基于支持向量机的电力系统暂态稳定评估.docxVIP

基于支持向量机的电力系统暂态稳定评估 0 改进的暂态稳定评估方法 机械学习方法为电气系统的临时稳定评估提供了一种新方法。在研究中，由于更多的输入资源可能包含与稳定指标无关的资源，因此分析资源之间的冗余导致模型训练时间长，并且很难收敛资源，并且分类性能不理想。同时电力系统的高维性是理论研究和工程实践中重要难题,研究电力系统特征选择有着重要的理论价值和实际意义[7,8,9,10,11,12,13,14]。文献探讨了大电力系统暂态稳定评估中的2类输入特征分析方法:1)特征子集的方法,文中采用统计相关方法,选择与输出相关性强的特征,同时消去特征间相关性强的特征;2)特征空间的变换,文中使用判别分析法。在新英格兰39母线和IEEE 50机测试系统的算例仿真结果发现第2种方法更有效。文献提出一种基于神经网络的输入特征灵敏度分析的特征排序方法,对一组暂态稳定评估输入特征进行排序。所提方法能发现对分类重要的输入特征组合,但不能消除特征之间的冗余性。文献采用Fisher识别和序列特征选择技术,获得具有最优“价值”的特征子集。文献根据矛盾样本的个数来确定特征选择的判据,并利用Tabu搜索技术从维数较大的原始特征集中选出几组有效特征,所提方法能有效地降低输入空间的维数。文献提出了一种基于输入空间的可分性评估的特征选择方法,通过发现样本中的不一致的算例,定义了输入空间中的可分离性指标。使用该指标作为判据