基于二进制 Jaya 特征选择的 EOS-ELM 结合 PMU 数据用于实时暂态稳定评估的应用
信号处理
2018-09-11 v1
摘要
近期研究表明，基于模式识别的暂态稳定评估（PRTSA）是一种有望预测电力系统暂态稳定状态的途径。然而，当前许多知名的 PRTSA 方法存在训练时间过长与参数调优复杂的问题，导致实时实施效率低下且缺乏在线模型更新能力。本文提出一种基于集成在线序列极限学习机（EOS-ELM）并结合二进制 Jaya（BinJaya）特征选择的新型 PRTSA 方法，并利用相量测量单元（PMU）数据。在简述 OS-ELM 原理后，构建一个基于 EOS-ELM 的 PRTSA 模型，通过分别将 OS-ELM 与在线提升算法作为弱分类器与集成学习算法，实时预测电力系统故障后暂态稳定状态。此外，提出一种基于 BinJaya 的特征选择方法，从由一组从 PMU 数据提取的系统级分类特征构成的完整特征空间中选取最优特征子集。在 IEEE 39 节点系统与一个真实省级系统上的应用结果表明，相较于其他 state-of-the-art 序列学习算法，本方案具有更优的计算速度与预测精度。此外，在不牺牲分类性能的前提下，输入空间维度被缩减至初始值约三分之一。
引用
@article{arxiv.1809.02859,
title = {Application of EOS-ELM with binary Jaya-based feature selection to real-time transient stability assessment using PMU data},
author = {Yang Li and Zhen Yang},
journal= {arXiv preprint arXiv:1809.02859},
year = {2018}
}
备注
Accepted by IEEE Access