基于自适应神经网络的电网稳定性预测

doi:10.3969/j.issn.1000-5641.2019.05.011

华东师范大学学报(自然科学版) ›› 2019, Vol. 2019 ›› Issue (5): 133-142.doi: 10.3969/j.issn.1000-5641.2019.05.011

• 新兴应用中的计算机智能 • 上一篇下一篇

基于自适应神经网络的电网稳定性预测

赵波, 田秀霞, 李灿

上海电力大学计算机科学与技术学院, 上海 200090

收稿日期:2019-07-27 出版日期:2019-09-25 发布日期:2019-10-11
通讯作者: 田秀霞,女,教授,研究方向为数据库安全、隐私保护、访问控制、面向电力用户利益的安全计算、大数据分析等.E-mail:xxtian@shiep.edu.cn. E-mail:xxtian@shiep.edu.cn
作者简介:赵波,男,硕士研究生,研究方向为电力大数据、窃电保护.E-mail:18035540386@163.com.
基金资助:
国家自然科学基金（61772327，61532021）

Prediction of power network stability based on an adaptive neural network

ZHAO Bo, TIAN Xiu-xia, LI Can

College of Computer Science and Technology, Shanghai University of Electric Power, Shanghai 200090, China

Received:2019-07-27 Online:2019-09-25 Published:2019-10-11

摘要/Abstract

摘要： 电网安全稳定是电力企业乃至整个社会改革、发展、稳定的基础.随着电网结构复杂度的增加，更需要电网安全和稳定地运行，这是保证国民经济快速良好发展的重要要求.基于机器学习方法，提出了一种优化神经网络的电网稳定性预测模型，并和经典机器学习方法进行了横向对比.通过UCI2018年电网稳定性仿真数据集的实验分析，结果表明，所提出的方法可以达到更高的预测准确率，同时也为电力大数据的研究提供了新思路.

关键词: 电网稳定性, 支持向量机, 决策树, 神经网络

Abstract: The safety and stability of the power grid serves as the basis for reform, development, and stability of power enterprises as well as for broader society. With the increasing complexity of power grid structures, safety and stability of the power grid is important for ensuring the rapid and effective development of the national economy. In this paper, we propose an optimal neural network stability prediction model and compare performance with classical machine learning methods. By analyzing the UCI2018 grid stability simulation dataset, the experimental results show that the proposed method can achieve higher prediction accuracy and provide a new approach for research of power big data.

Key words: grid stability, support vector machine, decision tree, neural network

中图分类号:

TP391

赵波, 田秀霞, 李灿. 基于自适应神经网络的电网稳定性预测[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 133-142.

ZHAO Bo, TIAN Xiu-xia, LI Can. Prediction of power network stability based on an adaptive neural network[J]. Journal of East China Normal University(Natural Sc, 2019, 2019(5): 133-142.

参考文献

[1] 赵一安.电气工程及其自动化技术下的电力系统自动化发展研究[J].黑龙江科学, 2018, 9(5):76-77.
[2] 和萍,文福拴,薛禹胜,等.风电场并网对互联系统小干扰稳定及低频振荡特性的影响[J].电力系统自动化, 2014, 38(22):1-10.
[3] 卫思明,黄永章.新能源采用MGP并网的小干扰稳定分析[J].华北电力大学学报(自然科学版), 2018, 45(1):22-30.
[4] DAOWEI L, DUNWEN S, HONGYIN W, et al. Voltage stability online evaluation system based on WAMS and EMS[J]. Power System Technology, 2014, 38(7):1934-1938.
[5] JINDAL A, DUA A, KAUR K, et al. Decision tree and SVM-based data analytics for theft detection in smart grid[J]. IEEE Transactions on Industrial Informatics, 2016, 12(3):1005-1016.
[6] 卢峰,丁学峰,尹小明,等.基于样本优化选取的支持向量机窃电辨识方法[J].计算机测量与控制, 2018, 26(6):223-226.
[7] DING N, BENOIT C, FOGGIA G, et al. Neural network-based model design for short-term load forecast in distribution systems[J]. IEEE Transactions on Power Systems, 2015:31(1):1-10.
[8] ZHENG Z B, YANG Y T, NIU X D, et al. Wide&Deep convolutional neural networks for electricity-theft detection to secure smart grids[J]. IEEE Transactions on Industrial Informatics, 2018, 14(4):1606-1615.
[9] PIERREVAL H. Rule-based simulation metamodels[J]. European Journal of Operational Research, 1992, 61(1/2):6-17.
[10] MCCALLEY J D, WANG S, ZHAO Q L, et al. Security boundary visualization for systems operation[J]. IEEE Transactions on Power Systems, 1997, 12(2):940-947.
[11] ROHDEN M, SORGE A, TIMME M, et al. Self-organized synchronization in decentralized power grids[J]. Physical Review Letters, 2012, 109(6):1-5.
[12] FILATRELLA G, NIELSEN A H, PEDERSEN N F. Analysis of a power grid using a Kuramoto-like model[J]. The European Physical Journal B-Condensed Matter, 2008, 61(4):485-491.
[13] MENCK P J, HEITZIG J, MARWAN N, et al. How basin stability complements the linear-stability paradigm[J]. Nature Physics, 2013, 9(2):89-92.
[14] SCHÄFER B, MATTHIAE M, TIMME M. et al. Corrigendum:Decentral smart grid control[J]. New Journal of Physics, 2015, 17:015002.
[15] 朱利鹏,陆超,孙元章,等.基于数据挖掘的区域暂态电压稳定评估[J].电网技术, 2015, 39(4):1026-1032.
[16] DEVIE P M, KALYANI S. Transient stability prediction in multimachine system using data mining techniques[J]. Esrsa Publications, 2013(2):2748-2755.
[17] 叶圣永,王晓茹,刘志刚,等.基于支持向量机增量学习的电力系统暂态稳定评估[J].电力系统自动化, 2011, 35(11):15-19.
[18] GOMEZ F R, RAJAPAKSE A D, ANNAKKAGE U D, et al. Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements[J]. IEEE Transactions on Power Systems, 2011, 26(3):1474-1483.
[19] AMRAEE T, RANJBAR S. Transient instability prediction using decision tree technique[J]. IEEE Transactions on Power Systems, 2013, 28(3):3028-3037.
[20] 汤必强,邓长虹,刘丽芳.复合神经网络在电力系统暂态稳定评估中的应用[J].电网技术, 2004, 15:62-66.
[21] ZHOU D Q, ANNAKKAGE U D, RAJAPAKSE A D. Online monitoring of voltage stability margin using an artificial neural network[J]. IEEE Transactions on Power Systems, 2010, 25(3):1566-1574.
[22] PIERREVAL H, RALAMBONDRAINY H. A simulation and learning technique for generating knowledge about manufacturing systems behavior[J]. Journal of the Operational Research Society, 1990, 41(6):461-474.
[23] SCHAFER B, GRABOW C, AUER S, et al. Taming instabilities in power grid networks by decentralized control[J]. The European Physical Journal Special Topics, 2016, 225(3):569-582.

