极限学习机和遗传算法在暂态稳定评估特征选择中的应用.pdf

第 2 8 卷 第 1 2 期 2 0 1 6年 1 2月 电 力 系 统 及 其 自动 化 学 报 P r o ce e d in g s o f t h e CS U EP S A Vo l| 2 8 No 1 2 D e e 2 01 6 极限学习机和遗传算法在暂态稳定评估特征选择中的应用 卢锦玲， 於慧敏 ( 华北电力大学电气与电子工程学院，保定 0 7 1 0 0 3) 摘要： 特征选择和空间降维是电力系统暂态稳定评估 中的关键步骤。针对国内外现有文献所提方法中存在的 效率低、 分解子集操作结果不理想等问题 ， 提出了基于极限学习机和遗传算法的输入特征选择方法。首先运用 遗传算法实现特征选择， 再输入优选后的子集， 利用极限学习机构造分类器加以稳定性评判。其中， 适应度函数 考虑了两个要素 ： 一是所选特征子集应对分类结果起到较为重要的作用 ； 二是用作输入的特征项尽可能精简。 在英格兰 l0机 3 9节点系统中进行仿真计算， 结果表明， 进行特征选择后分类效果优于未进行特征选择情况， 与 其他文献所选的特征子集相比， 该方法所选特征子集的分类准确率更高， 证明了其有效性和优越性。 关键词： 电力系统； 暂态稳定评估 ； 特征选择； 遗传算法； 极限学习机 中图分类号： T M7 1 2 文献标志码： A 文章编号： 1 0 0 3 8 9 3 0 ( 2 0 1 6 ) 1 2 - 0 1 0 3 0 6 D O I ： 1 0 3 9 6 9 is s n 1 0 0 3 8 9 3 0 2 0 1 6 1 2 0 1 7 Ap p lica t io n o f Ex t r e me Le a r n in g M a ch in e a n d Ge n e t ic Alg o r it h m t o F e a t u r e S e le ct io n o f Tr a ns ie n t St a b ilit y As s e s s me nt L U J in lin g YU Hu imin ( S ch o o l o f E le ct r ica l a n d E le ct r o n ic E n g in e e r in g ， N o r t h C h in a E l e ct r ic P o w e r U n iv e r s it y ， B a o d in g 0 7 1 0 0 3 ， C h i n a) Ab s t r a ct ： F e a t u r e s e le c t i o n a n d in p u t d ime n s i o n r e d u ct io n a r e i mp o r t a n t f o r t h e t r a n s i e n t s t a b il it y a s s e s s me n t o f p o we r s y s t e m T o s o l v e t h e p r o b le ms i n t h e e x is t i n g f e a t u r e s e l e ct i o n me t h o d s ，s u ch a s lo w e ffi ci e n cy a n d u n s a t is f a ct o r y d e - co m p o s i n g s u b s e t r e s u lt ，a me t h o d is p r o p o s e d b a s e d o n e x t r e me l e a r n i n g ma ch i n e( E L M)a n d g e n e t i c a lg o rit h m F i r s t ，g e n e t i c a l g o ri t h m is u s e d t o r e a li z e f e a t u r e s e l e ct i o n T h e n t h e s e le ct e d f e a t u r e i s in p u t i n t o E L M cla s s i fi e r f o r t r a n s ie n t s t a b i li t y a s s e s s me n t T h e