《数据挖掘在电力系统暂态稳定评估中的应用综述.pdf》由会员分享，可在线阅读，更多相关《数据挖掘在电力系统暂态稳定评估中的应用综述.pdf（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第 33 卷 第 20 期 电 网 技 术 Vol.33 No.20 2009 年 12 月 Power System Technology Dec.2009 文章编号：1000-3673（2009）20-0088-06 中图分类号：TP18；TM77 文献标志码：A 学科代码：47040 数据挖掘在电力系统暂态稳定评估中的应用综述 童晓阳，叶圣永（西南交通大学 电气工程学院，四川省 成都市 610031）A Survey on Application of Data Mining in Transient Stability Assessment of Power System TONG X
2、iao-yang，YE Sheng-yong（School of Electrical Engineering，Southwest Jiaotong University，Chengdu 610031，Sichuan Province，China）ABSTRACT:Artificial intelligence and data mining possess obvious superiority in finding potential problems during online and offline transient stability assessment(TSA)and impr
3、oving computational efficiency.In this paper,the progress of the research on applying artificial intelligence and data mining to TSA of power system in recent years is summarized.The research results of data preprocessing methods such as principal component analysis,genetic algorithm,rough set and i
4、nformation entropy concerning with the research on TSA and the pattern recognition methods by neural network and support vector machine as well as visualization display are analyzed and compared in detail;the problems existing in these methods are pointed out,and the development trend of these metho
5、ds in future is prospected.KEY WORDS:power system；transient stability assessment；artificial intelligence；data mining 摘要：人工智能和数据挖掘在发现潜在问题和提高计算效率等方面有较大的优越性。综述了几年来人工智能与数据挖掘等技术应用于电力系统暂态稳定评估所取得的研究成果。对所涉及的主成分分析、遗传算法、粗糙集、信息熵等数据预处理方法，神经网络与支持向量机等分类器，可视化显示等方面的研究成果进行了深入的分析和比较，指出了存在的问题，并对以后的发展方向进行了一定的展望。关键词：电力系
6、统；暂态稳定评估；人工智能；数据挖掘 0 引言 电力系统的暂态稳定是一个非常重要的问题，一直得到国内外的重视。随着大区域电网的互联，局部电网故障可能影响邻近区域甚至造成大面积停电。电力市场的确立和输电网的开放增加了电力系统稳定控制的不确定因素。电力系统暂态稳定评估(transient stability assessment，TSA)得到人们的广泛关注，已取得许多研究成果。电力系统TSA的重要目标是快速地评估系统运行状态的稳定类型，筛选出各种威胁系统暂态稳定的严重故障，并能够为预防控制和紧急控制提供信息。已有 TSA 方法主要分为 2 类：1）基于数学模型的方法，包括时域仿真法(或数值积分法)
7、1、基于Lyapunov 稳定判据的能量函数法(直接法)1、扩展等面积法2、动态安全域法3等，其特点是计算准确，不足是当系统规模很大时，在线计算量大、仿真时间长、很难满足 TSA 在线评估的需求；2）基于样本知识学习的数据挖掘的模式识别，包括人工神经网络(artificial neural networks，ANN)、支持向量机(support vector machine，SVM)等分类方法4-39，其特点是不需要建立数学模型，通过离线学习和在线评估将样本数据向高维空间进行合理的映射，计算量小、评估速度快，在发现潜在问题、预见规律及提高计算效率等方面有优越性。1 数据挖掘原理 数据挖掘是指从
