題-1_100_100.jpg)
基本信息
- 項目名稱：
- 支持向量機(jī)動態(tài)訓(xùn)練算法電力系統(tǒng)暫態(tài)穩(wěn)定評估
- 小類：
- 機(jī)械與控制
- 簡介：
- 文章首先提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎(chǔ)上，提出了一種以支持向量機(jī)模型為基礎(chǔ)的動態(tài)訓(xùn)練算法，該方法將特征提取、樣本訓(xùn)練融合在一起，動態(tài)產(chǎn)生了一系列支持向量機(jī)模型，同時可以從維數(shù)較大的初始特征集中選擇多組有效特征，實驗表明它可用于解決輸入空間的可分性問題。在3機(jī)9節(jié)點以及16機(jī)68節(jié)點系統(tǒng)中的應(yīng)用表明了該方法的有效性。
- 詳細(xì)介紹：
- 電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題：一是參與分析評估的訓(xùn)練集不足以覆蓋整個樣本空間，二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運行狀態(tài)。文章首先提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎(chǔ)上，并結(jié)合實驗，發(fā)現(xiàn)模式識別法在TSA問題應(yīng)用中，關(guān)鍵問題是解決存在少量誤判點的問題。（如果這些誤判點中存在的是失穩(wěn)點，那么這樣的分類器是不可靠的）。于是提出了一種以支持向量機(jī)模型為基礎(chǔ)的動態(tài)訓(xùn)練算法，該方法將特征提取、樣本訓(xùn)練融合在一起，動態(tài)產(chǎn)生了一系列支持向量機(jī)模型，同時可以從維數(shù)較大的初始特征集中選擇多組有效特征。在3機(jī)9節(jié)點以及16機(jī)68節(jié)點系統(tǒng)中的應(yīng)用表明了該方法在連續(xù)迭代過程中，產(chǎn)生了一系列分類器模型，其相應(yīng)測試樣本的正確率很多都達(dá)到了100%。事實上只要迭代次數(shù)不限，該方法可以產(chǎn)生許多組不同的特征組合，既有系統(tǒng)全局特征，也有局部特征，真正做到針對不同電力系統(tǒng)提取不同的特征組合，其次對于同一個系統(tǒng)擁有多組分類器，其安全性也會大幅提高。
作品專業(yè)信息
撰寫目的和基本思路
- 電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題：一是參與分析評估的訓(xùn)練集不足以覆蓋整個樣本空間，二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運行狀態(tài)。故提出了一種基于線性相關(guān)性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎(chǔ)上，結(jié)合實驗，發(fā)現(xiàn)模式識別法在TSA問題應(yīng)用中，關(guān)鍵問題是解決存在少量誤判點的問題，于是提出一種以支持向量機(jī)模型為基礎(chǔ)的動態(tài)訓(xùn)練算法。
科學(xué)性、先進(jìn)性及獨特之處
- 作品使用皮爾森相關(guān)性曲線作為樣本空間變化的衡量指標(biāo)，通過測試負(fù)荷曲線上不同位置基準(zhǔn)負(fù)荷的組合，實現(xiàn)使用較少的基準(zhǔn)負(fù)荷點，達(dá)到樣本空間較大范圍的覆蓋。 提出一種全新動態(tài)訓(xùn)練算法，特點1.傳統(tǒng)方法是尋找一種最有效的特征提取算法，本方法對特征提取算法選擇無條件限制。2.傳統(tǒng)方法嘗試尋找統(tǒng)一的特征組，本方法能產(chǎn)生一系列多選擇性的，高效的，個性化的特征組。兩算例的計算結(jié)果證明了該方法是可行、有效的。
應(yīng)用價值和現(xiàn)實意義
- 本作品針對電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題提出了相應(yīng)的解決方案。重點提出了一種全新訓(xùn)練算法，解決模式識別法在TSA問題應(yīng)用中存在少量誤判點的問題。該方法可以推廣到其他二分類問題上。
學(xué)術(shù)論文摘要
