基于MCBC-SMOTE与GrowNet的电力系统静态电压稳定评估

摘要

为了缓解电力系统实际运行数据中样本不平衡给基于机器学习的静态电压稳定评估性能带来的不利影响，引入一种结合合成少数类过采样技术与多数类聚类(MCBC-SMOTE)的样本平衡策略，进一步提出一种基于梯度增强神经网络(GrowNet)的静态电压稳定评估方法。首先，利用样本平衡策略对原始数据进行预处理，并选择最佳的聚类数以生成有限数量的不稳定样本，避免超大数据集的产生；其次，基于GrowNet构建静态电压稳定评估模型，挖掘关键运行特征与静态电压稳定裕度指标之间的映射关系；最后，在IEEE 39节点系统和1648节点系统上进行全面测试。试验结果表明，相较于传统评估方法，上述方法在缓解样本不平衡方面效果更为显著，且在抗噪能力和模型泛化性能方面也表现出优越性。

关键词

样本不平衡 / 样本平衡策略 / 梯度增强神经网络 / 静态电压稳定评估 / 静态电压稳定裕度指标