英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
电力和能源系统
（一种利用多层感知器和径向基函数网络的在线电力系统静态安全评估模块）
摘要
高效的应急筛选和排序方法在现代电力系统安全运行中的重要性。本文提出了一种人工神经网络，即多层前馈神经网络（MFNN）和径向基函数神经网络（RBFN），来实现在线电力系统静态安全评估（PSSSA）模块。要评估系统的严重程度，已使用的有两个指标，即有功功率和电压的性能指标。性能指标，这是用牛顿–拉夫森迭代法计算（NRLF）1线中断情况下的变负荷工况分析。基于PSSSA模块提出的前馈神经网络和径向基函数神经网络模型，用电力系统的运行状态，负载条件和N 1线路停电突发事件作为输入特征训练神经网络模型，来预测看不见的网络条件下的性能指标，并根据性能指标对它在安全评估的基础上进行排名。所提出的方法是在标准的IEEE 30总线测试系统进行测试，仿真结果证明了其性能和鲁棒性的电力系统静态安全评估。用神经网络模型在时间和准确性方面的分析比较得到NRLF程度，表明该模型具有快速、准确和可靠的电力系统看不见的网络条件下的静态安全评估。因此，建议PSSSA模块采用前馈神经网络和径向基函数神经网络模型在线实施是可行的。
绪论
电力系统是一个复杂的网络，它的安全性已得到了可靠运行的保证。电力系统安全评估的分析，以确定是否，以及在何种程度上，电力系统是合理的安全，以至严重干扰其操作[1]。电力系统安全评估包括三大任务，即安全监控、应急分析和安全控制。安全监控是一种机制，它为运营工程师提供系统操作条件。它的偶然性分析在电力系统安全评估中起着至关重要的作用，关于它的重要性的讨论在[2,3]中。这个阶段包括应急筛选和排名。如果电力系统是不安全的，必须采取有效的控制措施来保证它重新安全。
这方面的研究在过去的几年里已经进行了广泛的研究，其中包括应急排序和筛选安全评估方法。最排序方法是基于性能指标的评价，用来衡量系统的压力。在这种方法中，突发事件的排名是根据净工作变量的严重程度来直接评估的。静态安全评估在事后应急场景下的严重性，其中包括解决基本情况和1线中断条件下的各种负载流量的方法。这些方法是非常复杂和耗时的在线实施。此外，系统的操作条件随时间而变化，这使得传统的方法是不可行的在线实现。因此，有必要制定有效的在线工具（监控系统的安全性变量系统条件下）的电力系统安全评估，以确保能源系统的安全运行[4]。放松管制已经迫使公用事业向更接近其安全限制的系统功能发挥作用，这要求有一个安全评估的快速和有效的方法[5]。因此，本文的重点是设计一个可实时实现的并能快速、准确预测系统的安全性评价严重程度的模型来帮助运营工程师。
传统来说，应急排序方法是基于性能指标（PI）从解决的负载流量解决方案。然而，安全评价的准确性和速度取决于用于排序方法的类型。因此近年来，文献显示，应用人工神经网络（ANN）的电力系统静态安全性评估是一个非常令人鼓舞的研究领域。由作者提出的神经网络的电力系统安全评估和控制的重要性和适用性是在[6-9]。人工神经网络的计算速度和泛化能力使得它可行的现代电力系统安全监控[10]。在[11]的安全评估中，采用了人工神经网络与发散算法相结合的特征选择算法。在[12–14] 中作者考察了级联神经网络（CNN），为了快速流动的应急筛选和排名，在过滤和排序模块引入了前馈网络。在[15,16]中，作者研究了反向传播网络的应用，为有功功率的应急排名。为了电压应急等级排序，作者在[17,18]中研究了并行自组织分层神经网络。然而，一个理想的应急排名模块应该是能够为等级的有功功率和电压的违规行为的严重程度排名的，从而用于安全评估，以证明人工神经网络模型的鲁棒性。由于培训的特点选择合适，涵盖了整个电力系统的运行状态，所以可以用来观察网络的高效性能。
在系统参数不断变化的情况下，电力系统的本质是动态的。因此，经典的离线方法连续监测系统的安全性是不可靠的。然而，一个受过训练的神经网络具有对未知系统条件的优势，提高了安全监测与评估，这使得它的在线实施具有可行性。本文的主要目的是建立一个在线电力系统静态安全评估模块，在可变的系统操作条件下，最大限度地减少离线计算工作量和预测系统的严重程度。
