主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
支持向量机动态训练算法电力系统暂态稳定评估
小类:
机械与控制
简介:
文章首先提出了一种基于线性相关性方法的样本空间覆盖问题的研究。然后在对比分析电力系统已有暂态稳定评估方法的基础上,提出了一种以支持向量机模型为基础的动态训练算法,该方法将特征提取、样本训练融合在一起,动态产生了一系列支持向量机模型,同时可以从维数较大的初始特征集中选择多组有效特征,实验表明它可用于解决输入空间的可分性问题。在3机9节点以及16机68节点系统中的应用表明了该方法的有效性。
详细介绍:
电力系统暂态稳定评估存在两个主要问题:一是参与分析评估的训练集不足以覆盖整个样本空间,二是所选特征变量不能全面、正确地描述电力系统的运行状态。文章首先提出了一种基于线性相关性方法的样本空间覆盖问题的研究。然后在对比分析电力系统已有暂态稳定评估方法的基础上,并结合实验,发现模式识别法在TSA问题应用中,关键问题是解决存在少量误判点的问题。(如果这些误判点中存在的是失稳点,那么这样的分类器是不可靠的)。于是提出了一种以支持向量机模型为基础的动态训练算法,该方法将特征提取、样本训练融合在一起,动态产生了一系列支持向量机模型,同时可以从维数较大的初始特征集中选择多组有效特征。在3机9节点以及16机68节点系统中的应用表明了该方法在连续迭代过程中,产生了一系列分类器模型,其相应测试样本的正确率很多都达到了100%。事实上只要迭代次数不限,该方法可以产生许多组不同的特征组合,既有系统全局特征,也有局部特征,真正做到针对不同电力系统提取不同的特征组合,其次对于同一个系统拥有多组分类器,其安全性也会大幅提高。

作品专业信息

撰写目的和基本思路

电力系统暂态稳定评估存在两个主要问题:一是参与分析评估的训练集不足以覆盖整个样本空间,二是所选特征变量不能全面、正确地描述电力系统的运行状态。故提出了一种基于线性相关性方法的样本空间覆盖问题的研究。然后在对比分析电力系统已有暂态稳定评估方法的基础上,结合实验,发现模式识别法在TSA问题应用中,关键问题是解决存在少量误判点的问题,于是提出一种以支持向量机模型为基础的动态训练算法。

科学性、先进性及独特之处

作品使用皮尔森相关性曲线作为样本空间变化的衡量指标,通过测试负荷曲线上不同位置基准负荷的组合,实现使用较少的基准负荷点,达到样本空间较大范围的覆盖。 提出一种全新动态训练算法,特点1.传统方法是寻找一种最有效的特征提取算法,本方法对特征提取算法选择无条件限制。2.传统方法尝试寻找统一的特征组,本方法能产生一系列多选择性的,高效的,个性化的特征组。两算例的计算结果证明了该方法是可行、有效的。

应用价值和现实意义

本作品针对电力系统暂态稳定评估存在两个主要问题提出了相应的解决方案。重点提出了一种全新训练算法,解决模式识别法在TSA问题应用中存在少量误判点的问题。该方法可以推广到其他二分类问题上。

学术论文摘要

本论文以16机68节点作为经典模型算例,通过支持向量机动态训练算法得到的结果,(详见:本作品: 表10. SVMDT使用一种特征提取算法迭代五次的结果比较、表11. 提取特征在原始特征中的编号) 支持向量机动态训练算法可以使SVM模型克服自身无法确定合理的输入特征组合的问题,得到一系列理想的输入特征组合。如表10所有达到100%正确率的模型支持向量数量都小于其它正确率相对较低的模型。也就是说模型越是复杂,出现过分拟合的几率越高。因为复杂模型中的附加成分很大程度上是完全对偶然的拟合[11]。所以由这些特征组合得到的SVM模型产生过拟合的可能性很小。表11显示迭代产生不同的特征组合,既有系统全局特征(编号1至33),也有局部特征(编号34以后),真正做到针对不同电力系统提取不同的特征组合,其次对于同一个系统拥有多组分类器,其安全性也会大幅提高。

获奖情况

本作品于2008年11月独立完成,并向学校申报“挑战杯”竞赛。2009年1月 教授推荐投稿,被《电力系统及其自动化学报》(ISSN1003-8930)审核录用 ,于2009年4月期刊(第21卷第2期)发表刊登。

鉴定结果

-

参考文献

[1] 张琦 韩祯祥 曹绍杰 顾雪平 用于暂态稳定评估的人工神经网络输入空间压缩方法 电力系统自动化,2001,25(2):32-35 [2] 顾雪平 张文朝 基于Tabu搜索技术的暂态稳定分类神经网络的输入特征选择[J] 中国电机工程学报,2006,30(9):32-35 [3] 于之虹 郭志忠 遗传算法在暂态稳定评估输入特征选择中的应用 继电器,2004,32(1):16-20 [4] 汤必强 基于人工神经网络的电力系统暂态稳定评估 武汉大学硕士学位论文 2004 [5]-- [11] 详见《论文》参考文献

同类课题研究水平概述

现有的暂态稳定评估(Transient Stability Assessment, TSA)方法分为三类。时域仿真法是最经典的方法,但计算量大,难以满足实时性要求;能量函数法始终需要一定的时域仿真过程,计算速度很大程度上受限于系统规模;模式识别法由于不需要建立系统的数学模型,能从所选特征与系统状态间直接映射关系,因此是一种简单快速的(TSA)方法。现有模式识别法由于正确性不能保证所以还未能成功应用到该领域中。主要原因是缺乏有效的训练方法。对此前人提出了很多解决方案,主要包括二个方面: 一.选择合适特征提取方法:文献[1]应用粗糙集理论中的决策表化简技术,提出了一种压缩人工神经网络(Artificial Neural Networks, ANN)输入空间的方法。文献[2]提出输入特征选择和输入空间降维是基于神经网络暂态稳定评估的首要问题,稳定分类结果的准确率主要取决于所选特征组成的输入空间的可分性。文献[3]提出了基于遗传算法的特征选择方法。 二. 选择合适的算法:文献[4]提出使用一个半监督学习算法,ANN可产生一个能够指示相对稳定的连续分布的暂态稳定指标。基于这个连续分布的稳定指标,设置一个相对保守的分类门槛值,避免了不安全状态的漏报。文献[6]利用支持向量机(Support Vectors Machine, SVM)的信息融合技术以提高分类准确率。文献[7]提出了一种基于粗糙集理论的混合网络模型。
建议反馈 返回顶部