面向新能源电力系统的多元数据驱动型鲁棒自适应在线稳定评估

With large-scale renewable power energy resources (such wind and solar power) integration into the power system, the system is more vulnerable to instability. Based on the wide-area measurement system (WAMS), data-driven stability assessment strategy becomes more and more promising. This project aims to develop multi-data driven self-adaptive robust stability assessment methodologies, which will be able to counteract the renewable power uncertainties, and imperfect data (such as those caused by PMU missing data, noise, and time-delay). In particular, the major research contents in this project are 1) feature composition and feature learning, 2) bad-data tolerant stability database generation and training scheme, 3) robust learning against uncertain inputs, 4) stability assessment speed-accuracy optimal balancing and fast learning for emergency stability assessment. This project is a cross-disciplinary research for power system, artificial intelligence, and machine learning. The project outcomes can also be extended for similar machine learning problems under the complex uncertain environment.

随着大规模新能源（如风电、太阳能）的接入，电力系统运行中面临的安全稳定性问题日益突出。随着广域测量系统的逐步建立及人工智能技术的发展，数据驱动型电网稳定评估策略得到了广泛的关注。本项目以新能源电力系统为研究和应用对象，充分考虑大规模间歇性新能源的随机波动性以及广域量测与通信系统中出现的测量噪声等不利因素，力求深度融合利用多元数据（包括电网自身的同步测量数据、电网外部的气象数据等），研究数据驱动的鲁棒自适应电网稳定评估方法。研究内容包括（1）电网稳定评估输入特征的评价、重构及特征学习，（2）可容错的电网稳定数据库生成及训练策略，（3）含不确定输入的鲁棒学习及知识表征，（4）针对紧急型稳定评估的“精度-速度”平衡及快速学习算法。本项目为电力系统与人工智能、机器学习等领域的交叉课题，具有较高的可扩展性，在解决电网稳定评估问题的同时还有望应用于其他领域，处理在不确定复杂环境下的知识学习问题。

随着大规模新能源（如风电、太阳能）的接入，电力系统运行中面临的安全稳定性问题日益突出。随着广域测量系统的逐步建立及人工智能技术的发展，数据驱动型电网稳定评估策略得到了广泛的关注。本项目以新能源电力系统为研究和应用对象，充分考虑大规模间歇性新能源的随机波动性以及广域量测与通信系统中出现的测量噪声等不利因素，深度融合利用多元数据，研究了数据驱动的鲁棒自适应电网稳定评估方法。主要研究成果包括（1）电网稳定评估输入特征的评价、重构及特征学习方法，（2）可容错的电网稳定数据库生成及训练策略，（3）含不确定输入的鲁棒学习及知识表征方法，（4）针对紧急型稳定评估的“精度-速度”平衡及快速学习算法。本项目累计发表SCI期刊论文6篇，项目成果具有较高的可扩展性，有望应用于其他数据驱动的人工智能决策领域，处理在不确定复杂环境下的知识学习问题。