基于神经网络的暂态稳定评估输入空间可分性.pdf

第27卷第2期 VoI 华北电力大学学报 27No2 JournalofNOrthChinaElectric 2000年4月 Power ADr2000 Univenjty 文章编号：1007·2691(2000)02-0016—05 基于神经网络的暂态稳定评估 输入空间可分性 顾雪平‘，张志刚2，张文勤 (1华北电力大学电力工程系，河北保定071003；2．北京电力专科学校电力工程系，北 京100024) 摘要：介绍一‘种数据结构分析算法，并将其应用于基于神经网络的暂态稳定评估输入空间可分性分析。使 用该算法，可将稳定评估的高维输入空间近似地转化为一个二维空间，从而可直接观察其可分性并评估特 征的表达能力。在两个标准电力系统中的应用结果表明了该数据结构分析算法的有效性。同时，该算法也 可用于电力系统中的其它模式分类问题。 关键词：映射；模式分类：数据分析；输入空间降维；神经网络：暂态穗定评估 18 中图分类号：TP 文献标识码：A 引 言 模式分类问题广泛存在于人类的各种实践活动中，人们通常利用关于各种不同对象的知识(或特征) 来识别他们，并对它们进行分类，然后才能采取正确的行动。在基于模式识别技术的电力系统暂态稳定 统的状态被分为稳定和不稳定两类；通过选择～组合适的分类特征来描述系统的状态，建立一个高维的 输入空间：然后，采用一种合适的分类方法对样本进行分类，例如，决策树、最临近分类和人工神经网 络等。分类结果的质量除与所采用分类方法的性能有关外，主要决定于输入空间自身的可分性。 输入空间的可分性是由其输入特征的表达能力决定的，如果所用的输入特征能充分代表系统的动态 行为，则所形成的TsA输入空间将是完全可分的；否则，将不是完全可分的，即在不同类之间有重叠 区域．此时，无论采取何种分类方法，误分类将是不可避免的。一个非常困难的问题是，当选择出…组 分类特征构成输入空间后，缺乏一个有效的方法来评估输入空间的可分性，因此，对输入空间的可分性 和可能的分类结果一无所知。当采用某种方法进行分类时，如果分类结果不能令人满意，问题究竟出自 分类方法或者是输入特征的表达能力不得而知。为解决这个问题，人们通常采用的做法多是改进分类方 法，例如改进神经网络的结构和训练算法，增加训练次数等，但这往往不能取得预期的效果。分类质量 不高的一个主要的原因是输入特征选择不当，最有效的解决方法通常是选择有效的新输入特征。然而， 由于缺乏输入空间可分性评估工具，增加新输入特征后的输入空间的可分性以及新特征的表征能力又是 未知的，这使在TsA问题研究中选择一组合适的输入特征变得非常困难。因此，迫切需要一种输入空 间可分性和输入特征有效性的评估方法。 收稿日期：1999-07-12 万方数据 作者简介：顾雪平(1964一)．男，华北电力大学电力工程系副教授 第2期 顾雪平等：基于神经网络的暂态稳定评估输入空间可分性 本文介绍一种数据结构分析算法，它是由J．w 三维的空间，因此原来高维空间的可分性可以直接观察到，这对基于模式识别技术的TsA问题具有重 题的有效性。这对指导输入特征的选择和评估，提高暂态稳定评估中的样本分类正确率是十分有用的。 同时，sarrImon分析算法也可用于电力系统中的其它模式分类问题。 Sammon数据结构分析算法 内的Ⅳ个新向量，即随机选择l，向量的初值如下： |f R 驴 H制， M．．．弛 d1●