第33卷第20期电网技术Vol.33No.202009年12月PowerSystemTechnologyDec.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：470·40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）ASurveyonApplicationofDataMininginTransientStabilityAssessmentofPowerSystemTONGXiao-yang，YESheng-yong（SchoolofElectricalEngineering，SouthwestJiaotongUniversity，Chengdu610031，SichuanProvince，China）ABSTRACT:Artificialintelligenceanddataminingpossess电力系统TSA的重要目标是快速地评估系统运obvioussuperiorityinfindingpotentialproblemsduringonline行状态的稳定类型，筛选出各种威胁系统暂态稳定andofflinetransientstabilityassessment(TSA)andimproving的严重故障，并能够为预防控制和紧急控制提供信computationalefficiency.Inthispaper,theprogressofthe息。已有TSA方法主要分为2类：1）基于数学模researchonapplyingartificialintelligenceanddataminingto型的方法，包括时域仿真法(或数值积分法)[1]、基于TSAofpowersysteminrecentyearsissummarized.TheLyapunov稳定判据的能量函数法(直接法)[1]、扩展等researchresultsofdatapreprocessingmethodssuchas面积法[2]、动态安全域法[3]等，其特点是计算准确，principalcomponentanalysis,geneticalgorithm,roughsetandinformationentropyconcerningwiththeresearchonTSAand不足是当系统规模很大时，在线计算量大、仿真时thepatternrecognitionmethodsbyneuralnetworkandsupport间长、很难满足TSA在线评估的需求；2）基于样vectormachineaswellasvisualizationdisplayareanalyzed本知识学习的数据挖掘的模式识别，包括人工神经andcomparedindetail;theproblemsexistinginthesemethods网络(artificialneuralnetworks，ANN)、支持向量机arepointedout,andthedevelopmenttrendofthesemethodsin(supportvectormachine，SVM)等分类方法[4-39]，其特futureisprospected.点是不需要建立数学模型，通过离线学习和在线评KEYWORDS:powersystem；transientstabilityassessment；估将样本数据向高维空间进行合理的映射，计算量artificialintelligence；datamining小、评估速度快，在发现潜在问题、预见规律及提摘要：人工智能和数据挖掘在发现潜在问题和提高计算效率高计算效率等方面有优越性。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1数据挖掘原理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、信息熵等数据预数据挖掘是指从大量数据中提取或挖掘有用[4]处理方法，神经网络与支持向量机等分类器，可视化显示等的知识。对电力系统暂态稳定评估来说，就是用方面的研究成果进行了深入的分析和比较，指出了存在的问大量的电网运行数据评估系统当前的暂态稳定/非题，并对以后的发展方向进行了一定的展望。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关键词：电力系统；暂态稳定评估；人工智能；数据挖掘骤的循环尝试，通过大量的离线训练直到找到满意0引言的模型，然后进行在线评估。电力系统的暂态稳定是一个非常重要的问题，1）数据的准备。TSA首先离线(或在线)获得电一直得到国内外