文献类型：期刊文章

作　　者：周挺[1] 杨军[1] 周强明[2] 谭本东[1] 周悦[2] 徐箭[1] 孙元章[1]

ZHOU Ting;YANG Jun;ZHOU Qiangming;TAN Bendong;ZHOU Yue;XU Jian;SUN Yuanzhang(School of Electrical Engineering and Automation,Wuhan University,Wuhan 430072,Hubei Province,China;State Grid Hubei Electric Power Company,Wuhan 430077,Hubei Province,China)

机构地区：[1]武汉大学电气与自动化学院,湖北省武汉市430072 [2]国网湖北省电力公司,湖北省武汉市430077

出　　处：《电网技术》

基　　金：国家重点研发计划资助项目(2017YFB0902900);湖北省电力公司科技项目~~

年　　份：2019

卷　　号：43

期　　号：6

起止页码：1931-1940

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性:在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。

关 键 词：暂态稳定评估 机器学习  类别不平衡  噪声 改进  LightGBM  

分 类 号：TM712]