r e a r e t wo f a ct o r s i n co n s t r u ct i n g t h e fi t n e s s f u n ct i o n：o n e i s t h a t t h e s e l e ct e d f e a t u r e s u b s e t s h o u ld h a v e a g r e a t e r co n t ri b u t io n t o t h e cla s s ifi ca t io n；t h e o t h e r i s t h a t t h e a d o p t e d in p u t f e a t u r e s s h o u l d b e a s le s s a s p o s s i b l e T h e a p p l ica t io n t o a 1 0 - Ma ch i n e 3 9 - Bu s Ne w E n g l a n d p o we r s y s t e m in d i ca t e s t h a t t h e e f f e ct i s o b v i o u s ly b e t t e r a f t e r f e a t u r e s e l e ct i o n Co mp e d wi t h o t h e r me t h o d s in t h e li t e r a t u r et h e cla s s i fi ca t io n a ccu r a cy o f t h e p r o p o s e d a p p r o a ch is h i g h e r ， wh i ch d e mo n s t r a t e s i t s v a li d i t y a n d a d v a n t a g e Ke y W o r d s ： p o we r s y s t e m ； t r a n s ie n t s t a b ilit y a s s e s s me n t ；f e a t u r e s e le ct io n；g e n e t ic a lg o ri t h m ；e x t r e me le a r n in g ma ch i n e ( E L M) 特征选择1-2 1作为电力系统暂态稳定13 评估工作 的重要环节， 可以从冗杂、 无效的海量数据中提取 出有效信息， 是保证暂态评估结果的基础。国内外已 有许多学者从不同角度、 使用不同的人工智能算法 试图解决此问题 ， 例如模拟退火算法、 支持向量机 S V M ( s u p p o rt v e ct o r ma ch in e ) 、 蚁群优 化 A C O ( a n t co lo n y o p t imiz a t i o n ) 、 粒子群优化 P S O( p a r t icle s w a r m o p t i m i z a t i o n ) 、 交叠概率理论 、 T a b u 搜索技术等 。 这些方法虽然通过不同特征选择处理手段使暂态稳 定评估的准确率得以提高， 但均存在不同的缺陷。 文献【 l1 】 筛选 出具有代表性 的特征集 ， 包含 3 4 收稿 日 期： 2 0 1 5 0 5 2 7 ； 修回1 3 期： 2 0 1 6 0 5 1 0 个待选特征， 用T a b u 搜索技术进行搜索 ， 但是因为 对原始数据进行了离散化 ， 特征包含的信息量被削 减， 很大程度上影响了最终的分类结果。文献 1 2 1 中提出利用 S V M进行特征选择 ， 先用主成分分析法 和遗传算法G A( g e n e t i c a l g o r i t h m) 降低原始数据的 维度 ， 再运用因子负荷实现特征选择。这种方法针 对的是数据量大、 各特征之间有较高相关度的选择 问题 ， 对小规模的问题 ， 传统特征选择方法反而更 为有效。文献【 1 3 】 为解决人工神经网络A N N( a r t i fi ci a l n e u r a l n e t w o r k ) 在暂态稳定评估时遇到的瓶颈 问题 ， 基于决策表化简方法， 尝试一种降低A N N输 l0 4 电 力 系统 及 其 自动 化 学 报 第 1 2期 人维度新思路 ， 但该方法的规则会随着特征量属性 值维度的增加而变得复杂化， 而且对于连续属性的 处理较为困难。