基于在线自适应直推式支持向量机的电力系统暂态稳定评估

现有基于机器学习的暂态稳定评估模型无法在线更新,对实际系统的适应能力差且参数优化计算代价大.针对以上不足,本文结合直推式学习和增量学习的思想,提出一种基于在线自适应直推式支持向量机(online adaptive transductive support vector machine,OATSVM)的电力系统暂态稳定评估方法.通过广域测量装置实时监测系统状态,当故障发生时,根据相量测量单元提供的故障前后实测信息,构建一组能反映暂态稳定特性的28维系统特征作为评估模型的输入量.利用在线直推式支持向量机(transductive support vector machine,TSVM)对新增样本进行增量学习,在评估稳定结果的同时实现模型的在线更新.为加快参数优化的计算速度,在参数摄动下对模型进行自适应优化.最后对IEEE-68节点算例系统进行仿真与分析,从预测精度和计算时间两方面验证所提方法的准确性和有效性.