-12-20 11:45
针对采用模式识别法进行电力系统暂态稳定评估时输入特征集构建困难和评估模型训练速度慢的问题,提出一种基于最小体积闭包椭球理论（Minimum Volume Enclosing Ellipsoid, MVEE）和最小二乘投影孪生支持向量机（Least Square Projection Twin Support Vector machine, LSPTSVM）的电力系统暂态稳定评估方法。首先,根据MVEE理论对系统轨迹信息进行优化处理,确定高维空间内包含所有轨迹信息的最小体积闭包椭球,并利用最小体积闭包椭球的物理属性构建输入特征集,可有效实现特征集降维。其次,在传统投影孪生支持向量机的目标函数中引入正则化项,并改进评估模型的内部约束条件,提高模型的求解速度,达到大规模电力系统的计算效率需求。最后,通过对IEEE-39和IEEE-145节点系统的算例分析,验证所提方法的有效性与可行性。
【文章来源】：电力系统保护与控制. 2020年17期 北大核心
【文章页数】：10 页
【部分图文】：
暂态稳定评估流程图
分析LSPTSVM在不同模型参数下的评估准确率情况，主要对模型中的惩罚因数c1、c2以及正则化系数c3、c4进行最优参数选择，以构建更为精确的评估模型，参数选择过程如图2所示。分别对模型系数c1至c4进行赋值，对不同参数下的评估准确率进行记录，选择最优参数组合，构建精度最高的LSPTSVM模型。其中c1取0.4时模型精度最高，为94.75%;c2取0.7时模型精度最高，为94.25%;c3取0.1～0.2或0.3～0.5时模型精度最高，为94.25%;c4取0.1～0.5时模型精度最高，为94.5%。通过对c1至c4的不同赋值，确定最优参数组合，以此组合为基础，对LSPTSVM进行训练，获得分类准确率最高的评估模型，利用其对系统进行暂态稳定评估。
由图3可知，在不同窗口长度下，LSPTSVM的计算速率明显高于其他分类器，其中时间窗口为4周波时，四种传统分类器评估时间分别为0.896 s、12.72 s、1.474 s以及7.883 s，而LSPTSVM评估时间仅为0.447 s；当选取故障切除后5周波内数据构建输入特征集时，其他分类器评估时间分别为1.006 s、13.06 s、1.593 s以及8.271 s,LSPTSVM评估时间为0.464 s；当选取故障切除后6周波内数据用于评估时，对比分类器计算时间分别为1.059 s、13.81 s、1.607 s以及8.89 s,LSPTSVM计算时间为0.482 s。通过LSPTSVM与各分类器对同一故障样本集进行评估所用时间的对比，不难发现由于LSPTSVM模型在原始空间内对问题进行求解，省略了不等式约束，减轻了计算复杂程度，使其能够快速对输入特征进行分析求解，迅速评估故障类型。其计算时间远远少于分类器模型，计算效率方面占有巨大优势，并且该优势会随着模型所处理的数据规模增大而愈发明显。LSPTSVM计算速度快这一特点能大幅度提升系统安全系数，在系统遭受故障时可以迅速对故障类型进行判断，第一时间识别出可能威胁系统正常运行的故障，为后续保护动作及防控措施争取宝贵时间。
【参考文献】：
期刊论文
[1]基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究[J]. 孔敏儒,陈怡,李文慧,高健,侯喆. 电网与清洁能源. 2019(10)
[2]基于RS-SVM算法的配电网故障诊断方法[J]. 贾志成,张智晟,刘远龙,徐中一. 广东电力. 2019(09)
[3]基于PMU的电网等值在互联电网运行可靠性评估中的应用[J]. 张大波,连帅,陶维青,方陈,柳劲松. 电力系统保护与控制. 2019(15)
[4]基于LSTM网络的住宅负荷短期预测[J]. 谢明磊. 广东电力. 2019(06)
[5]自然灾害下电网运行风险控制策略探讨[J]. 常康,徐泰山,郁琛,刘镭,王昊昊,郭俊. 电力系统保护与控制. 2019(10)
[6]特高压交直流接入对江西电网暂态稳定的影响分析[J]. 辛建波,王玉麟,舒展,陈波,程思萌. 电力系统保护与控制. 2019(08)
[7]基于正则化投影孪生支持向量机的电力系统暂态稳定评估[J]. 姜涛,王长江,陈厚合,李国庆,葛维春. 电力系统自动化. 2019(01)
