基于重要抽样与极限学习机的电力系统快速可靠性评估

摘要

在电力系统可靠性在线评估与控制中，需要根据实时数据评估系统可能存在的风险。然而，随着电力系统规模日益增大、电气联系逐渐加强、不确定性因素逐渐增多，使得传统基于蒙特卡洛模拟（Monte Carlo simulation，MCS）的可靠性评估方法在复杂电力系统的计算效率大大降低而无法满足实时快速的评估要求。据此，本文结合电力系统可靠性评估的过程特点，分析了现阶段电力系统可靠性评估中的计算量的分布特征，提出了提高计算效率的改进措施，并对如何在不同阶段提高原始MCS算法的计算效率进行探索。　　首先，本文在系统抽样环节通过引入基于交叉熵(Cross-Entropy，CE)的重要抽样减小方差变化，加快指标收敛速度;提出基于多级链表结构的动态故障集（Dynamic Fault Set，DFS）的概念，并将重要抽样与动态故障集相结合用于复杂电力系统快速可靠性评估。其次，通过在系统状态评价环节引入高效的极限学习机（Extreme Learning Machine，ELM）算法，在非序贯蒙特卡洛模拟的基础上，提出一种基于交叉熵的重要抽样和极限学习机相结合的快速可靠性评估方法。一方面通过在系统抽样环节引入交叉熵构建元件的最优概率分布，减小了方差变化，加快系统指标的收敛速度;另一方面，采用ELM对重要抽样的状态样本（包括元件状态和失负荷情况）进行有监督学习，以所构建网络学习模型替代传统非线性规划方法进行状态评估，提高了单次系统状态评估的效率，从而实现快速可靠性评估。对IEEERTS-79测试系统进行可靠性评估，并与原始MCS和基于交叉熵的重要抽样的计算精度和效率对比。结果表明，在一定的误差范围内，所提算法合理、有效，其计算效率较MCS和CE显著提高。

目录

声明

摘要

第1章 绪论

1．1 快速可靠性评估的意义

1．2 电力系统快速可靠性评估现状

1．2．1 采用高效的计算机技术

1．2．2 改进蒙特卡洛模拟算法

1．3 本文主要工作

第2章 复杂电力系统可靠性评估模型与方法

2．1 元件可靠性模型

2．2 系统状态评估模型

2．3 非序贯蒙特卡洛模拟法

2．4 可靠性指标

2．5 本章小结

第3章 引入重要抽样的电力系统可靠性评估

3．1 基于交叉熵的重要抽样

3．2 基于链表的动态故障集

3．3 基于重要抽样与动态故障集的改进算法

3．4 算例分析

3．4 本章小结

第4章 引入极限学习机的电力系统可靠性评估

4．1 单隐层前馈神经网络

4．2 极限学习机的基础理论

4．3 基于极限学习机的系统状态评价

4．4 引入CE与ELM的快速可靠性评估

4．5 算例分析

4．6 本章小结

第5章 结论及展望

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