文献 1 4 】 探讨基于 P S O的特征选择 方案， 以提高评估精度作为目标函数 ， P S O算法对 优化值域连续问题的求解比较擅长， 在涉及组合优 化时， 也可以用P S O算法 ， 但相 比之下效率较低。 文献 1 5 将A C O 算法应用于特征选择 ， 其编码方式 为二进制型 ， 该方法 以特征子集维度尽可能少和误 分类率低为目标 ， 以最 b -乘S V M为分类器 ， 但是 此算法存在的问题是计算效率低 ， 耗时多， 在更为 复杂的系统上应用结果不够理想 。文献 1 6 】 利用遗 传算法和主成分分析结合实现输人空间降维， 其缺 点是主成分变换的特征成分含义不清楚 ， 采用类内 类间距离作为评估指标， 未充分考虑分类器性能对 特征量的相关约束。这些缺陷的存在制约了电力 系统暂态稳定评估效果 ， 因此， 亟需探索出一种更 加完善、 稳定的特征选择算法， 以简化分类器的设 计， 提高稳定评估精度。 极 限学 习机 E L M( e x t r e m e le a r n in g ma ch in e ) 作 为一类新兴神经网络模型， 相比早期反向传播 B P ( b a ck p r o p a g a t io n ) 、 径 向基核 函数 R B F ( r a d ia l b a s is f u n ct io n ) 模型 ， 其具有训练高速度 、 高泛化特性等突 出特点。遗传算法发展已久， 算法较为成熟， 可用 于全局寻优。本文将遗传算法和E L M相结合， 进行 电力系统暂态稳定评估。首先， 遗传算法用来进行 特征子集选取和评估 ， E L M用来进行学 习和预测 ， 计算在所选特征集合下的分类准确程度 。其次 ， 对 具体的操作流程予以详细叙述 ， 在此基础上设计仿 真算例加以讨论。最后 ， 对该方法特征选择 的结果 与未进行特征选择， 以及其他文献中采用不同方法 所取得的结果进行对 比， 验证 了该方法的优越性 。 1 E L M 和遗传算法在特征选择中的应用 1 1 基于 E L M 和遗传算法特征选择的基本原理 1 1 1 ELM E L M为了继 承前馈 型神经 网络 F N N( f e e d f o r w a r d n e u r a l n e t w o r k ) 的结构优势 ， 以及弥补其他 网 络类型存在的迭代次数多、 效率低 、 对相关参数设 置较为敏感等缺陷而提 出。其输入层的权 重和隐 藏层阈度是 随机设定的 ， 学习时的任务 目标是求解 输入加权系数的最小范数 。此特性使得极 限学习 机具有F N N 结构优势， 同时算法简单易行、 训练时 间短 、 泛化性极高。 假设有 组训练数据， 隐藏层单元个数为 ， 输入 向量 = ， ， ， 输出向量t j = ， ，2 ， ， f ， =l， 2 ， ， N ， 日= i 是隐藏层输 出矩阵 ， 激 活 函数用g ( ) 表示 ， 为权重 向量 ， 6 ， 代表中问层节点 的限值， 则 h = g ( + b ) 。单隐藏层网络结构可通 过变换隐藏层节点数量完全精确逼近输入数据， 即 卫 g ( w + 6 ) 卢 =t j ， J =1 ， 2 ， ， ( 1 ) i= l 若用 矩阵表示式 ( 1 ) ， 则可写成 邵 ：T， 其 中 = ， 】 为连接 隐藏层第 i个单元与输 出 单元的权向量 ， = f l， t ， ， 为最终的输出矩阵。 假设先随机定义单隐藏层神经网络输人权值 w j 和隐藏层阈值6 ， 然后用最小二乘法求解式( 1 ) 从 而得到输出层的权值， 其解为 = ( 2 ) 式中 是矩阵 的 M o o r e P e n r o s e 广义逆。 1 1 2 遗传算法 遗传算法解决优化问题时 ， 需要先对原始形态 的数据进行编码 ， 编码后 的形态为染色体 ， 不 同的 染色体代表着所求问题存在的可能解， 全部染色体 构成一个种群。为 了分辨每个个体性能的优劣 ， 针 对不同问题构造不 同的适应度 函数指标进行评判 ， 适应度估计结束便可施以相应遗传算子运算。重 复 以上步骤 ， 不断优化种群 ， 最终寻找到所求 问题 在可行域内的最佳求解方案。遗传算法在操作上 是并行的， 优胜虐汰， 逐步优化种群性能， 最终解决 问题 ， 具体流程步骤如图 1 所示 。 ( 1 ) 位串解码的参数 ( 2 ) 计算目标函数值 ( 3 ) 函数值想像适应 度值 映射 ( 4 ) 适应度值调整 3 个基本遗传算子 选择 、 交叉 、 变异 确定实际问题参数集 对参数集进行编码 初始化群体l 评价群体 l 满足停止规 否l l 一一 遗传操作 是 结束 图 1 遗传算法流程 F ig 1 Flo w ch a r t o f g e n e t ic a lg o r it h m 1 2 特征选择的实现 特征选择实质上属于组合寻优研究范畴， 其解 空间是全部可能解的并集 。本文 的解空间包括所有 待选特征中选择出维度为 d ( d D ) 的全体可能特征 第 2 8 卷 卢锦玲 ： 极限学习机和遗传算法在暂态稳定评估特征选择中的应用 。 1 0 5。 组合。由于能够代表初始特征子集的最少特征量个 数无法预先确定， 所以可从维度高的子集开始， 逐步 优化， 减少特征量个数， 直到满足结束条件为止。 将所选子集的评价工作总结为3 步。 步骤1 从大量特征项中划分出初始特征量 ， 组成最初的群体。该特征量的不同取值集合构成 不同个体， 一定数量的个体即为种群。个体代表相 应的可能解， 全部个体则构成解空间。 步骤2 按照所选特征子集， 从原始的训练样 本集中提取与之对应特征的数据， 未在特征子集中 的特征不进行数据提取 ， 这些训练样本均是 已知分 类的， 如此即得到简化后的训练集。 步骤3 对于筛选后的简化训练样本 ， 利用分 类器进行分类， 与事先已知的正确分类结果进行比 较， 观察分类正确的样本占总体样本的比例。如果 所有训练集都没有获得正确的分类 ， 显然所选的特 征项灵 敏度极差 ， 对 分类 的贡献度很低 ， 故将适应 度值定 为 0 ； 否则再进行适应度定义。图 2 为基于 E L M和遗传算法的特征选择方案流程。 图 2 基于 E L M 和遗传算法的特征选择方案流程 Fig 2 F lo w ch a r t o f f e a t u r e s e le ct io n b a s e d o n ELM a n d g e n e t ic a lg o r it h m 基于E L M和遗传算法的步骤可概括为 ( 1 ) 对样本加以编码 ， 随机构造原始解 ； ( 2 ) 对于编码后的样本， 用E L M进行模式识别， 得到识别判断准确度； ( 3 ) 根据识别的准确度和特征子集的大小计算 出每个样本的适应度函数值； ( 4 ) 对种群进行选择， 再对所选个体应用交叉、 变异算子进行相应遗传步骤， 产生后代种群， 经过 多次实验 ， 本文设置种群规模 =1 0 0， 进化代数 = 3 0， 交叉概率 P ： 0 8 5， 变异概率 P = 0 1 ； ( 5 ) 反复进化， 到满足结束条件为止。 经过上述特征提取和选择 ， 暂态稳定评估输人 特征 维 度 被 降低 ， 由原 来 的 2 3个 变 至 d个 ( d 2 3) ， 这样电力系统暂态稳定评估问题就变成 低维空间的分类识别问题。 1 3 算法实现相关设定 1 ) 编码形式 编码选用二进制形式， 将特征选择向量用一个 0 1 位串代 表 。编码 基因位置上的数字 为“ 1 ” 表示 该特征将人围当前子集， “ O ” 则代表未入围。 2 ) 适应度函数 适应度值是反映所选子集优劣程度的指标 ， 由 构造的适应度函数计算得到。对某个相对优秀的 特征子集而言， 应该满足两个关键因素 ： 一是所选 特征子集应对分类具有较大 的贡献 ， 也就是说根据 所选特征子集进行的分类识别应当有较高的成功 率； 二是随着特征向量维度的增加 ， 整个程序任务 量将大为提高， 所以优秀子集中的特征量个数不能 太多， 应越少越好。 根据 以上两个要素 ， 针对特征选择问题提 出下 述适应度求取方案 ： F= min W1 E+ ( n N ) ) ( 3 ) 式中： 表示模式识别错误率； n 表示特征子集所含 元素数； N为总特征数 目； 和 分别为保证较高 的识别成功率和尽量减少特征项个数两种要素的 权值 ， 可以根据具体问题进行适当的选择 ， 本文将 其比例设为1 ： 1 。 3 ) 遗传操作算子 对于遗传操作算子的选择， 分别采用轮盘赌选 择算子、 单点交叉算子、 基本位变异算子。 4 ) 结束条件 当整体种群的适应度趋于稳定， 变动范围小于 规定值， 那么认为种群已经完成了进化， 算法结束。 2 初始待选特征构造和样本集形成 2 1 初始特征量的选取 电力系统暂态是否处于稳定状态与其所受扰 动的模式密切相关 ， 明确所受扰动模式是暂态评估 工作的基础。