基于模糊支持向量机的电力系统暂态稳定评估.pdfVIP

．．542．． 系统分析 基于模糊支持向量机的电力系统暂态稳定评估 吴军基，盛 琪，杨伟，张俊芳 (南京理工大学动力学院．江苏南京．210094) 摘要：电力系统暂态稳定评估(TSA)是关系到电力系统安全稳定运行的重要问题。针对支持向量机(SVM)本身存 在的训练缺陷，即对于样本的一视同仁，论文提出在SVM中加入模糊隶属度，形成模糊支持向量机(FSVM)进行TSA。 在仿真过程中，采用K最近邻方法(K—NN)用于构建模糊隶属度，C++编程实现TSA。针对IEEE10机39节点新英格 兰系统进行仿真，结果显示：该方法比SVM有更高的评估可靠性。 关键词：暂态稳定评估；模糊支持向量机；K最近邻 小化原理的SVM，结合装袋和近似推理，建立了 0 引言 电力系统暂态稳定评估模型，有效地提高了TSA 暂态稳定是电力系统受到大干扰(例如：输 的分类识别问题、提高了评估精度和速度。但是 电线短路、切机、甩负荷等)时维持系统内发电 对电力系统大规模的非线性数据集的情况下，该 机同步运行的能力。在发生大扰动时，包括发电 方法仍然有待进一步的提高。基于文献[1】，文献 机转子角度、线路潮流、节点电压在内的系统变 【2】提出了采用信息融合思想，在构造的具有不同 量都将发生大范围的变化。如果受扰得系统能够 输入特征的多组子分类器的基础上，对子分类器 维持所有发电机在同步运行状态，并渐近地过渡 的结果在输出空间再进行信息融合，提高了分类 到一个新的稳定平衡点，则系统是暂态稳定的； 准确率。 否则，系统是暂态不稳定的。TSA是电力系统运 SVM属于统计学习理论，文献[3】就是利用加 行中一个非常重要的问题。 速的统计学习算法，具体地就是对支持向量的最 人工智能和模式识别技术的结合为大型电力 低分类等价于对全部训练样本的分类，只要挑选 系统的快速稳定评估提供了一种新的求解方法。 出支持向量，就可以保证预测模型的精度。 由于不需要建立系统的数学模型，能直接从样本 虽然SVM在TSA方面有了比较突破性的进 中寻求状态参数与稳定性或稳定指标之间的映射 展，但对于SVM用于TSA的研究工作才不到几 关系，求解稳定指标不需要重复试探，计算量受 年，存在的问题也颇多。比如说SVM本身存在 系统规模影响较小，整体评估速度很快。但缺乏 某些缺陷，如对样本的一视同仁，不加以区别对 标准的实现方法，精度对样本，规则选取，输入变 待等等，这必然造成TSA的误分类。本文就是针 量的选取等因素极为敏感，设计不当时评估的可 对目前SVM用于TSA存在的缺陷，进行研究改 靠性和稳定性较差。SVM的出现为模式识别方法 进；提出了FSVM算法用于TSA。仿真实例证明