基于机器学习的分布式智能电网稳定性分析

摘要：

分布式智能电网(decentralized smart grid,DSG)是针对存在弹性节点的电力网络所提出的新技术,其可在不对基础架构进行大范围改造的前提下实现动态电价需求响应.为了分析DSG的系统稳定性,应用具有代表性的6种机器学习分类模型,分析4节点系统10000个样本的稳定性数据,结合电力系统安全性、稳定性、经济性3个方面的需求,测试各分类模型对DSG系统稳定性预测的效果.测试结果表明:带有高斯核函数的支持向量机(radial basis function kernel support vector machine,RBF SVM)模型适用于数据分析,其精度可达97.10％,Fβ度量高达0.977;CART决策树模型适用于电力系统实时预报,在保证预测实时性的要求下精度可达84.90％,Fβ度量可达0.882,其建模和预测的计算需求分别仅为RBF SVM模型的0.98％ 和1.59％.

关键词：智能电网、电网稳定性、数据挖掘、机器学习

所属期刊栏目：33

分类号：TM712;TP181(输配电工程、电力网及电力系统)

资助基金：吉林市杰出青年人才培养项目20190104121

在线出版日期：2020-12-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1-8