基本信息
- 項目名稱：
- 支持向量機動態(tài)訓練算法電力系統(tǒng)暫態(tài)穩(wěn)定評估
- 小類：
- 機械與控制
- 大類：
- 自然科學類學術論文
- 簡介：
- 文章首先提出了一種基于線性相關性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎上，提出了一種以支持向量機模型為基礎的動態(tài)訓練算法，該方法將特征提取、樣本訓練融合在一起，動態(tài)產生了一系列支持向量機模型，同時可以從維數較大的初始特征集中選擇多組有效特征，實驗表明它可用于解決輸入空間的可分性問題。在3機9節(jié)點以及16機68節(jié)點系統(tǒng)中的應用表明了該方法的有效性。
- 詳細介紹：
- 電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題：一是參與分析評估的訓練集不足以覆蓋整個樣本空間，二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運行狀態(tài)。文章首先提出了一種基于線性相關性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎上，并結合實驗，發(fā)現(xiàn)模式識別法在TSA問題應用中，關鍵問題是解決存在少量誤判點的問題。（如果這些誤判點中存在的是失穩(wěn)點，那么這樣的分類器是不可靠的）。于是提出了一種以支持向量機模型為基礎的動態(tài)訓練算法，該方法將特征提取、樣本訓練融合在一起，動態(tài)產生了一系列支持向量機模型，同時可以從維數較大的初始特征集中選擇多組有效特征。在3機9節(jié)點以及16機68節(jié)點系統(tǒng)中的應用表明了該方法在連續(xù)迭代過程中，產生了一系列分類器模型，其相應測試樣本的正確率很多都達到了100%。事實上只要迭代次數不限，該方法可以產生許多組不同的特征組合，既有系統(tǒng)全局特征，也有局部特征，真正做到針對不同電力系統(tǒng)提取不同的特征組合，其次對于同一個系統(tǒng)擁有多組分類器，其安全性也會大幅提高。
作品專業(yè)信息
撰寫目的和基本思路
- 電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題：一是參與分析評估的訓練集不足以覆蓋整個樣本空間，二是所選特征變量不能全面、正確地描述電力系統(tǒng)的運行狀態(tài)。故提出了一種基于線性相關性方法的樣本空間覆蓋問題的研究。然后在對比分析電力系統(tǒng)已有暫態(tài)穩(wěn)定評估方法的基礎上，結合實驗，發(fā)現(xiàn)模式識別法在TSA問題應用中，關鍵問題是解決存在少量誤判點的問題，于是提出一種以支持向量機模型為基礎的動態(tài)訓練算法。
科學性、先進性及獨特之處
- 作品使用皮爾森相關性曲線作為樣本空間變化的衡量指標，通過測試負荷曲線上不同位置基準負荷的組合，實現(xiàn)使用較少的基準負荷點，達到樣本空間較大范圍的覆蓋。 提出一種全新動態(tài)訓練算法，特點1.傳統(tǒng)方法是尋找一種最有效的特征提取算法，本方法對特征提取算法選擇無條件限制。2.傳統(tǒng)方法嘗試尋找統(tǒng)一的特征組，本方法能產生一系列多選擇性的，高效的，個性化的特征組。兩算例的計算結果證明了該方法是可行、有效的。
應用價值和現(xiàn)實意義
- 本作品針對電力系統(tǒng)暫態(tài)穩(wěn)定評估存在兩個主要問題提出了相應的解決方案。重點提出了一種全新訓練算法，解決模式識別法在TSA問題應用中存在少量誤判點的問題。該方法可以推廣到其他二分類問題上。
學術論文摘要
- 本論文以16機68節(jié)點作為經典模型算例，通過支持向量機動態(tài)訓練算法得到的結果，（詳見：本作品: 表10. SVMDT使用一種特征提取算法迭代五次的結果比較、表11. 提取特征在原始特征中的編號） 支持向量機動態(tài)訓練算法可以使SVM模型克服自身無法確定合理的輸入特征組合的問題，得到一系列理想的輸入特征組合。如表10所有達到100%正確率的模型支持向量數量都小于其它正確率相對較低的模型。也就是說模型越是復雜，出現(xiàn)過分擬合的幾率越高。因為復雜模型中的附加成分很大程度上是完全對偶然的擬合[11]。所以由這些特征組合得到的SVM模型產生過擬合的可能性很小。表11顯示迭代產生不同的特征組合，既有系統(tǒng)全局特征（編號1至33），也有局部特征（編號34以后），真正做到針對不同電力系統(tǒng)提取不同的特征組合，其次對于同一個系統(tǒng)擁有多組分類器，其安全性也會大幅提高。
獲獎情況
- 本作品于2008年11月獨立完成，并向學校申報“挑戰(zhàn)杯”競賽。2009年1月 教授推薦投稿，被《電力系統(tǒng)及其自動化學報》（ISSN1003-8930）審核錄用 ，于2009年4月期刊（第21卷第2期）發(fā)表刊登。
鑒定結果
- -
參考文獻
- [1] 張琦 韓禎祥 曹紹杰 顧雪平 用于暫態(tài)穩(wěn)定評估的人工神經網絡輸入空間壓縮方法 電力系統(tǒng)自動化，2001，25(2):32-35 [2] 顧雪平 張文朝 基于Tabu搜索技術的暫態(tài)穩(wěn)定分類神經網絡的輸入特征選擇[J] 中國電機工程學報，2006,30(9):32-35 [3] 于之虹 郭志忠 遺傳算法在暫態(tài)穩(wěn)定評估輸入特征選擇中的應用 繼電器，2004，32(1):16-20 [4] 湯必強 基于人工神經網絡的電力系統(tǒng)暫態(tài)穩(wěn)定評估 武漢大學碩士學位論文 2004 [5]-- [11] 詳見《論文》參考文獻
同類課題研究水平概述
- 現(xiàn)有的暫態(tài)穩(wěn)定評估(Transient Stability Assessment, TSA)方法分為三類。時域仿真法是最經典的方法，但計算量大，難以滿足實時性要求；能量函數法始終需要一定的時域仿真過程，計算速度很大程度上受限于系統(tǒng)規(guī)模；模式識別法由于不需要建立系統(tǒng)的數學模型，能從所選特征與系統(tǒng)狀態(tài)間直接映射關系，因此是一種簡單快速的（TSA）方法。現(xiàn)有模式識別法由于正確性不能保證所以還未能成功應用到該領域中。主要原因是缺乏有效的訓練方法。對此前人提出了很多解決方案,主要包括二個方面： 一.選擇合適特征提取方法：文獻[1]應用粗糙集理論中的決策表化簡技術，提出了一種壓縮人工神經網絡(Artificial Neural Networks, ANN)輸入空間的方法。文獻[2]提出輸入特征選擇和輸入空間降維是基于神經網絡暫態(tài)穩(wěn)定評估的首要問題，穩(wěn)定分類結果的準確率主要取決于所選特征組成的輸入空間的可分性。文獻[3]提出了基于遺傳算法的特征選擇方法。 二. 選擇合適的算法：文獻[4]提出使用一個半監(jiān)督學習算法，ANN可產生一個能夠指示相對穩(wěn)定的連續(xù)分布的暫態(tài)穩(wěn)定指標?；谶@個連續(xù)分布的穩(wěn)定指標，設置一個相對保守的分類門檻值，避免了不安全狀態(tài)的漏報。文獻[6]利用支持向量機(Support Vectors Machine, SVM)的信息融合技術以提高分類準確率。文獻[7]提出了一種基于粗糙集理論的混合網絡模型。
