針對(duì)采用模式識(shí)別法進(jìn)行電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估時(shí)輸入特征集構(gòu)建困難和評(píng)估模型訓(xùn)練速度慢的問題,提出一種基于最小體積閉包橢球理論（Minimum Volume Enclosing Ellipsoid, MVEE）和最小二乘投影孿生支持向量機(jī)（Least Square Projection Twin Support Vector machine, LSPTSVM）的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。首先,根據(jù)MVEE理論對(duì)系統(tǒng)軌跡信息進(jìn)行優(yōu)化處理,確定高維空間內(nèi)包含所有軌跡信息的最小體積閉包橢球,并利用最小體積閉包橢球的物理屬性構(gòu)建輸入特征集,可有效實(shí)現(xiàn)特征集降維。其次,在傳統(tǒng)投影孿生支持向量機(jī)的目標(biāo)函數(shù)中引入正則化項(xiàng),并改進(jìn)評(píng)估模型的內(nèi)部約束條件,提高模型的求解速度,達(dá)到大規(guī)模電力系統(tǒng)的計(jì)算效率需求。最后,通過對(duì)IEEE-39和IEEE-145節(jié)點(diǎn)系統(tǒng)的算例分析,驗(yàn)證所提方法的有效性與可行性。 

【文章來源】：電力系統(tǒng)保護(hù)與控制. 2020年17期 北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

暫態(tài)穩(wěn)定評(píng)估流程圖

分析LSPTSVM在不同模型參數(shù)下的評(píng)估準(zhǔn)確率情況，主要對(duì)模型中的懲罰因數(shù)c1、c2以及正則化系數(shù)c3、c4進(jìn)行最優(yōu)參數(shù)選擇，以構(gòu)建更為精確的評(píng)估模型，參數(shù)選擇過程如圖2所示。分別對(duì)模型系數(shù)c1至c4進(jìn)行賦值，對(duì)不同參數(shù)下的評(píng)估準(zhǔn)確率進(jìn)行記錄，選擇最優(yōu)參數(shù)組合，構(gòu)建精度最高的LSPTSVM模型。其中c1取0.4時(shí)模型精度最高，為94.75%;c2取0.7時(shí)模型精度最高，為94.25%;c3取0.1～0.2或0.3～0.5時(shí)模型精度最高，為94.25%;c4取0.1～0.5時(shí)模型精度最高，為94.5%。通過對(duì)c1至c4的不同賦值，確定最優(yōu)參數(shù)組合，以此組合為基礎(chǔ)，對(duì)LSPTSVM進(jìn)行訓(xùn)練，獲得分類準(zhǔn)確率最高的評(píng)估模型，利用其對(duì)系統(tǒng)進(jìn)行暫態(tài)穩(wěn)定評(píng)估。

由圖3可知，在不同窗口長度下，LSPTSVM的計(jì)算速率明顯高于其他分類器，其中時(shí)間窗口為4周波時(shí)，四種傳統(tǒng)分類器評(píng)估時(shí)間分別為0.896 s、12.72 s、1.474 s以及7.883 s，而LSPTSVM評(píng)估時(shí)間僅為0.447 s；當(dāng)選取故障切除后5周波內(nèi)數(shù)據(jù)構(gòu)建輸入特征集時(shí)，其他分類器評(píng)估時(shí)間分別為1.006 s、13.06 s、1.593 s以及8.271 s,LSPTSVM評(píng)估時(shí)間為0.464 s；當(dāng)選取故障切除后6周波內(nèi)數(shù)據(jù)用于評(píng)估時(shí)，對(duì)比分類器計(jì)算時(shí)間分別為1.059 s、13.81 s、1.607 s以及8.89 s,LSPTSVM計(jì)算時(shí)間為0.482 s。通過LSPTSVM與各分類器對(duì)同一故障樣本集進(jìn)行評(píng)估所用時(shí)間的對(duì)比，不難發(fā)現(xiàn)由于LSPTSVM模型在原始空間內(nèi)對(duì)問題進(jìn)行求解，省略了不等式約束，減輕了計(jì)算復(fù)雜程度，使其能夠快速對(duì)輸入特征進(jìn)行分析求解，迅速評(píng)估故障類型。其計(jì)算時(shí)間遠(yuǎn)遠(yuǎn)少于分類器模型，計(jì)算效率方面占有巨大優(yōu)勢，并且該優(yōu)勢會(huì)隨著模型所處理的數(shù)據(jù)規(guī)模增大而愈發(fā)明顯。LSPTSVM計(jì)算速度快這一特點(diǎn)能大幅度提升系統(tǒng)安全系數(shù)，在系統(tǒng)遭受故障時(shí)可以迅速對(duì)故障類型進(jìn)行判斷，第一時(shí)間識(shí)別出可能威脅系統(tǒng)正常運(yùn)行的故障，為后續(xù)保護(hù)動(dòng)作及防控措施爭取寶貴時(shí)間。

【參考文獻(xiàn)】：
期刊論文
[1]基于粒子群優(yōu)化PCA-LSSVM算法的高壓斷路器機(jī)械故障診斷研究[J]. 孔敏儒,陳怡,李文慧,高健,侯喆.  電網(wǎng)與清潔能源. 2019(10)
[2]基于RS-SVM算法的配電網(wǎng)故障診斷方法[J]. 賈志成,張智晟,劉遠(yuǎn)龍,徐中一.  廣東電力. 2019(09)
[3]基于PMU的電網(wǎng)等值在互聯(lián)電網(wǎng)運(yùn)行可靠性評(píng)估中的應(yīng)用[J]. 張大波,連帥,陶維青,方陳,柳勁松.  電力系統(tǒng)保護(hù)與控制. 2019(15)
[4]基于LSTM網(wǎng)絡(luò)的住宅負(fù)荷短期預(yù)測[J]. 謝明磊.  廣東電力. 2019(06)
[5]自然災(zāi)害下電網(wǎng)運(yùn)行風(fēng)險(xiǎn)控制策略探討[J]. 常康,徐泰山,郁琛,劉鐳,王昊昊,郭俊.  電力系統(tǒng)保護(hù)與控制. 2019(10)
[6]特高壓交直流接入對(duì)江西電網(wǎng)暫態(tài)穩(wěn)定的影響分析[J]. 辛建波,王玉麟,舒展,陳波,程思萌.  電力系統(tǒng)保護(hù)與控制. 2019(08)
[7]基于正則化投影孿生支持向量機(jī)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 姜濤,王長江,陳厚合,李國慶,葛維春.  電力系統(tǒng)自動(dòng)化. 2019(01)
[8]基于投影能量函數(shù)和Pin-SVM的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 陳厚合,王長江,姜濤,李雪,李國慶.  電工技術(shù)學(xué)報(bào). 2017(11)
[9]基于特征橢球和支持向量機(jī)復(fù)合映射的暫態(tài)穩(wěn)定預(yù)測模型[J]. 楊躍,劉俊勇,黃媛,劉友波,劉挺堅(jiān),魏巍.  電網(wǎng)技術(shù). 2017(08)
[10]基于模式匹配的智能穩(wěn)定評(píng)估方法[J]. 管霖,何楚瑤,曾毅豪,黃振琳.  電力自動(dòng)化設(shè)備. 2016(11)



本文編號(hào)：2927809