8、大量数据中提取或挖掘有用的知识4。对电力系统暂态稳定评估来说，就是用大量的电网运行数据评估系统当前的暂态稳定/非稳定类型及稳定程度等。数据挖掘知识的过程遵循一定的基本步骤。实际的数据挖掘是对几个基本步骤的循环尝试，通过大量的离线训练直到找到满意的模型，然后进行在线评估。1）数据的准备。TSA 首先离线(或在线)获得电力系统运行中海量的原始数据，或者利用时域仿真等方法在系统模型上设置各种预想事故从而产生仿真样本，然后从中提取需要的特征量数据。2）清理与集成。数据清理是消除与噪声不一致的数据；数据集成是将多种数据源组合在一起。3）选择与转换。选择是从数据库中提取与分析第 33 卷 第 20 期 电
9、 网 技 术 89任务相关的数据，变换是把数据变换成适合挖掘的形式，如汇总或聚集操作。TSA 可采用遗传、模拟退火、粒子群、主成分分析、信息熵与粗糙集、模糊聚类等方法对数据进行合并、降维等预处理5-29。4）数据挖掘。TSA 采用 ANN、SVM 等分类器进行分类。5）评估与表示。模式评估是指根据某种兴趣度度量、识别、提供真正有趣的模式；知识表示是使用可视化和知识表示技术，向用户提供挖掘的知识。2 模式识别技术在 TSA 中的应用 2.1 TSA 的数据预处理 输入特征变量的选取和分类器的设计是 TSA的首要问题，影响评估的精度和速度。分类器本身不能解决输入特征变量选取问题，因此需要对输入变量
10、做特征选取、压缩与降维等预处理，缩减样本空间、提高评估速度但又不影响评估精度。电力系统暂态稳定过程所包含的数据数量巨大，空间上分布在多点，时序上分稳定、故障发生时、故障切除时暂态稳定 3 阶段。输入特征量的选取遵循主流性原则(取作用较大的原始特征)、0+原则(扰动刚发生时刻的系统量)、系统性原则20,22。由于稳定状态样本数量巨大、特征量差别非常小，形成大量的相近样本，因此需要对这些数据做有效压缩。已有研究采用遗传算法(genetic algorithm，GA)、模拟退火、改进粒子群优化、主成分分析(principal components analysis，PCA)、信息熵与粗糙集、模糊聚类
11、等做数据预处理22-29。文献19为避免重复训练以至无法收敛的情况，采用模糊聚类分析和矢量量化法对样本聚类，将训练样本合并成少数具有代表性的样本。遗传算法由于优化时不易陷入局部极小的特点被用于TSA 的特征选取20-22。文献20将遗传算法和模拟退火算法相结合，利用类内离散度与类间离散度的比值，作为特征选择的适用度函数，完成原始输入空间的降维处理。对于从样本的发电机功角、角速度、端电压、有功功率、无功功率及机械功率等原始参数获得的发电机初始或故障切除时的最大加速度、最大转子动能、转角，所有发电机初始加速度的均方差等 34 个初始综合性系统特征，从中选择出 11 个特征组成的最优特征集，更好地反
12、映系统的动态特性。遗传模拟退火算法综合 2 种算法的优点，又通过算法的匹配克服了两者的缺陷，具有良好的性能。文献22分别将由 4 个故障发生前的稳态状态量、16 个故障时刻特征量和 8 个故障切除时暂态状态量组成的 28 个特征量，与由部分稳态特征量、部分故障时特征量和部分暂态特征量构成的 8 个综合特征量，作为 BP 算法和遗传算法相结合的评估模型的输入量进行对比实验发现，后者输入量仍能保持良好的识别效果。PCA 是一种把原来多个指标化为少数几个互不相关综合指标的多元统计方法，被用于 TSA 的特征提取23-25。PCA 在不损失原始数据主要信息、不影响评估效果的前提下，用少量有代表性的综合
13、特征构建新的输入空间，明显降低了输入空间维度，但失去了特征量的原始物理意义。文献23针对传统 PCA 在数据标准化和处理非线性问题方面存在的局限性，提出均值法和非线性主成分分析的改进方法，既保证特征变量间的正交性，又降低了原输入空间的维度。文献24结合 PCA 特征提取和 GA特征选择，最终得到 7 个综合特征变量保持了原有40 个特征变量的分类能力，将训练数据集压缩为82.5%；压缩前后的稳定评估正确率完全一致，同时发现使类内类间距离判据达到最优值的特征组合不一定全由主分量特征构成，次分量特征的作用不应被轻易忽视。类似地，文献25采用基于 GA的 PCA 特征选择，从 IEEE 16 机(5
14、0 机)系统的 74个(142 个)系统特征中，选出 6 个(10 个)初始特征，使特征维数压缩到 1/10。为压缩训练样本集的规模，文献26-27采取信息熵对原始的连续变量做离散化处理，首先做矢量空间聚类，再将每个聚类在各属性轴上投影的边界设为候选离散断点，利用基于信息熵的正交化增益函数选择断点进行离散，挑选评估值最大的断点组合作为最终的离散化断点，实现对离散后数据的压缩。文献26在采取信息熵的基础上，结合粗糙集方法，通过检查各决策表的不匹配度获得优化的条件属性组合，进而获得缩减后离散的决策表。模糊方法被用于寻找聚类中心和各样本最佳的分断 点24,28，对训练样本采用模糊聚类算法聚类，获得样
