廣域監(jiān)測系統(tǒng)(WAMS)如今已被廣泛應(yīng)用于電力系統(tǒng)中,而基于WAMS的電力系統(tǒng)暫態(tài)穩(wěn)定分析的研究進(jìn)行的如火如荼。目前研究方法主要包括時域仿真法、直接法和人工智能法等。由于電力系統(tǒng)大數(shù)據(jù)的快速發(fā)展,基于人工智能的暫態(tài)穩(wěn)定分析方法被看作是最具有前景的方法之一,國內(nèi)外研究學(xué)者提出了多種應(yīng)用于暫態(tài)穩(wěn)定分析的智能算法(包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹等)以提高預(yù)測精度,然而上述算法仍然存在準(zhǔn)確率低、可解釋性差等問題。針對這些問題,本文主要研究內(nèi)容包括:1)通過分析電力系統(tǒng)暫態(tài)穩(wěn)定的機(jī)理,研究影響暫態(tài)穩(wěn)定性的物理因素,利用電力系統(tǒng)分析綜合程序(PSASP)模擬真實(shí)電網(wǎng)中相量測量單元(PMU),設(shè)置電網(wǎng)中常見的擾動(如短路、斷路等),采集電網(wǎng)中發(fā)電機(jī)的角度、角速度、有功功率、母線電壓、電流等數(shù)據(jù)。2)提出一種基于XGBoost的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測方法,基于PMU數(shù)據(jù)構(gòu)建暫穩(wěn)特征,并分析特征之間的皮爾遜相關(guān)系數(shù)以進(jìn)行特征選擇。將上述得到的特征作為模型輸入,在電力系統(tǒng)故障切除后及時預(yù)測該故障是否會導(dǎo)致系統(tǒng)失穩(wěn)�；谀Ｐ偷玫教卣髦匾扰判�,挖掘出對暫態(tài)穩(wěn)定性影響較大的特征,同時又可以剔除不重要的特征,加快模型訓(xùn)練速度且可以防止過擬合。然后針對電網(wǎng)中發(fā)生的某一具體故障,利用XGBoost模型進(jìn)行預(yù)測,結(jié)果表明可以達(dá)到暫態(tài)穩(wěn)定實(shí)時預(yù)測的要求,并使用LIME算法對預(yù)測結(jié)果進(jìn)行解釋,提高了模型的可解釋性。3)由于傳統(tǒng)的機(jī)器學(xué)習(xí)算法應(yīng)用于暫態(tài)分析中需要基于PMU信息進(jìn)行人工構(gòu)建暫穩(wěn)特征,特征構(gòu)建的好壞直接影響到預(yù)測結(jié)果,并且構(gòu)建特征的過程費(fèi)時費(fèi)力。為了解決該問題,提出了基于深度學(xué)習(xí)的暫態(tài)穩(wěn)定評估,由于深度學(xué)習(xí)較于傳統(tǒng)機(jī)器學(xué)習(xí)有兩個優(yōu)點(diǎn):一是面對大數(shù)據(jù)量時,深度學(xué)習(xí)的擬合能力更強(qiáng),二是可以自動提取特征。因此分別將卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長短期記憶網(wǎng)絡(luò)(LSTM)應(yīng)用于電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測中。4)為了進(jìn)一步解析電網(wǎng)受到的擾動,除了判別擾動是否會導(dǎo)致系統(tǒng)失穩(wěn)外,又提出基于深度學(xué)習(xí)的電力系統(tǒng)故障定位。在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)進(jìn)行算例分析,該系統(tǒng)中有34條交流線路�；贑NN模型的暫態(tài)穩(wěn)定性預(yù)測和故障定位準(zhǔn)確率均可達(dá)到99%以上。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TM712
【部分圖文】：

功角達(dá)到b 。Pm2Pm1ab90° 180°P雙回線路工作時Pe圖 2-3 雙回線運(yùn)行時有功-功角關(guān)系圖2.1.3 等面積定則將發(fā)電機(jī)轉(zhuǎn)子搖擺方程所定義的發(fā)電機(jī)動態(tài)行為和功角特性相結(jié)合，即可用等面積定則來解釋暫態(tài)穩(wěn)定的概念。對式(2-7)搖擺方程處理，用功率標(biāo)幺值替代轉(zhuǎn)矩