对于一个特定的意外，应急等级的变化对有功功率和电压具有依赖性。因此，将这两种违规行为都纳入到系统，这对于准确的监控系统的安全性来很重要。该模块利用有功功率性能指标（PIp）和电压的性能指标（PIv）快速和有效的安全评估。该模块的主要功能是：（1）计算系统的严重程度（PIp和PIv）每个操作条件。（2）计算1线停电事故下的严重性指标。（3）该模型的基础上的突发事件的严重程度排名。该PSSSA模块采用人工神经网络模型的计算性能指标为每个加载下N 1线路停电可预见。人工神经网络模型进行训练的各种操作条件下，获得性能指标。在这项工作中，该PSSSA模块使用前馈神经网络和径向基函数神经网络的发展，分析了标准的IEEE 30总线测试系统。
论文的其余部分安排如下：在“使用经典的NRLF方法的电力系统安全性评估偶然排序方法”部分，介绍了安全评估的经典NRLF法。在“网上PSSSA模块采用多层前馈神经网络和RBF网络模型”部分，讨论并实现使用神经网络和径向基神经网络的电力系统静态安全评估PSSSA模块的设计。仿真结果在“仿真结果”部分，包括演示安全评估的建议模块的鲁棒性和有效性。最后，在“结论”部分是结束语和致谢。
正文
使用经典NRLF方法的偶然排序方法的电力系统安全性评估
电力系统静态安全性可以通过对突发事件的应急性进行分析。这种经典的方法涉及负载流量的分析。应急分析涉及电力系统模型的1线停电事故仿真。为了使分析更容易，它包括三个基本步骤：
偶然性创建：它包括一组可能发生在电力系统中的意外事件。这个过程包括创建突发事件列表。
权变选择：它是从列表中选择导致总线电压和功率限制违规行为的严重的突发事件。因此，这个过程可以最大限度地减少应急清单，消除最轻的突发事件。它是通过使用索引计算来找出突发事件的严重程度。
应急评估：它需要采取必要的安全行动或必要的控制行动，以减轻应急的影响。
因此，电力系统规划和运营工程师的主要任务之一是在它们的严重性中研究中断的影响。为此，应急排名方法利用性能指标（PI)来量化其严重程度。
应急等级和安全评估的性能指标
在这项工作中，为了评估系统的安全性和性能指标的使用，我定义了系统的严重程度方面的有功功率和电压限制违规。其中，用于获得应急严重程度的性能指标是：
有功功率性能指标（PIp）：这是公式由（1）给出的确定线路过载程度的指数。
(1)
电压的性能指标（PIv）：这是由公式（2）给出的确定母线电压限制违规行为的程度指数。
（2）
在这里，最小和最大的电压限制，Vmin=0.95 pu,Vmax=1.05 pu。指标值越大，系统的安全性越高。
因此，在评估安全性，更高的价值指数是应急排名首位。使用应急NRLF方法的排序方法是如下算法解释。
第一步：读取系统总线的数据线的数据。
第二步：对无事故情况下的基本情况进行负载流量分析。
第三步：模拟N1线停运，进行下一步。
第四步：对于中断执行负载流量分析、计算有功功率Pmax。
第五步：发现有源性能指标（PIp）,公式(1)中给出了有功功率限值计算方法。
第六步：在事故发生后，计算所有的负荷母线的电压。
第七步：计算电压的性能指标（PIv)，在公式（2）中给出由于应急事件母线电压限制违规行为的程度指数计算方法。
第八步：所有传输线重复步骤3-7。
第九步：突发事件的严重程度排名的基础上的应急。
上述方法的流程图如图1所示。
利用神经网络和RBFN模型的在线PSSSA模块
神经网络模型具有很高的适应能力，这是用于安全评估的建议工作中看不见的线路中断。图2显示了PSSSA模块架构。该模块的输入特征包括（覆盖整个操作的情况下）在所有负荷节点的有功和无功功率（PL，QL）和发电机母线（PG，QG），电压值在|V|所有线路和1号线中断。该模块有能力预测的性能指标，用来评估安全状态的应急排名为一个给定的操作条件。
该PSSSA模块采用人工神经网络的结构以线路停电条件和荷载条件以及与其他操作条件和性能指标作为输出参数的输入参数。该PSSSA模块采用了两个人工神经网络模型，叫做：多层前馈神经网络和径向基函数神经网络，其中的细节在下面的小节解释。
多层前馈网络（MFNN）
本文提出，多层前馈神经网络模型是由三层组成的，即输入层，隐藏层和输出层，和S型激活函数的所有神经元除神经元的输入层的电力系统静态安全评估。
（3）
