机器学习技术已被广泛应用于暂态稳定分析领域。在基于机器学习的暂稳评估中,如何兼顾输入特征信息量的多少和整体计算效率,一直是需要解决的问题。为此提出一种基于转子角轨迹簇特征、由线性支持向量机(linear support vector machine,...机器学习技术已被广泛应用于暂态稳定分析领域。在基于机器学习的暂稳评估中,如何兼顾输入特征信息量的多少和整体计算效率,一直是需要解决的问题。为此提出一种基于转子角轨迹簇特征、由线性支持向量机(linear support vector machine,LSVM)和决策树(decision tree,DT)构成的组合式暂稳评估方法。首先,构建转子角轨迹簇整体特征的时间序列作为暂稳评估的输入向量,考虑到输入特征的时间维度,先通过LSVM对每个时序特征进行降维映射,再将降维后的结果输入至DT中,形成暂稳预测和稳定程度评估模型,并采用boosting技术进一步提高评估模型的准确性。对新英格兰10机39节点系统进行算例分析验证了方法的有效性,所提出的轨迹簇特征和组合算法具有较高的精度和计算效率,能较准确地指示系统的稳定程度,且对未知运行工况具有一定的泛化能力。展开更多
文摘机器学习技术已被广泛应用于暂态稳定分析领域。在基于机器学习的暂稳评估中,如何兼顾输入特征信息量的多少和整体计算效率,一直是需要解决的问题。为此提出一种基于转子角轨迹簇特征、由线性支持向量机(linear support vector machine,LSVM)和决策树(decision tree,DT)构成的组合式暂稳评估方法。首先,构建转子角轨迹簇整体特征的时间序列作为暂稳评估的输入向量,考虑到输入特征的时间维度,先通过LSVM对每个时序特征进行降维映射,再将降维后的结果输入至DT中,形成暂稳预测和稳定程度评估模型,并采用boosting技术进一步提高评估模型的准确性。对新英格兰10机39节点系统进行算例分析验证了方法的有效性,所提出的轨迹簇特征和组合算法具有较高的精度和计算效率,能较准确地指示系统的稳定程度,且对未知运行工况具有一定的泛化能力。