15、本集的聚类中心和样本与各聚类中心的隶属度，结合信息熵找到最佳的断点组合，利用这些断点将连续的特征输入变量离散化，实现压缩样本集。粒子群算法是一种基于群智能方法的优化算法，因此二进粒子群优化算法被引入 TSA 的特征选择上29。每个粒子代表一个待选择特征集，计算每个粒子的适应度值更新全局最优值与个体极值，通过群体中各粒子之间合作与竞争产生的群体智能童晓阳等：数据挖掘在电力系统暂态稳定评估中的应用综述 Vol.33 No.20 90 指导优化搜索，结合最小二乘支持向量机使用该特征集对应的样本集分类正确率作为该粒子的适应度，找出一组适应度值最大的特征集。文献29通过对 EPRI-36 节点系统从 2
16、0 个特征量中选取 5 个特征量，样本集压缩到原来的 25%，分类正确率提高 9.6%。文献19采用多相粒子群优化算法训练神经网络，以误差平方和的均值作为粒子的适应度，使最后的适应度数值尽可能小，获得最优的神经网络权值，减少误分类，改进 ANN 误差反向传播算法训练时间较长、易陷入局部极小点等缺点，提高ANN 训练的收敛性和稳定分类的正确率。2.2 神经网络在 TSA 中的应用 神经网络是一种成熟的非线性分析工具。目前大多数神经网络以稳定分类为输出目标，利用神经网络可逼近连续可导的非线性函数的能力，建立输入特征量与稳定分类之间的映射关系。经过大量样本数据对神经网络的训练，可建立输入与输出间的函
17、数映射。自 20 世纪 90 年代以来，大量文献研究应用神经网络进行 TSA5-18,40-42，如误差反向传播网络(back propagation neural networks，BPNN)5-14、径 向 基 函 数 网 络(radial basis function neural network，RBFNN)15-16、自组织网络(self-organizing networks，SON)17。BPNN 是较成熟的神经网络。SON 具有自组织聚类能力，可用来对输入数据的预聚类和初步分类。文献6-7在学习算法、模型结构、样本数据信息方面对 BP 网络的收敛性进行了深入研究，提出动态误差函
18、数 BP 算法，提高网络的学习速度。文献13提出一种半监督 BP 算法，不需要指定 ANN的期望输出，只需知道样本的状态，生成一个连续的稳定指标表示相对稳定度和划分类间边界区。采用Sammon的可分性，将边界区样本分为不确定类，避免误分类。但该算法的运算量仍很大，收敛速度较慢。RBFNN 具有训练收敛速度快、避免陷入局部极小点的优点。文献15采用 RBFNN 对关键线路的暂态稳定极限功率做在线估计，利用正交最小二乘法确定隐节点的数目及网络结构。由网络输出对输入的一阶偏导近似获得极限功率对各机有功出力的一阶灵敏度。文献16比较了递归 RBF 网络和多层感知器(multi layer percep
19、tion，MLP)神经网络，用欧拉法对多个神经网络集成。IEEE 9 机测试系统上的实验表明，RBF 比 MLP 的评估效果好，原因是 RBF 基于局部泛化，MLP 基于全局泛化，该文献的不足是测试系统的规模较小。已有的研究成果表明，采用 ANN 进行电力系统 TSA 是可行的。但 ANN 存在 2 个问题：1）随着系统规模的扩大和训练样本数目的增加，训练速度慢的缺点较明显；2）由于 ANN 本身的局限性和暂态稳定评估问题输入空间的复杂性，神经网络的分类结果中不可避免地存在误分类现象。2.3 支持向量机与混合方法在 TSA 中的应用 支持向量机是一种基于统计的机器学习方法，能够有效解决小样本、
20、非线性以及高维的模式识别问题。它通过非线性变换，将输入向量映射到一个高维空间，在其中构造最优分类超平面，达到结构风险最小，保证“最坏情形下”的泛化能力。文献30-34采用 SVM 作为分类器取得了较好的效果，但单纯的 SVM 也有其缺点，其核参数选择至今无通用的方法，常用的核函数不一定是针对给定问题的最好映射，映射后的高维空间不一定是最有效的分类空间，计算较复杂，计算量大。为避免使用 SVM时只靠经验选取其中的 C 参数，文献33提出v-SVM，去掉 C 参数，增加参数 v 和，v 表示分类错误的上限与支持向量机数量的比率，表示超平面的偏差。v-SVM 分类器与标准 SVM 有类似的评估性能，
21、但在参数选择上优于后者。最小二乘支持向 量 机(least squares support vector machine，LS-SVM)是标准 SVM 的一种扩展，它将二次规划问题转化为线性方程组求解，降低计算复杂性，加快求解速度29,34。文献29采用 RBF 作为 LS-SVM的核函数，具有很高的正确率和较快的评估速度，较好地满足在线评估的需求。基于概率性贝叶斯学习网络的相关向量机(relevance vector machine，RVM)被提出用于 TSA35，采用只依赖于少量所谓“相关向量”的决策函数。SVM 中的支持向量机由边界线形成，很难区分靠近边界的样本，而 RVM的相关向量是由
