基于粒子群优化算法的神经网络在暂态稳定评估中的应用.pdfVIP

基于粒子群优化算法的神经网络在暂态稳定评估中的应用 曹 曼，刘 艳，顾雪平 （华北电力大学电力系统保护与动态安全监控教育部重点实验室，河北省 保定市 071003） 摘要：针对训练神经网络的误差反向传播算法 （BP ）或其 务：特征选择 （提取），学习样本集的建造，分类 它算法存在的训练时间较长且易陷入局部极小点等问题，本 器的设计和训练，用训练好的分类器对未知的系统 文提出了一种利用粒子群优化算法 （PSO ）训练神经网络并 状态进行评估。其中，输入特征变量的选取和分类 用于电力系统暂态稳定评估的方法。实例表明，与误差反向 器的设计是影响评估精度的两个关键环节。在求取 传播 （BP ）算法相比较，该方法优化的神经网络收敛速度 出能比较准确地反映电力系统暂态稳定性物理本 更快，预测精度更高。 质特性的模式特征集的基础上，建造学习样本集， 关键词：暂态稳定评估；粒子群优化算法；神经网络；BP 通过对样本集的离线学习或训练，获得能快速识别 模型 电力系统暂态稳定性类别的判别函数或分类器。其 中，离线学习或训练过程中所采用的算法对于神经 0 引言 网络的模式分类性能有着决定性影响。现有的 BP 随着经济的飞速发展，电力系统的规模变得越 算法是最普遍的神经网络训练算法。但是，研究证 来越大，系统结构和运行方式也越来越复杂多变。 明，基于梯度下降的BP 算法虽然简单易用，但是 为了更合理的利用有限的资源，节约投资和运行费 存在容易陷入局部极小点以及依赖于初始权值的 用，越来越多的区域电网实现了互联。但互联电网 选择等问题。BP 算法的上述缺陷尤其是局部优化 在促进大容量、远距离输电发展的同时，也大大增 特性使其所训练神经网络的输出具有不一致性和 加了由于电力元件 （如线路、发电机、变压器等） 不可预测性，导致模式分类的可靠性降低。遗传算 故障导致系统失稳，进而引起大面积停电甚至系统 法的并行搜索策略及全局优化特性使其成为日益 崩溃的可能性。因此，暂态稳定评估(Transient 普遍的神经网络训练算法。实验证明，与BP 算法 Stability Assessment, TSA)对于保证电力系统的安 比较，遗传算法训练的神经网络在提高分类正确率 全稳定运行具有重要意义。 的同时可以加快训练的收敛速度。但是，遗传算法 现有的各种暂态稳定分析方法，如时域仿真 中选择、交叉、变异等复杂的遗传操作使神经网络 法、能量函数法 （直接法）、模式识别法等还不能 的训练时间随问题的规模及复杂程度呈指数级增 [9] 很好地满足在线暂态安全评估的要求。传统的时域 长 。而且，由于缺乏有效的局部区域搜索机制， 仿真法计算量过大，难以满足在线稳定预测对速度 算法在接近最优解时收敛缓慢甚至出现收敛停滞 的要求。基于 Lyapunov 稳定定理的能量函数法对 现象。上述问题均在不同程度上限制了神经网络在 复杂模型缺乏有效的能量函数构造方法，同时 实际系统暂态稳定评估中的应用。对此，一些学者 Lyapunov 定理本身只能提供稳定的充分条件，而不 进行了研究，文献[1]提出了一个新的训练误差函 是充要条件，评判结果过于保守，降低了结果的准 数，对传统BP 算法进行了改进，减少了误分类， 确性。人工智能和模式识别技术的结合为大型电力 提高了分类