基于稀疏贝叶斯学习的电力系统暂态稳定评估 power systems transient stability assessment based on sparse bayesian learning.pdfVIP

第29卷第9期 电力自动化设备 V01．29No．9 ElectricPowerAulomation Equipment Sept．2009 基于稀疏贝Ⅱ-卜斯学习的电力系统暂态稳定评估 段青1，赵建国2，马艳3 (1．山东大学电气工程学院，山东济南250061； 2．国家电网技术学院，山东济南250002；3．国核电力规划设计研究院，北京100094) 摘要：介绍了基于稀疏贝叶斯学习理论的模式识别技术相关向量机及其分类器，在此基础上构建了电力系 统暂态稳定评估模型。以EPRl36电力系统暂态稳定仿真数据为例，在相同的数据输入和相同的仿真环境 下同时构建相关向量机和支持向量机2种暂态稳定评估模型。仿真预测计算显示。作为一种全新的概率学 习模型．相关向量机不仅得到了比支持向量机更高的预测精确度。而且还能得到支持向量机无法完成的概 率性预测和更高的稀疏性计算． 关键词：概率学习：贝叶斯理论：相关向量机：支持向量机；暂态稳定评估 中图分类号：TM712 文献标识码：A 小样本学习、良好的学习结果推广能力、支持向量的 0 引言 相对稀疏性、计算速度快、预测精度高等优点，短短几 电力系统是一个超大规模的动态非线性系统． 年时间支持向鼍机的研究和应用有了飞速发展．各 因此它存在着许多稳定性问题．暂态稳定是其中最 种算法层出不穷．成为当前最流行的模式识别技术。 支持向量机在暂态稳定评估的应用也有了较大发 基本和最重要的问题之一。数值积分法、直接法和人 T智能法是当前暂态稳定评估的3种主要方法。随 展．文献『101将支持向量机应用于大规模电力系统 着基于全球卫星定位系统(GPS)的广域测鼍技术——中，其仿真结果远优于神经网络；文献[11]将支持向 相量测量单元(PMU)广泛应用于电力系统，利用现量机分类的输出划分为稳定类、不稳定类和边界区3 代通信技术．完全可以同步跟踪到电力系统设备的动 类，减少了误分类；文献[12]对训练样本集先进行聚 态变化相量。因此．近几年人工智能法在暂态稳定评 类分析预处理．然后利用支持向量机回归分别建立 估中的应用有了较快发展n-扪。与传统方法相比．人 各聚类的预测模型．对发电机相对功角的变化趋势 工智能方法具有在线计算速度快、容易生成决策用 进行快速预测；文献『13]利用信息融合的思想构造 的启发规则等优点．可与传统暂态稳定评估方法构 多重支持向量机进行分类预测，提高了预测精度。 成良好的互补。各同学者对基于人工神经网络 然而．支持向量机在实际应用中也存在一些 问题，如： (ANN)的暂态稳定评估技术进行了大量的研究，并 取得很大进展…；文献f51对基于神经网络的暂态稳 a．无法得到概率式的预测： 定评估进行了总结并给出了仿真结果；文献[6]利用 b．使用者必须给定一个误差参数C。该参数对 结果有很大的影响．且必须通过大量的交叉验证或 BP(BackPropagation)网进行暂态稳定评估并对原 始特征进行非线性变换提高预测精度：文献[7]利 附加算法来进行确定．费时费力： c．核函数必须满足Mercer条件： 用改进的模糊神经网络FuzzyHvper．rectangular ANN提高了暂态稳定的预测精度；文献『8] d．支持向量个数与训练样本数相比虽然具备一 Composite 复合了Kohonen网络和径向基网