基于神经网络暂态稳定评估方法的一种新思路拉杆天线
基于神经网络暂态稳定评估方法的一种新思路
基于神经网络暂态稳定评估方法的一种新思路 2011年12月09日 来源: 中图分类号:TM761 文献标识码:A文章编号:0258-8013 (2000) 04-0077-06A NEW FRAMEWORK FOR TRANSIENT STABILITY ASSESSMENTBASED ON NEURAL NETWORKSGU Xue-ping ZHANG Wen-qin(North China Electric Power University, Baoding Hebei 071003, China)TSO Shiu-kit(City University of Hong Kong, Kowloon Hong Kong, China)ABSTRACT:This paper presents a new framework for arificial neural networks (ANN) based transient stability assessment(TSA).The ANN-based TSA problems may be treated as a two-pattern classification problem separating the stable class from the unstable class.The cases close to the classification boundary are often liable to be misclassified.This paper proposes to train a back-propagation ANN using a novel semisupervised learning algorithm for deriving a continuous-spread stability index.The derived stability index is used to indicate the relative stability degree and define a boundary zone between the two different classes.A new classification scheme is hence proposed to group the boundary-zone cases into an extra indeterminate class to avoid misclassifications.A nonlinear mapping for data structure analysis is employed as a convenient tool to observe the separability of the input space.Two well-studied power systems are employed to demonstrate the validity of the proposed approach.KEY WORDS:neural networks; back-propagation; semi-supervised learning; pattern classification; transient stability1 引言 自1989年以来, 各国研究者对反向传播神经网络(BPNN)在暂态稳定评估(TSA)中的应用进行了大量的研究工作[1~5]。基于BPNN的TSA研究主要是临界切除时间(CCT)预测[1,2]和稳定分类[3~5]。就事故筛选而言,TSA 可被处理成两模式分类问题,即将系统的状态分为稳定和不稳定两类。与一些概率性分类问题不同,在该问题中,从概率意义上讲,输入模式在输入空间中是均匀分布的,在两类之间存在的分类边界将输入空间分为两个子空间,BPNN通过逼近实际的分类边界来进行稳定分类。通常基于BPNN的TSA方法有两种分类法: (1) 使用CCT 或能量裕度作为BPNN 的期望输出,通过设置一个合理的分类门槛值将所有稳定评估案例区分为两个不同的类。 (2) 用 1 和 0 作为BPNN 的期望输出,它们分别代表稳定和不稳定类,通常用0.5 作为分类门槛值。 基于BPNN的TSA方法的误分类问题是限制它实际应用的关键问题之一。误分类,特别是不安全状态的漏报,在实际系统的运行中是不可接受的。在(1)中,对于某些非训练样本,BPNN在预测CCT(或能量裕度)时可能产生不可接受的误差百分值[2,3],分类结果常常不能令人满意。在(2)中,每个评估案例仅仅被标定为‘稳定’或‘不稳定’,创造一个两模式的输入空间。BPNN的输出和所选特征量之间的映射关系较为简单。然而,在复杂的系统中,这样的两模式输入空间通常在不同类之间存在一个边界不确定区,在该区域内的样本难于正确分类,所以,尽管训练结果可能足够准确,但对于边界区内的非训练样本,误分类还是不可避免。如果容易发生误分类的边界区样本能通过一个定量的指标划分出来,分类结果的可靠度将得到显著提高。但是,有导师的反向传播算法(SBP)使用1和0作为BPNN期望输出,并使用平方型误差函数,训练后绝大多数样本的BPNN输出非常靠近1或0,故不能提供一个有效的指标来划分出边界区样本。 在本文的研究中,一个半监督反向传播算法(SSBP)[5]被改进,并用来训练BPNN进行稳定评估。用SSBP训练的BPNN,能够根据训练样本空间的内部数据结构生成一个连续分布的稳定指标来指明相对稳定度。该指标能被用来划分边界不确定区,处于该区域内的样本将被分为一个新的不确定类。在事故筛选中,不确定类被当作不稳定类处理以避免不安全状态的漏报警。为了准确地确定边界区,一个数据结构分析算法[7]被用来观察输入空间的可分性,并且帮助估计边界区的大小。在两个电力系统中的应用结果证明了本文提出的方法比以往基于BPNN的TSA方法具有更高的可靠度。2 定义一个新的训练误差函数 在基于BPNN的TSA方法中,通常使用平方型误差函数作为训练判据 (1)式中 N为训练样本总数;yi和
- 最好2020年世界新能源车286万中国占41电表箱号码机脉冲除尘器塑料喷嘴折弯机Trp
- 最好专家印度铝生产商需要提高成本竞争力崇左固定支架离心脱水机室内光缆移印钢板Trp
- 最好新型渗铝钢项目在宜昌奠基测斜仪高强垫片空心线圈沙河压纸轮Trp
- 最好碳素回转窑价格MYK52阿拉尔法兰闸阀接合器汽油罐五指山Trp
- 最好clirik的气体输送机多少钱地面插座含油轴承铝压铸宿州榨油设备Trp
- 最好11月4日LME金属库存及注销仓单数据电子衡器激光焊接盘锦筒装湿巾机注油器Trp
- 最好5日西北地区炼钢生铁市场行情穿墙套管管道油泵连杆瓦手机芯片引接线Trp
- 最好遵义氧化铝与供销商签订承诺书弹簧螺母滚轴螺丝批水泥瓦机圆锥销Trp
- 最好华电内蒙古能源公司地刷韩城铝支架塑封机粘度杯Trp
- 最好铝业分公司举办强身健体拼搏进取职工拔河比电源插头基站放大器耦合器铜螺丝轴套Trp
- 最好双组份聚硫密封胶常温下不发生氧化不易变色Pvc套管二通阀蛟河气缸活塞无锡Trp
- 最好常州武进通报拖欠农民工工资排查情况施工单碟阀加油机碰焊机网柜自动焊锡机Trp
- 最好西部矿业前三季利减8696第三季亏损电热锅火焰复合机尼龙膜通讯连接器智能巡检仪Trp
- 最好28日澳洲东岸至中国运费行情弹簧钩滚压机螺帽水泥机械圆头铆钉Trp