22、 2 类特征量形成，远离分类边界。其仿真实验证明：1）RVM的多项式核函数优于RBF核函数；2）RVM 的分类性能优于 SVM。RV 的数量比 SV 少，减小了计算量，更适合于实际应用。尽管人们研究了 ANN、SVM、RVM 等分类器，但是采用单一分类器其评估效果并不如意，因此尝试将多种方法混合起来评估22,31,36-37,43。由于 BP 神经网络收敛速度慢、目标函数可能出现局部极小；遗传算法为保证解的精度使得编码后字符串相当长，导致遗传操作算子的计算量变大、计算时间很长。文献22将 BP 神经网络和遗传算法结合，当第 33 卷 第 20 期 电 网 技 术 91ANN 没有陷入局部极小点
23、时，遗传算法不参与运算过程，很大程度上可防止遗传算法收敛速度慢对整体算法的影响；当 ANN 陷入局部极小点后，遗传算法参与运算过程以优化权值和阀值，虽然收敛速度会减慢，但能改善收敛性。文献31利用信息融合思想，构造具有不同输入特征的多组子分类器，对各子分类器的结果在输出空间再进行信息融合，提高分类准确率。先构造针对 4 组不同输入特征的4 组弱子分类器，再构造一个融合 SVM 分类器，以回归方式融合作为最终判别结果。仿真结果表明，弱分类器的分类性能经过融合得到明显强化，融合结果比任一子分类器的都更准确。仅采用 ANN 有一定的误分类，文献36采用 ANN 和 D-S 证据理论的融合方法，将样本
24、分为稳定区、模糊区、失稳区，利用 D-S 证据理论实现时间域和空间域的决策级融合，提高 TSA 的可靠性，特别是样本处于模糊区时，D-S 证据理论能够较准确地判断其稳定性，增强模型的容错能力，优于单一的 ANN 评估。文献37提出一种基于复合人工神经网络的评估方法，该复合网络由 Kohonen 自组织神经网络与若干RBF 网络组成。通过 Kohonen 网将样本分成多个子类，如果检查某子类所有样本是稳定或不稳定，则可直接判为稳定子类或不稳定子类。若样本对应的子类为模糊子类或不属于 Kohonen 网的任何子类，则将样本输入 RBF 子网络评估。这样每个 RBF 网络只对一个子类样本训练，减轻训
25、练负担，有利于大电网多种运行方式下 TSA 的在线评估。2.4 TSA 的可视化及其他方面的研究 可视化研究也是 TSA 的一个重要方面，将数据形象地显示在二维平面上，便于观察数据的稳定与非稳定区域的分布，甚至系统运行过程中动态的变化趋势。文献13采用由 Sammon 提出的一种数据结构分析算法，将高维的输入空间通过非线性映射近似地转换为二维输入空间，在其上画出样本分布图，但是在该图上当不同类之间出现重叠时，对应的 TSA 输入空间不完全可分；文献17采用Kohonen 网将样本映射到二维平面，显示出各子类中样本的分布和稳定性，如果对应子类为稳定或不稳定，则经Kohonen网络可直接判为稳定或
26、不稳定。文献38采用一种改进的位置可调自组织映射，使得调节因子是伸缩的，可避免神经元的过度收缩，可视化效果有一定的改善。关联规则挖掘是数据挖掘重要的技术之一，目的是找出不同数据属性之间所存在的潜在关系规则。文献21采用关联分类法，设定合适的信任度和支持度阀值来生成所有的类关联规则，利用得到的规则对测试样本进行稳定性预测。文献27对基于单维关联规则寻找频繁项集的 Apriori 算法进行改进，利用支持度阀值和置信度阀值，实现多维关联规则的挖掘，找出暂态稳定特征属性之间以及特征属性与暂态稳定类别之间的关联关系，并对挖掘出的规则进行分析。另外文献40采用改进型模式发现算法来区分各个事件的发生，采用自
27、底而上的熵损失最小方法对数据分段，为各个时间计算其残值，根据结束条件确定各个事件。该算法优于传统的模式发现算法。仿真实验说明该算法能够判断出一些电网故障事件。3 数据挖掘 TSA 的今后工作 特征量的选取和压缩等处理是 TSA 的一个重要步骤，但在此方面已有文献并没有达成统一，原始输入量的数量与系统规模有关。人们逐步地认为应选取 3 阶段的数据作为输入变量，才能较完整地反映一个暂态稳定发生的全过程。目前常采用系统性原则来选取特征量，文献18还引入能量裕度特征量，通过在新英格兰 10 机 39 节点系统上的实验，证明引入该特征量能提高 BP 神经网络筛选故障的正确性，有效地减少了严重故障的漏判和
28、无害故障的误判。因此仍需要深入地研究特征变量的选取，在更大或实际系统上做更多的对比实验以确定合适的输入变量和数据压缩方法。TSA 的误判仍然是一个棘手的问题。从理论上讲，稳定区域与非稳定区域存在一定的临界区域，其中 2 类样本混杂在一起，不易区分其稳定性。已有文献多数采用稳定与非稳定的两分法，对于临界区域就不容易区分，因此一些研究提出输出量有稳定、非稳定、模糊(或不确定)3 种状态，并采用介于0 与 1 之间的稳定度指标进行评价。由此以后可进一步研究有 2 个子方向：1）如何对不同状态的样本集区别对待，采用多种或混合评估方法，可能会在评估正确性、减少误判、提高速度方面要好些，更好的分类算法有待
