"基于模式识别的电力系统暂态稳定评估综述"
本文综述了基于模式识别的电力系统暂态稳定评估技术，涵盖特征选择、评估模型构建、在线学习和规则提取四个方面。暂态稳定评估是关系到电力系统安全稳定运行的重要问题，传统的时域仿真法和直接法无法满足电网运行的实际要求，基于模式识别的暂态稳定评估日益受到国内外研究人员的关注。
特征选择
特征选择是基于模式识别的暂态稳定评估的首要工作，该问题属于典型的组合优化问题。文献[4]提出了一种基于神经网络的暂态稳定评估方法，并且采用Fisher判别法对输入特征进行了选择。文献[5]提出了一种基于支持向量机的两阶段特征选择方法。文献[6]提出了一种基于改进最大相关最小冗余判据的TSA特征选择方法。文献[7]提出了一种基于核模糊粗糙集和Memetic算法的TSA特征选择方法，并在实际系统进行了仿真验证。
模型构建
在分类问题中，合理的评估模型是确保复杂性与推广性二者间恰当平衡的关键，可避免“欠学习”或“过学习”等问题，提升模型的分类性能。文献[8]提出了一种基于决策树的TSA模型。文献[9]首次将人工神经网络用于构建暂态稳定评估模型。文献[10]提出了一种基于细菌群体趋药性（BCC）算法优化局部学习机的评估模型。文献[11]利用同步相量数据，提出了一种基于贝叶斯多核学习的TSA评估方法。文献[12]提出了一种基于极限学习机（ELM）的评估模型。文献[13]基于支持向量机理论，提出了一种适用于大规模电力系统的TSA模型。文献[14]提出了一种多特征融合的TSA方法。文献[15]提出了一种基于优化极限学习机的TSA方法，并采用改进粒子群算法优化评估模型的参数。
在线学习
考虑到在实际应用中训练样本无法覆盖系统的所有运行工况，加之运行方式的时变性，因此借助离线仿真训练所得到的评估模型对于在线评估不具备良好的适用性。为此，研究评估模型的在线学习能力具有重要意义。文献[16]的研究表明，在线SVR是一种有效的求解电力系统超短期负荷预测的在线学习算法；进而文献[17]提出了一种基于SVM增量学习的TSA方法。文献[18]提出了一种基于在线序贯极限学习机（OS-ELM）的TSA模型，增强了模型的在线学习能力。文献[19]提出了一种基于集成OS-ELM的评估模型，该模型采用OS-ELM作为弱分类器，并用在线Boosting算法提升模型的分类性能，从而实现模型的在线更新。文献[20]采用集成OS-ELM构建TSA评估模型，并采用二进制Jaya算法选取最优特征子集。
规则提取
规则提取是“黑箱型”机器学习系统的重要问题，目的是将学习机中所学到的知识以一种易于理解的方式表达出来。文献[21]提出了一种基于线性决策树的暂态稳定规则提取方法，但评估结果对样本构成敏感，而且决策知识的外延能力和鲁棒性较差。文献[22]提出了一种基于ELM和改进蚂蚁矿工算法的TSA规则提取方法，该研究对提升PRTSA方法的可理解性、解释性具有重要研究价值。
待研究的问题
新能源接入的影响
近年来，分布式电源在电力系统的接入比例日益增大，特别是微电网作为新能源接入的重要形式在电网中得到了大力推广。然而，新能源作为一种清洁能源，本身具有较强的不确定性，同时热电联产的接入又增加了问题的复杂性，这些对分析电力系统的暂态稳定性提出了新的挑战。因此，考虑大规模新能源接入的电力系统TSA是值得深入研究的新课题。
含VSC-HVDC系统的稳定评估
作为新一代直流输电技术，VSC-HVDC系统的稳定评估问题也需要深入研究。