基于自适应神经网络的电网稳定性预测

Prediction of power network stability based on an adaptive neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孔超, 陈家会, 孟丹, 刁华彬, 王维, 张丽平, 刘涛. 面向MOOCs的个性化知识概念推荐[J]. 华东师范大学学报（自然科学版）, 2024, 2024(5): 32-44.
[2]	张永卓, 诸葛晴凤, 沙行勉, 宋玉红. 基于并行块的自适应量化随机计算[J]. 华东师范大学学报（自然科学版）, 2024, 2024(2): 76-85.
[3]	肖开研, 廉洁. 基于多核支持向量机的句子分类算法[J]. 华东师范大学学报（自然科学版）, 2023, 2023(6): 85-94.
[4]	盛连军, 汤致轩, 茅晓亮, 白帆, 黄定江. 基于空间域和频率域方法的烟雾检测[J]. 华东师范大学学报（自然科学版）, 2023, 2023(5): 147-163.
[5]	黄彩蝶, 王昕萍, 陈良育, 刘勇. 基于堆叠门控循环单元残差网络的知识追踪模型研究[J]. 华东师范大学学报（自然科学版）, 2022, 2022(6): 68-78.
[6]	吴豪杰, 王妍洁, 蔡文炳, 王飞, 刘洋, 蒲鹏, 林绍辉. 基于隐层相关联算子的知识蒸馏方法[J]. 华东师范大学学报（自然科学版）, 2022, 2022(5): 115-125.
[7]	李继洲, 林欣. 基于递归结构的神经网络架构搜索算法[J]. 华东师范大学学报（自然科学版）, 2022, 2022(4): 31-42.
[8]	赵晓臻, 童卫青, 刘咏梅. 一种面向服装样板图分类的图卷积神经网络[J]. 华东师范大学学报（自然科学版）, 2022, 2022(4): 56-66.
[9]	王诺, 李丽颖, 钱栋炜, 魏同权. 基于网络压缩与切割的深度模型边云协同加速机制研究[J]. 华东师范大学学报（自然科学版）, 2021, 2021(6): 112-123.
[10]	刘波, 白晓东, 张更新, 沈俊, 谢继东, 赵来定, 洪涛. 深度学习在认知无线电中的应用研究综述[J]. 华东师范大学学报（自然科学版）, 2021, 2021(1): 36-52.
[11]	赖叶静, 郝珊锋, 黄定江. 深度神经网络模型压缩方法与进展[J]. 华东师范大学学报（自然科学版）, 2020, 2020(5): 68-82.
[12]	周晓旭, 刘迎风, 付英男, 朱仁煜, 高明. 网络顶点表示学习方法[J]. 华东师范大学学报（自然科学版）, 2020, 2020(5): 83-94.
[13]	刘锦, 赵维锐. 具有时变时滞的中立型神经网络的稳定性分析[J]. 华东师范大学学报（自然科学版）, 2020, 2020(4): 35-44.
[14]	贺小娟, 郭新顺. 基于特征优化的广告点击率预测模型研究[J]. 华东师范大学学报（自然科学版）, 2020, 2020(4): 147-155.
[15]	邵明锐, 马登豪, 陈跃国, 覃雄派, 杜小勇. 基于社区问答数据迁移学习的FAQ问答模型研究[J]. 华东师范大学学报(自然科学版), 2019, 2019(5): 74-84.