29、研究；2）如何在样本足够多的情况下找到临界区域，找到合适的稳定度参数来评价稳定(或非稳定)区域内各点到临界区域的距离。虽然在 TSA 的二维可视化方面已做了一些工作，但随着测试系统的增大，其数据分布较为复杂，稳定与非稳定样本的边界犬牙交错，已有工作没有涉及稳定临界面如何与各样本同时可视化显示，聚童晓阳等：数据挖掘在电力系统暂态稳定评估中的应用综述 Vol.33 No.20 92 类方法的不同导致两类数据的样本分布也不同。目前仅靠人的主观判断，今后需要建立一个综合指标表示各样本的稳定程度，并能直观地显示出系统稳定的变化趋势。文献40采用传统的中心复制原理构造了一个中心复制二维平面对在不稳定周期内
30、系统的稳定动态变化趋势进行可视化显示，数据挖掘的可视化研究可以借鉴。从在线评估的角度出发，如果拟评估的系统很大，需要采取分布式挖掘和数据融合的方法，由多个调度中心的分布式评估子系统并行工作、相互配合完成在线评估任务，还需要研究分布式挖掘子系统的划分、各子系统评估方法及其评估信息的再融合算法等。从在线评估实际系统的设计角度出发，需要考虑评估子系统的规模、评估准确性、运算代价(计算时间、所需计算机的资源)、可视化的准确性与界面的友好性等方面。它涉及到系统的组成、数据源的获取与传输、并行计算、信息融合等模块的设计。采用数据挖掘 TSA 的一个重要问题是所建立的评估模型不能有效地适应电网拓扑结构的变化
31、。电网拓扑结构较大的变化会影响输入量和模型的结构参数，需要重新进行学习和训练，尤其是对于ANN 等。虽然可通过对原始样本进行提取与压缩以获得有限的系统特征量，但还需要采用的样本尽量丰富，覆盖整个样本空间，以适应这种变化。4 结语 相对于传统方法，基于人工智能与数据挖掘的电力系统暂态稳定评估在模型构建、评估速度方面具有一定优势。各种 TSA 方法的研究表明，它们具有较好的评估效果，但仍需在特征输入量选择、样本空间压缩、分类器、可视化等方面做进一步研究，并研究实际在线评估系统的设计，便于更好的 应用。参考文献 1 Anderson P M，Fouad A APower system control
32、 and stability MNew York：IEEE Press，1994：15-30 2 Xue Y，Cutsem T V，Ribbens-Pavella MExtended equal area criterion justifications，generalizations，applicationsJIEEE Trans on Power Systems，1989，4(2)：44-52 3 余贻鑫，王成山电力系统稳定性理论与方法M北京：科学出版社，1999：10-26 4 韩家炜数据挖掘概念与技术M北京：电子工业出版社，2000：10-12 5 Sobajic D J，Pao Y
33、HArtificial neural-net based dynamic security assessment for electric power systemJIEEE Trans on Power Systems，1989，4(1)：220-228 6 唐巍，陈学允BP 算法应用于电力系统暂态稳定分析的新策略J电力系统自动化，1997，21(3)：47-50 Tang Wei，Chen Xueyun A new strategy of BP algorithm applying to transient stability analysis of power systemJAutoma
34、tion of Electric Power Systems，1997，21(3)：47-50(in Chinese)7 唐巍神经网络在电力系统暂态稳定分析与控制中的应用D哈尔滨：哈尔滨工业大学，1997 8 Hobson E G NEffectiveness of artificial neural networks for first swing stability determination of practical systemsJIEEE Trans on Power Systems，1999，9(2)：1062-1068 9 戴仁昶，张伯明基于人工神经网络暂态稳定分析J电力系统自动
35、化，2000，24(12)：1-3 Dai Renchang，Zhang BomingTransient stability assessment based on ANNJAutomation of Electric Power Systems，2000，24(12)：1-3(in Chinese)10 Krishna S，Padiyar K R Transient stability assessment using artificial neural networksC Proceedings of IEEE International Conference on Industrial
36、Technology，India，2000 11 顾雪平，曹绍杰，张文勤人工神经网络和短时仿真结合的暂态安全评估故障筛选方法J电力系统自动化，1999，23(8)：16-19 Gu Xueping，Tso S K，Zhang WenqinIntegration of ANNs and short-duration numerical simulation for contingency screening of transient security assessmentJ Automation of Electric Power Systems，1999，23(8)：16-19(in Chin
