動態EEAC的自適應分段映射

黃天罡， 薛禹勝， 林振智， 文福拴， 徐 巖， 岳 東

(1． 東南大學電氣工程學院， 江蘇省南京市 210096； 2． 南瑞集團(國網電力科學研究院)有限公司， 江蘇省南京市 211106；3． 智能電網保護和運行控制國家重點實驗室， 江蘇省南京市 211106； 4． 浙江大學電氣工程學院， 浙江省杭州市 310027；5． 南洋理工大學電力與電子工程學院， 新加坡 639798； 6． 南京郵電大學先進技術研究院， 江蘇省南京市 210023)

0 引言

穩定算例篩除技術通過機器學習技術[1]或近似的因果算法[2]，從大量算例中識別并篩除穩定算例，以減少總計算量。但其中若將實際失穩(或穩定)的算例誤判為穩定(或失穩)，就形成風險性(或降效性)誤判。算例篩除方法應該在完全杜絕風險性誤判的前提下，盡量減少降效性誤判。為此，相關的篩除規則應具有相對嚴格的因果背景，并與統計分析技術深度融合來減少計算量[3]。

文獻[4-5]從數值積分所獲受擾軌跡中，提取可反映該算例的非同調程度及非哈密頓程度的指標，預估后續軌跡的穩定性，并決定是否提前終止數值積分。這些指標雖然在一定程度上反映了穩定性的因果關系，但主要還是在統計分析層面上歸納了時變特征對積分時長的敏感程度，故在處理那些與訓練樣本接近的考核樣本時，效果較好，但泛化能力卻并不理想。而且由于需要用小步長積分相當長的時段，故總計算量的減少并不令人滿意。

完整的擴展等面積準則(EEAC)[6]由下面3種算法融合而成，即基于數學模型近似等值的靜態EEAC(SEEAC)[7]、基于受擾軌跡嚴格映射的集成EEAC(IEEAC)[8]，以及作為紐帶的動態EEAC(DEEAC)[9]。……