電子科技大學(xué)碩士學(xué)位論文4.1.2 LSTM 簡介循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network, RNN）出現(xiàn)在 20 世紀(jì) 80 年代，它是一種專門處理序列輸入的神經(jīng)網(wǎng)絡(luò)，圖 4-3 為 RNN 的基本結(jié)構(gòu)。RNN 能夠處理變長序列輸入，且具有“記憶”特性，在自然語言處理和其他時間序列任務(wù)中效果顯著。

可以優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，并將訓(xùn)練過的模型部署到云、數(shù)據(jù)中心、嵌入式統(tǒng)或者汽車產(chǎn)品平臺；DeepStream，可通過智能視頻分析和多傳感器處理為態(tài)勢知提供完整的流分析工具包。4.1.4 深度學(xué)習(xí)框架我們可以使用 Python 或其他編程語言從頭開始實(shí)現(xiàn)自己的深度學(xué)習(xí)算法，是深度學(xué)習(xí)模型龐大而復(fù)雜，我們不必從頭開始編寫每個函數(shù)，而是依靠深度學(xué)框架和軟件庫來有效的構(gòu)建深度神經(jīng)網(wǎng)絡(luò)。由于深度學(xué)習(xí)在近幾年飛速發(fā)展，一高科技公司(如 Google，F(xiàn)acebook 等)開發(fā)了非常方便的深度學(xué)習(xí)開源框架。目前較流行的深度學(xué)習(xí)框架包括 Tensorflow，Keras，Pytorch 等。對于深度學(xué)習(xí)框架，每一個框架都有不同的特性，它們使用不同的技術(shù)優(yōu)化度學(xué)習(xí)算法。為了全面評估各個深度學(xué)習(xí)框架，下圖綜合了相關(guān)深度學(xué)習(xí)框架的索熱度、文章數(shù)量、書籍?dāng)?shù)量、Github 活躍度等對目前比較流程的深度學(xué)習(xí)框架行了評分。綜合上述指標(biāo)，表 4-5 展示了各個主流的深度學(xué)習(xí)框架在 2018 年的行程度。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱利鵬;陸超;孫元章;黃河;蘇寅生;李智歡;;基于數(shù)據(jù)挖掘的區(qū)域暫態(tài)電壓穩(wěn)定評估[J];電網(wǎng)技術(shù);2015年04期

2 王亞俊;王波;唐飛;陳得治;王靜;王乙斐;周雨田;;基于響應(yīng)軌跡和核心向量機(jī)的電力系統(tǒng)在線暫態(tài)穩(wěn)定評估[J];中國電機(jī)工程學(xué)報;2014年19期

3 吳為;湯涌;孫華東;徐式蘊(yùn);;基于廣域量測信息的電力系統(tǒng)暫態(tài)穩(wěn)定研究綜述[J];電網(wǎng)技術(shù);2012年09期

4 葉圣永;王曉茹;劉志剛;錢清泉;;基于支持向量機(jī)增量學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J];電力系統(tǒng)自動化;2011年11期

5 林偉芳;孫華東;湯涌;卜廣全;印永華;;巴西“11·10”大停電事故分析及啟示[J];電力系統(tǒng)自動化;2010年07期

6 劉新東;江全元;曹一家;;N-1條件下不失去可觀測性的PMU優(yōu)化配置方法[J];中國電機(jī)工程學(xué)報;2009年10期

7 劉新東;江全元;曹一家;;基于功角受擾軌跡擬合的暫態(tài)穩(wěn)定快速預(yù)測[J];電力系統(tǒng)自動化;2008年19期

8 宋方方;畢天姝;楊奇遜;;基于WAMS的電力系統(tǒng)受擾軌跡預(yù)測[J];電力系統(tǒng)自動化;2006年23期

9 陳磊;閔勇;;考慮暫態(tài)電壓跌落限制的直接法暫態(tài)穩(wěn)定分析[J];電力系統(tǒng)自動化;2006年21期

10 唐斯慶;張彌;李建設(shè);吳小辰;蔣琨;舒雙焰;;海南電網(wǎng)“9·26"大面積停電事故的分析與總結(jié)[J];電力系統(tǒng)自動化;2006年01期

相關(guān)博士學(xué)位論文 前1條

1 葉圣永;基于機(jī)器學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估研究[D];西南交通大學(xué);2010年

相關(guān)碩士學(xué)位論文 前3條

1 侯金秀;基于電壓相量和深度學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定快速評估[D];中國電力科學(xué)研究院;2017年

2 王臻;基于權(quán)值共享的深度卷積網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測[D];北京郵電大學(xué);2017年

3 劉雷濤;基于機(jī)器學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估[D];華北電力大學(xué);2017年

本文編號：2852225