[8]基于投影能量函数和Pin-SVM的电力系统暂态稳定评估[J]. 陈厚合,王长江,姜涛,李雪,李国庆. 电工技术学报. 2017(11)
[9]基于特征椭球和支持向量机复合映射的暂态稳定预测模型[J]. 杨跃,刘俊勇,黄媛,刘友波,刘挺坚,魏巍. 电网技术. 2017(08)
[10]基于模式匹配的智能稳定评估方法[J]. 管霖,何楚瑶,曾毅豪,黄振琳. 电力自动化设备. 2016(11)
本文编号：2927809
【文章来源】：电力系统保护与控制. 2020年17期 北大核心
【文章页数】：10 页
【部分图文】：
暂态稳定评估流程图
分析LSPTSVM在不同模型参数下的评估准确率情况，主要对模型中的惩罚因数c1、c2以及正则化系数c3、c4进行最优参数选择，以构建更为精确的评估模型，参数选择过程如图2所示。分别对模型系数c1至c4进行赋值，对不同参数下的评估准确率进行记录，选择最优参数组合，构建精度最高的LSPTSVM模型。其中c1取0.4时模型精度最高，为94.75%;c2取0.7时模型精度最高，为94.25%;c3取0.1～0.2或0.3～0.5时模型精度最高，为94.25%;c4取0.1～0.5时模型精度最高，为94.5%。通过对c1至c4的不同赋值，确定最优参数组合，以此组合为基础，对LSPTSVM进行训练，获得分类准确率最高的评估模型，利用其对系统进行暂态稳定评估。
由图3可知，在不同窗口长度下，LSPTSVM的计算速率明显高于其他分类器，其中时间窗口为4周波时，四种传统分类器评估时间分别为0.896 s、12.72 s、1.474 s以及7.883 s，而LSPTSVM评估时间仅为0.447 s；当选取故障切除后5周波内数据构建输入特征集时，其他分类器评估时间分别为1.006 s、13.06 s、1.593 s以及8.271 s,LSPTSVM评估时间为0.464 s；当选取故障切除后6周波内数据用于评估时，对比分类器计算时间分别为1.059 s、13.81 s、1.607 s以及8.89 s,LSPTSVM计算时间为0.482 s。通过LSPTSVM与各分类器对同一故障样本集进行评估所用时间的对比，不难发现由于LSPTSVM模型在原始空间内对问题进行求解，省略了不等式约束，减轻了计算复杂程度，使其能够快速对输入特征进行分析求解，迅速评估故障类型。其计算时间远远少于分类器模型，计算效率方面占有巨大优势，并且该优势会随着模型所处理的数据规模增大而愈发明显。LSPTSVM计算速度快这一特点能大幅度提升系统安全系数，在系统遭受故障时可以迅速对故障类型进行判断，第一时间识别出可能威胁系统正常运行的故障，为后续保护动作及防控措施争取宝贵时间。
【参考文献】：
期刊论文
[1]基于粒子群优化PCA-LSSVM算法的高压断路器机械故障诊断研究[J]. 孔敏儒,陈怡,李文慧,高健,侯喆. 电网与清洁能源. 2019(10)
[2]基于RS-SVM算法的配电网故障诊断方法[J]. 贾志成,张智晟,刘远龙,徐中一. 广东电力. 2019(09)
[3]基于PMU的电网等值在互联电网运行可靠性评估中的应用[J]. 张大波,连帅,陶维青,方陈,柳劲松. 电力系统保护与控制. 2019(15)
[4]基于LSTM网络的住宅负荷短期预测[J]. 谢明磊. 广东电力. 2019(06)
[5]自然灾害下电网运行风险控制策略探讨[J]. 常康,徐泰山,郁琛,刘镭,王昊昊,郭俊. 电力系统保护与控制. 2019(10)
[6]特高压交直流接入对江西电网暂态稳定的影响分析[J]. 辛建波,王玉麟,舒展,陈波,程思萌. 电力系统保护与控制. 2019(08)
[7]基于正则化投影孪生支持向量机的电力系统暂态稳定评估[J]. 姜涛,王长江,陈厚合,李国庆,葛维春. 电力系统自动化. 2019(01)
[8]基于投影能量函数和Pin-SVM的电力系统暂态稳定评估[J]. 陈厚合,王长江,姜涛,李雪,李国庆. 电工技术学报. 2017(11)
[9]基于特征椭球和支持向量机复合映射的暂态稳定预测模型[J]. 杨跃,刘俊勇,黄媛,刘友波,刘挺坚,魏巍. 电网技术. 2017(08)
[10]基于模式匹配的智能稳定评估方法[J]. 管霖,何楚瑶,曾毅豪,黄振琳. 电力自动化设备. 2016(11)
本文编号：2927809
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/2927809.html
教材专著
