基于同步相量优化极限学习机的电力系统暂态稳定预测
神经与进化计算
2018-10-23 v1 最优化与控制
摘要
本文提出了一种基于优化极限学习机（ELM）的、利用同步相量进行电力系统暂态稳定预测（TSP）的新方法。首先，从同步测量中提取表征电力系统暂态稳定性的输入特征。然后，采用 ELM 分类器构建 TSP 模型。最后，利用改进的粒子群优化（IPSO）算法对模型的最优参数进行优化。该提案的新颖之处在于，通过使用 IPSO 结合同步相量优化模型参数，提升了基于 ELM 的 TSP 模型的预测性能。最后，基于 IEEE 39-总线系统及大规模实际电力系统的测试结果，验证了所提方法的正确性与有效性。
引用
@article{arxiv.1810.08652,
title = {Optimized Extreme Learning Machine for Power System Transient Stability Prediction Using Synchrophasors},
author = {Yanjun Zhang and Tie Li and Guangyu Na and Guoqing Li and Yang Li},
journal= {arXiv preprint arXiv:1810.08652},
year = {2018}
}
备注
Accepted by Mathematical Problems in Engineering