基于重要抽樣與極限學(xué)習(xí)機的電力系統(tǒng)快速可靠性評估.pdf

1、在電力系統(tǒng)可靠性在線評估與控制中，需要根據(jù)實時數(shù)據(jù)評估系統(tǒng)可能存在的風(fēng)險。然而，隨著電力系統(tǒng)規(guī)模日益增大、電氣聯(lián)系逐漸加強、不確定性因素逐漸增多，使得傳統(tǒng)基于蒙特卡洛模擬（Monte Carlo simulation，MCS）的可靠性評估方法在復(fù)雜電力系統(tǒng)的計算效率大大降低而無法滿足實時快速的評估要求。據(jù)此，本文結(jié)合電力系統(tǒng)可靠性評估的過程特點，分析了現(xiàn)階段電力系統(tǒng)可靠性評估中的計算量的分布特征，提出了提高計算效率的改進措施，并對如何在

2、不同階段提高原始MCS算法的計算效率進行探索。
　　首先，本文在系統(tǒng)抽樣環(huán)節(jié)通過引入基于交叉熵(Cross-Entropy，CE)的重要抽樣減小方差變化，加快指標(biāo)收斂速度;提出基于多級鏈表結(jié)構(gòu)的動態(tài)故障集（Dynamic Fault Set，DFS）的概念，并將重要抽樣與動態(tài)故障集相結(jié)合用于復(fù)雜電力系統(tǒng)快速可靠性評估。其次，通過在系統(tǒng)狀態(tài)評價環(huán)節(jié)引入高效的極限學(xué)習(xí)機（Extreme Learning Machine，ELM）算法，

3、在非序貫蒙特卡洛模擬的基礎(chǔ)上，提出一種基于交叉熵的重要抽樣和極限學(xué)習(xí)機相結(jié)合的快速可靠性評估方法。一方面通過在系統(tǒng)抽樣環(huán)節(jié)引入交叉熵構(gòu)建元件的最優(yōu)概率分布，減小了方差變化，加快系統(tǒng)指標(biāo)的收斂速度;另一方面，采用ELM對重要抽樣的狀態(tài)樣本（包括元件狀態(tài)和失負荷情況）進行有監(jiān)督學(xué)習(xí)，以所構(gòu)建網(wǎng)絡(luò)學(xué)習(xí)模型替代傳統(tǒng)非線性規(guī)劃方法進行狀態(tài)評估，提高了單次系統(tǒng)狀態(tài)評估的效率，從而實現(xiàn)快速可靠性評估。對IEEERTS-79測試系統(tǒng)進行可靠性評估，并與