针对 目前电力系统情况和现有的研 究策略， 暂态受扰模式的建立需两个步骤， 包括初 始输入特征求取和特征选择。在系统受扰模式构 造阶段， 本文将以下3 项基本原则作为参照 ： 主流 1 0 6 电力 系 统 及 其 自动 化 学 报 第 1 2 期 性原则 、 O 原则和系统性原则。 目前 ， 输入特征 的类别一般有两种 ： 一是单机 特征 ， 包括 可以表征单个发电机运行状况的特征 ， 单机特征用作初始特征存在的不足是数据量受系 统规模的影响很大 ， 当遇到大规模系统时， 容易发 生维度灾难 ； 二是系统特征， 经随机选择 、 集成可表 征整个系统状态的变量而构成 ， 系统特征的优点是 初始特征总量与系统规模无关 ， 对大 电力 系统的相 关分析效果更好 。本文在综合考 虑现有文献 中所 采纳的初始特征量基础上 ， 通过进行大量仿真计 算 ， 选取2 3 个系统特征构造初始特征集 ， 其具体含 义描述如表 l所示。 表 1 初始输入特征 T a b 1 F e a t u r e s o f in it ia l in p u t 特征量 物理描述 ， O 时刻 ， 所有系统中发电机最大转子加速度 扰动停止时 ， 系统中发电机的最大转子动能 拍 系统中加速度最大的发电机在O 时刻角度 扰动停止时， 转子动能最大的发电机所对应的转角 弘 扰动停止时， 转子角度最大的发电机所对应的动能 整个 系统 的能量变 动 新 所有发电机转子在扰动发生时刻对应最小加速度 系统 中所有发 电机在扰动发生 时刻 ， 加速度 的误差 ， 以均 托 方根形式表示 扰动停止时， 所有发电机的平均转子动能 扰动停止时， 最大的功角差 发电机扰动停止时最大动能之差 扰动停止时 ， 最大角速度之差 扰动发生时 ， 系统内发电机平均加速度 扰动尚未发生时总的机械功率 扰动发生时 ， 系统发电机承受最大有功冲击 扰动发生时， 系统发电机承受最小有功冲击 扰动发生时 ， 系统发电机承受最大无功冲击 扰动发生 时 ， 系统发 电机承受 无功冲击最 小值 扰动发生时， 系统中发电机承受的最大有功冲击归一值 孙 扰动发生时， 系统中发电机承受的最小有功冲击归一值 扰动停止时刻与结束之后稳定平衡点距离的量度 受扰最重发电机的失稳情况及结构变化程度的量度 扰动对系统冲击程度( 减速功率) 的量度 2 2 单个特征分类能力 为 了确定每个特征对分类结果的贡献 ， 评估其 分类能力， 本文通过P S A S P 仿真建立了含 1 2 0 0 个 样本的样本集。使用灰色关联度对待选的2 3 个特 征量分别与最终类属性进行相关性分析。类属性 表示某一故障状态下系统是否稳定， l表示稳定， 0 表示不稳定。类属性为特征选择提供了参考依据， 所选特征子集经过训练后得出的类属性值与仿真 结果一致性越高 ， 表明所选子集效果越好， 越具有 代表能力， 能够作为系统稳定评判依据的基础。 按照关联系数的数值从高到低排序， 各特征数 据如表 2 所示 。 表 2 输入特征灰色关联系数排序 Ta b 2 Or d e r in g o f t h e in p u t f e a t u r e s b y t h e ir g r e y co r r e la t io n f a ct o r s 3 仿真算例 3 1 系统仿真设定 本文选择新英格兰 l0 机3 9 节点系统作为测试 系统 ， 利用P S A S P 进行故障仿真模拟， 仿真模型如 图3 所示。故障及相关分布、 参数设置如下 ： 采用 经典发 电机模型 ， 模拟三相短路故障 ， 0 2 S 时恢复 正常工作 ， 相应系统结构在故障前后保持一致。系 统 中故 障分别 分布在 6 O 个 相异位 置 ， 考虑 8 0 、 9 0 、 1 0 0 、 1 1 0 、 1 2 0 共5 种比例的基准负荷， 对 每种基准负荷都设定4 种发电机出力， 总共采集到 1 2 0 0 组样本数据。调用其中9 0 0 组数据加以训练， 其余3 0 0 组供后续检验步骤使用。 