基于代價敏感極端學習機的電力系統暫態穩定評估方法

陳 振，肖先勇，李長松，張 殷，胡清泉

（四川大學 電氣信息學院，四川 成都 610065）

0 引言

隨著電力系統規模的不斷增大，其動態特性愈加復雜，魯棒性、復雜性與安全性之間的矛盾也越來越突出，對系統安全穩定評估提出了更高要求［1-2］。作為動態安全評估的重要內容，深入研究電力系統暫態穩定評估方法具有重要意義［3］。

現有暫態穩定評估方法可分為時域法［4］、直接法［5-6］以及模式識別法［7-9］。其中，時域法適用于元件任意模型，結果準確可靠，但計算量大，在線應用困難；直接法能定量給出系統穩定裕度，計算速度快，但受元件模型限制，其準確性還需進一步提升；模式識別法的評估速度快，受系統規模和元件模型影響小，有良好的在線應用前景，但方法尚不夠完善，工程應用還需進一步研究。

暫態穩定評估中已有的模式識別法主要有人工神經網絡 ANN（Artificial Neural Network）、支持向量機 SVM（Support Vector Machine）、決策樹 DT（Decision Tree）等。在這些方法中，ANN以其運算速度快、識別能力強的特點，深受國內外學者的關注［10］。文獻［11］引入一種新型ANN——極端學習機ELM（Extreme Learning Machine）進行了暫態穩定在線評估的研究工作，其建立在穩定樣本與不穩定樣本誤分類代價相同的假設上，并以誤分率最小為訓練目標［12-13］。通過仿真，文獻［11］驗證了ELM相對于其他模式識別方法具有更高的準確率和更快的運算速度，但無法消除漏報現象。

事實上，大規模復雜電力系統中，穩定樣本與不穩定樣本的誤分類代價明顯不同。若將穩定樣本誤分為不穩定樣本，可能會造成某些控制裝置的誤動作，但對整個系統的安全穩定運行影響小；……