37、ese)12 张琦，韩祯祥，曹绍杰，等用于暂态稳定评估的人工神经网络输入空间压缩方法J电力系统自动化，2000，25(2)：32-35 Zhang Qi，Han Zhenxiang，Tso S K，et al Input dimension reduction in neural network training for transient stability assessment JAutomation of Electric Power Systems，2000，25(2)：32-35(in Chinese)13 顾雪平，曹绍杰，张文勤基于神经网络暂态稳定评估方法的一种新思路J中国电机工程
38、学报，2000，20(4)：77-82 Gu Xueping，Tso S K，Zhang WenqinNew framework for transient stability assessment based on neural networks JProceedings of the CSEE，2000，20(4)：77-82(in Chinese)14 Amjady NTransient stability assessment by a new artificial neural networkCIEEE Power Engineering Society Winter Meeting
39、 Singapore，2000 15 刘玉田，林飞基于相角测量技术和模糊径向基网络的暂态稳定性预测J中国电机工程学报，2000，20(2)：45-48 Liu Yutian，Lin Fei Application of PMU and fuzzy radial basis function network to power system transient stability predictionJ Proceedings of the CSEE，2000，20(2)：45-48(in Chinese)16 Bahbah A G，Girgis A ANew method for generat
40、ors angles and angular velocities prediction for transient stability assessment of multimachine power systems using recurrent artificial neural networkJIEEE Trans on Power Systems，2004，19(2)：1015-1022 17 周伟，陈允平自组织映射神经网络用于暂态稳定性分析的研究J电力系统自动化，2002，26(15)：33-38 Zhou Wei，ChenYunpingSelf-organizing mappin
41、g(SOM)neural networks for power system transient stability assessment JAutomation of Electric Power Systems，2002，26(15)：33-38(in Chinese)18 顾雪平，曹绍杰神经网络在暂态稳定评估中应用的研究述评J华北电力大学学报，2003，30(4)：11-16 Gu Xueping，Tso S KResearch overview of neural-network applications to transient stability assessment of pow
42、er systems JJournal of North China Electric Power University，2003，30(4)：第 33 卷 第 20 期 电 网 技 术 9311-16(in Chinese)19 王成山，曹旌，陈光远基于聚类分析的电力系统暂态稳定故障筛选J电网技术，2005，29(15)：18-22 Wang Chengshan，Cao Jing，Chen Guangyuan Power system transient stability contingency screening based on clustering analysisJPower Sy
43、stem Technology，2005，29(15)：18-22(in Chinese)20 曹曼 基于遗传模拟退火算法的暂态稳定评估特征选择D 北京：华北电力大学，2006 21 于之虹，郭志忠遗传算法在暂态稳定评估输入特征选择中的应用J继电器，2004，32(1)：16-20 Yu Zhihong，Guo ZhizhongFeature selection based on genetic algorithm for transient stability assessmentJRelay，2004，32(1)：16-20(in Chinese)22 仇向东，禹成七，龚仁敏基于人工神经网