- 本論文以16機(jī)68節(jié)點作為經(jīng)典模型算例，通過支持向量機(jī)動態(tài)訓(xùn)練算法得到的結(jié)果，（詳見：本作品: 表10. SVMDT使用一種特征提取算法迭代五次的結(jié)果比較、表11. 提取特征在原始特征中的編號） 支持向量機(jī)動態(tài)訓(xùn)練算法可以使SVM模型克服自身無法確定合理的輸入特征組合的問題，得到一系列理想的輸入特征組合。如表10所有達(dá)到100%正確率的模型支持向量數(shù)量都小于其它正確率相對較低的模型。也就是說模型越是復(fù)雜，出現(xiàn)過分?jǐn)M合的幾率越高。因為復(fù)雜模型中的附加成分很大程度上是完全對偶然的擬合[11]。所以由這些特征組合得到的SVM模型產(chǎn)生過擬合的可能性很小。表11顯示迭代產(chǎn)生不同的特征組合，既有系統(tǒng)全局特征（編號1至33），也有局部特征（編號34以后），真正做到針對不同電力系統(tǒng)提取不同的特征組合，其次對于同一個系統(tǒng)擁有多組分類器，其安全性也會大幅提高。
獲獎情況
- 本作品于2008年11月獨立完成，并向?qū)W校申報“挑戰(zhàn)杯”競賽。2009年1月 教授推薦投稿，被《電力系統(tǒng)及其自動化學(xué)報》（ISSN1003-8930）審核錄用 ，于2009年4月期刊（第21卷第2期）發(fā)表刊登。
鑒定結(jié)果
- -
參考文獻(xiàn)
- [1] 張琦 韓禎祥 曹紹杰 顧雪平 用于暫態(tài)穩(wěn)定評估的人工神經(jīng)網(wǎng)絡(luò)輸入空間壓縮方法 電力系統(tǒng)自動化，2001，25(2):32-35 [2] 顧雪平 張文朝 基于Tabu搜索技術(shù)的暫態(tài)穩(wěn)定分類神經(jīng)網(wǎng)絡(luò)的輸入特征選擇[J] 中國電機(jī)工程學(xué)報，2006,30(9):32-35 [3] 于之虹 郭志忠 遺傳算法在暫態(tài)穩(wěn)定評估輸入特征選擇中的應(yīng)用 繼電器，2004，32(1):16-20 [4] 湯必強(qiáng) 基于人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估 武漢大學(xué)碩士學(xué)位論文 2004 [5]-- [11] 詳見《論文》參考文獻(xiàn)
同類課題研究水平概述
- 現(xiàn)有的暫態(tài)穩(wěn)定評估(Transient Stability Assessment, TSA)方法分為三類。時域仿真法是最經(jīng)典的方法，但計算量大，難以滿足實時性要求；能量函數(shù)法始終需要一定的時域仿真過程，計算速度很大程度上受限于系統(tǒng)規(guī)模；模式識別法由于不需要建立系統(tǒng)的數(shù)學(xué)模型，能從所選特征與系統(tǒng)狀態(tài)間直接映射關(guān)系，因此是一種簡單快速的（TSA）方法。現(xiàn)有模式識別法由于正確性不能保證所以還未能成功應(yīng)用到該領(lǐng)域中。主要原因是缺乏有效的訓(xùn)練方法。對此前人提出了很多解決方案,主要包括二個方面： 一.選擇合適特征提取方法：文獻(xiàn)[1]應(yīng)用粗糙集理論中的決策表化簡技術(shù)，提出了一種壓縮人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)輸入空間的方法。文獻(xiàn)[2]提出輸入特征選擇和輸入空間降維是基于神經(jīng)網(wǎng)絡(luò)暫態(tài)穩(wěn)定評估的首要問題，穩(wěn)定分類結(jié)果的準(zhǔn)確率主要取決于所選特征組成的輸入空間的可分性。文獻(xiàn)[3]提出了基于遺傳算法的特征選擇方法。 二. 選擇合適的算法：文獻(xiàn)[4]提出使用一個半監(jiān)督學(xué)習(xí)算法，ANN可產(chǎn)生一個能夠指示相對穩(wěn)定的連續(xù)分布的暫態(tài)穩(wěn)定指標(biāo)?；谶@個連續(xù)分布的穩(wěn)定指標(biāo)，設(shè)置一個相對保守的分類門檻值，避免了不安全狀態(tài)的漏報。文獻(xiàn)[6]利用支持向量機(jī)(Support Vectors Machine, SVM)的信息融合技術(shù)以提高分類準(zhǔn)確率。文獻(xiàn)[7]提出了一種基于粗糙集理論的混合網(wǎng)絡(luò)模型。