每一层都与前一层的每一个神经元紧紧相连。模型的输入的系统工作条件如图3所示，以性能指标为输出。该网络由动量因子和学习率参数组成，对于学习BPA的速率具有非常重要的作用。BPA有一个近似的最陡下降法计算权重空间的轨迹[19]。如果认为的价值很小，这将导致学习速度慢，如果为了加快学习的速度而让的值变得太大，这会让多层前馈神经网络变得不稳定。一个简单的提高学习的速度而不使多层前馈神经网络不稳定得方法是通过增加动量因子。应该注意的是，和的值应该在0和1之间[19]。
在隐藏层和输出层之间的权重被更新为公式（4）所示这样。
（4）
其中j从1变化到,k从1变化到。同样，隐藏层和输入层之间的权重也被更新为公式（5）所示这样。
（5）
其中i的值从1变化到，因为有输入到网络，是经过m次迭代后对于经过j次迭代产生的一种错误，是来自于第一层的输出。
公式（4）中的和公式（5）中的的关系如公式（6）中所示。
（6）
其中，i的值从1变化到。的平均平方差（MSE）经过m次迭代后的模式如下，
（7）
当达到最小值时公式停止运算并且这个值不随迭代次数的改变而改变。
径向基函数神经网络（RBFN）
图4显示的是以系统的操作条件和性能指标作为输入输出模型网络。径向基函数神经网络由输入层、隐藏层（径向基函数称为径向中心）和输出层组成。固定径向基函数神经网络的定义在（6）中有说到。
（8）
RBF乘以各自的权重然后求和。模拟值的性能指标在m次迭代后的表示如下，
（9）
其中，是连接隐藏层和输出层的权重。经过m次迭代后的误差表示如下，
（10）
权重是通过一个线性优化策略更新的。线性优化的策略，在这项工作中采用最小均方误差（LMS）算法。权重更新方程根据LMS算法给出了如下公式，
（11）
当最小均方误差通过算法得到时算法的运算被终止。
运算和测试数据的生成
在这项工作中,要实现人工神经网络模型的有效性,从50%到100%情况下，随机变化负载条件，通过执行大量的离线模拟得到数据。对于每个在N-1线路故障条件下的负载条件，可以用牛顿-拉夫森迭代法计算线流和电压的性能指标。在37种负载条件考虑线路中断的情况下，计算出有功功率和电压对应的值。由于网络条件的变化范围是从50%到100%的并且还有其他加载条件，输入输出数据生成总数为37*6=222。其中，这185组输入–输出数据模式是用来运算前馈神经网络和径向基函数神经网络模型的，剩余的37套用于测试网络。
通过测试可变负载条件，运算神经网络模型来获得最小均方误差是可行的。该模型可用于预测PSSSA模块静态安全评估的故障排序在一个特定的操作条件下的性能指标安全状况。
仿真结果
本文工作的目的是利用前馈神经网络和径向基函数神经网络模型开发一个在线PSSSA模块，通过预测电力系统安全状况，并完成特定的操作条件下的应急排名来确保这个系统的安全。
IEEE-30总线测试系统
在IEEE-30总线测试系统进行研究来检查所提出的模块的性能[20]。其中测试系统由6个发电机和41个传输线组成。IEEE-30总线测试系统的拓扑结构如图5所示。模拟在有Windows 7 Professional操作系统和i7处理器、2 GB的RAM的PC机上进行，使用MATLAB R2010a版本[21]。
基于PSSSA模块的MFNN的性能
多层前馈神经网络将操作条件作为输入，将性能指标作为输出。该模型的准确性取决于网络参数的最佳选择。为了获得最佳的参数，进行了一系列的模拟，以获得最小均方误差(MSE)。最佳迭代100次的网络参数的选择如表1所示，图6显示了MSE随着MFNN迭代次数的变化而产生的变化。通过改变一个参数和其它双参数的固定值，如表1所示，进行模拟，得到最小均方误差。程序与其预测性能指标如图7所示。
基于PSSSA模块的RBFN的性能
数据集生成方法是用来训练网络体系结构的。表2显示了最佳迭代100次的网络参数的选择，图9显示了NSE随着RBFN迭代次数的变化而产生的变化。图8显示的程序用来预测基于RBFN的性能指标。在表3中给出了对于前馈神经网络和径向基函数网络优化的网络参数。
电力系统静态安全评估模块
在前面的章节中讨论多层前馈神经网络和径向基函数神经网络的计算性能指标的安全状态的预测是有效的、准确
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147185]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
