中国电机工程学报
中國電機工程學報
중국전궤공정학보
ZHONGGUO DIANJI GONGCHENG XUEBAO
2013年
10期
90-97,前插12
,共9页
唐飞%王波%查晓明%马志昊%邵雅宁
唐飛%王波%查曉明%馬誌昊%邵雅寧
당비%왕파%사효명%마지호%소아저
暂态稳定评估%机器学习%双阶段并行隐马尔科夫%模式识别
暫態穩定評估%機器學習%雙階段併行隱馬爾科伕%模式識彆
잠태은정평고%궤기학습%쌍계단병행은마이과부%모식식별
基于人工智能机器学习的暂态稳定评估越来越成为研究热点,提出一种基于双阶段并行隐马尔科夫模型(two-stage parallel hidden Markov model,TS-PHMM)的电力系统暂态稳定评估精细化模式识别方法.第1阶段采用相对灵敏度对原始电气特征量进行筛选,找出对电网动态变化敏感度高的特征子集；第2阶段采用主成分分析对特征子集进行排序,得到能够反映电网动态响应特性且线性无关的最优特征子集；最后,通过并行隐马尔科夫模型训练对暂态稳定进行模式识别.在CEPRI 8机36节点以及实际区域电网环境上的仿真分析,验证了该方法的有效性和精确性.在辨识准确率相当的情况下,该方法比常用人工智能类方法(如ANN,SVM等)所需训练样本更少、收敛更快.
基于人工智能機器學習的暫態穩定評估越來越成為研究熱點,提齣一種基于雙階段併行隱馬爾科伕模型(two-stage parallel hidden Markov model,TS-PHMM)的電力繫統暫態穩定評估精細化模式識彆方法.第1階段採用相對靈敏度對原始電氣特徵量進行篩選,找齣對電網動態變化敏感度高的特徵子集；第2階段採用主成分分析對特徵子集進行排序,得到能夠反映電網動態響應特性且線性無關的最優特徵子集；最後,通過併行隱馬爾科伕模型訓練對暫態穩定進行模式識彆.在CEPRI 8機36節點以及實際區域電網環境上的倣真分析,驗證瞭該方法的有效性和精確性.在辨識準確率相噹的情況下,該方法比常用人工智能類方法(如ANN,SVM等)所需訓練樣本更少、收斂更快.
기우인공지능궤기학습적잠태은정평고월래월성위연구열점,제출일충기우쌍계단병행은마이과부모형(two-stage parallel hidden Markov model,TS-PHMM)적전력계통잠태은정평고정세화모식식별방법.제1계단채용상대령민도대원시전기특정량진행사선,조출대전망동태변화민감도고적특정자집；제2계단채용주성분분석대특정자집진행배서,득도능구반영전망동태향응특성차선성무관적최우특정자집；최후,통과병행은마이과부모형훈련대잠태은정진행모식식별.재CEPRI 8궤36절점이급실제구역전망배경상적방진분석,험증료해방법적유효성화정학성.재변식준학솔상당적정황하,해방법비상용인공지능류방법(여ANN,SVM등)소수훈련양본경소、수렴경쾌.