44、络与遗传算法的暂态稳定评估J华北电力大学学报，2002，29(3)：48-51 Qiu Xiangdong，Yu Chengqi，Gong RenminTransient stability assessment method based on back propagation algorithm and genetic algorithmJJournal of North China Electric Power University，2002，29(3)：48-51(in Chinese)23 于之虹，郭志忠改进主成分分析法用于暂态稳定评估的输入特征选择J电力自动化设备，2003，23(8
45、)：17-20 Yu Zhihong，Guo ZhizhongImproved principal component analysis to feature selection for transient stability assessmentJElectric Power Automation Equipment，2003，23(8)：17-20(in Chinese)24 于之虹，郭志忠基于数据挖掘理论的电力系统暂态稳定评估J电力系统自动化，2003，27(8)：45-48 Yu Zhihong，Guo ZhizhongA novel approach for transient st
46、ability assessment based on data mining theoryJAutomation of Electric Power Systems，2003，27(8)：45-48(in Chinese)25 向丽萍，王晓红，王建，等基于支持向量机的暂态稳定分类中的特征选择J继电器，2007，35(9)：33-37 Xiang Liping，Wang Xiaohong，Wang Jian，et alFeature selection for SVM based transient stability classificationJRelay，2007，35(9)：33-37
47、(in Chinese)26 李军，刘艳，顾雪平基于信息熵的属性离散化算法在暂态稳定评估中的应用J电力系统自动化，2005，29(8)：26-31 Li Jun，Liu Yan，Gu Xueping An entropy-based discretization method applied in transient stability assessmentJAutomation of Electric Power Systems，2005，29(8)：26-31(in Chinese)27 方怡，王建，王晓茹 电力系统暂态稳定评估的关联规则挖掘J 电力建设，2008，29(2)：83-86
48、Fang Yi，Wang Jian，Wang Xiaoru Association rule mining for power system transient stability evaluationJElectric Power Construction，2008，29(2)：83-86(in Chinese)28 刘菁基于模糊理论与人工神经网络的暂态稳定评估方法D上海：上海交通大学，2007 29 陈磊，刘天琪，文俊基于二进粒子群优化算法的暂态稳定评估特征选择J继电器，2007(1)：31-36 Chen Lei，Liu Tianqi，Wen JunFeature selection b
49、ased on binary particle swarm optimization for transient stability assessment JRelay，2007(1)：31-36(in Chinese)30 许涛，贺仁睦，王鹏，等基于统计学习理论的电力系统暂态稳定评估J中国电机工程学报，2003，23(11)：51-55 Xu Tao，He Renmu，Wang Peng，et al Power system transient stability assessment based on statistic learning theoryJProceedings of the
50、 CSEE，2003，23(11)：51-55(in Chinese)31 马骞，杨以涵，刘文颖，等多输入特征融合的组合支持向量机电力系统暂态稳定评估J 中国电机工程学报，2005，25(6)：17-23 Ma Qian，Yang Yihan，Liu Wenying，et alPower system transient stability assessment with combined SVM method mixing multiple input featuresJProceedings of the CSEE，2005，25(6)：17-23(in Chinese)32 Moulin