基于极限学习机的电力系统暂态稳定评估方法.docx

基于极限学习机的电力系统暂态稳定评估方法
国内外各国电网近年来不断推行电力市场化改革，其中重要的一个环节是引入市场竞争机制，逐步实现电力交易市场化。但市场化的推行也带来了一些问题，如电力系统的暂态稳定性问题。为解决这一问题，研究人员在各个领域探索出了许多方法，其中基于极限学习机的暂态稳定评估方法成为当前热门的研究方向之一。
一、极限学习机的基本概念
极限学习机（ExtremeLearningMachine,ELM）是Huang等人提出的一种快速学习算法，其特点是具有快速训练速度和强泛化能力。ELM不需要像传统的神经网络那样进行反向传播算法进行繁琐的参数优化，而是直接进行神经元输出权重的随机初始化和输出向量的求逆，因此大大提高了训练速度。
二、电力系统暂态稳定性评估的基本方法
电力系统的暂态稳定性评估是指在系统发生外界扰动时，系统内部能否迅速恢复到稳定状态的性能指标。电力系统暂态稳定性评估的基本方法使用动态模型模拟系统运行的过程。一般使用模拟程序对系统进行仿真，得到系统在不同的外界扰动下的动态响应结果，然后根据结果进行判断。
三、基于ELM的电力系统暂态稳定性评估方法
ELM具有强大的非线性逼近能力和快速的训练速度，这使得其被广泛应用于电力系统暂态稳定性评估。具体方法如下：
1.数据采集和预处理
数据采集是电力系统暂态稳定性评估的第一步。通常，评估的数据来自于系统模拟，数据主要包括系统的初始状态量、发电机的机械参数、线路的电气参数、负载的特性和外界扰动。在数据预处理阶段，需要进行数据清洗、数据采样和归一化等处理。
2.训练ELM神经网络
根据预处理后的数据，使用ELM构建神经网络，以学习电力系统暂态稳定性的规律。ELM的训练速度极快，简单直观，可以快速构建模型。将训练集输入ELM神经网络，并根据预测误差来调整输入权重和隐层神经元个数等参数。
3.预测电力系统暂态稳定性
训练模型后，即可对电力系统进行暂态稳定性评估。向训练好的神经网络输入数据，根据输出结果来判断系统是否稳定。在预测过程中，可以通过调整神经元的输入权重和隐层神经元个数等具体参数，以提高预测精度。
四、实验验证与结论
在实验验证中，本文通过对IEEE39节点系统上的不同类型扰动进行模拟，使用基于ELM的电力系统暂态稳定性评估方法进行预测，通过对预测结果进行评价，验证了该方法的有效性和准确性。实验结果表明，基于ELM的暂态稳定性评估方法具有快速、准确、稳定的特点，可以用于实际电力系统的暂态稳定性评估。
总之，基于ELM神经网络的电力系统暂态稳定性评估方法具有快速、准确、稳定的特点，可以提高电力系统运行的安全性，对电力系统的管理和运行具有重要的指导作用。