3 7 I25 藜 图 3 新英格兰 1 O机 3 9节点系统 F ig 3 1 0 - M a ch i n e 3 9 - B us Ne w Eng l a n d p o we r s y s t e m 3 2 特征选择结果 在使用分类器进行稳定性评估之前， 对数据进 行离散化处理 ， 分别采用等频、 等距两种离散化方 式， 分析在不同离散数时误分类率情况， 结果如图4 撒 一孵 钾 一 叭 叫 叫 吣 咖 奖 序 一 3 4 5 6 7 8 9 O 1 2 3 排 一 1 l 2 2 2 2 欷 一 孔 盯 弭 驺 n 嘶 关 一 一 0 4 0 m u 一 第 2 8 卷 卢锦玲： 极限学习机和遗传算法在暂态稳定评估特征选择中的应用 1 0 7 所示。依据图4 中离散化处理结果， 本文最终选用 等频离散化 ， 离散数为 1 0 。 经过选择 ， 最终选取协 ， ， ， 作为最优特征子集。这几个特征量分别反映了受 扰动影响最大发电机的稳定情况、 受扰动影响最大 的发电机运行状态、 转子速度最快的发电机在扰动 停止后的性能恢复能力、 发电机转子加速运动的分 散程度 、 整个系统的动能变化情况 、 运行领先发 电 机与运行滞后发电机的角度差、 系统整体受到的扰 动影响、 在稳定运行阶段系统的整体发电量。 离散数 图4 不同离散数对评估结果的影响 F ig 4 I nfl u e n ce o f d iffe r e n t d is cr e t e n u mbe r s o n e v a lua t io n r e s u lt s 3 3 结果分析 所选的最优特征子集包含8 个特征量 ， 与未优 化时相 比特征空间压缩 为原来的 3 4 7 8 。将所选 取 的8 个特征量和未进行特征选择时 的2 3 个初始 特征量分别用E L M进行稳定性分类， 结果如表3 所 示 。从表 3中可以发现 ， 经过特征选择之后 的正确 归类比率比未优化之前明显提高， 但特征数减少为 原来的 1 3 。 表3 优化操作前后分类正确率 Ta b 3 Cl a s s i f ica t io n a ccu r a c i e s b e f o r e a n d a f t e r o p t i mi z a t i o n 特征 正确 率 未优化 2 3 个特征量 9 6 7 3 经过优化后 8 个代表性特征量 9 8 3 9 由最终所选的用作输人的特征集可见， 人选的 8 个特征量并非相关 系数最大的前 8 个 特征量。因 此， 分类性能的优劣是由特征子集构成输入空间的 可分性决定的， 类属性单个相关性从大到小排序前 8 位 的特征量并不一定组成最优特征子集。 将本文和文献 1 7 1 8 所选的相同维度的特征 子集分别作为E L M输入， 评判系统的暂态稳定性 ， 不同子集对应的误分类率如表4 所示。从表4 中发 现在相同特征子集维度下， 本文所选的特征子集误 分类率明显低于其他两子集的误分类率， 验证了所 提出的将E L M和遗传算法结合进行特征选择方法 的可行性 ， 且相 比其他方法更具有优越性 ， 所选子 集可以表征系统稳定水平。 表 4 误分类结果 Ta b 4 Re s u l t o f mi s cl a s s i fl ca t io n 特 征 误分类率 本文所选 8 个特征 文献【 1 7 所选 8 个 特征 文献 1 8 】 所 选 8 个特征 1 61 3 1 1 3 4 6 4 结语 本文对暂态稳定评估中的特征选择问题进行 了探讨。针对国内外现有特征选择方法的缺陷， 创 新采用将 E L M和遗传算法相结合的方法。遗传算 法用来进行最优特征子集选择 ， 在对数据进行稳定 分类时， 以E L M作为分类器。挑选 2 3 个特征量构 造待选特征集， 用P S A S P 进行仿真 ， 获得这些特征 量相关故障数据。相对传统B P 神经网络和其他算 法而言， 该方法不存在陷入局部最小点的缺陷， 降 维效果好 ， 速度快 ， 时间优势明显 。最终 ， 本文选 出 了含8 个特征量的优化特征集， 这 8 个特征量能很 好地表征系统稳定情况 。通过依 次与优化之前 的 特征子集以及其他文献所选最优子集比较发现， 本 文所选特征子集分类准确度明显提高， 说明了该方 法的科学性、 优越性 ， 为大系统暂态稳定评估的特 征选取提供新的思路。 参考文献： 1 】 潘学萍 ， 刘 良， 杜春雷， 等( P a n X u e p i n g ， L i u L ia n g ， D u C h u n le i， e t a 1 ) 选择合适的观测量提取电力系统的振 荡特征 ( Me a s u r e me n t s e l e ct io n f o r e s t im a t i n g o s cil la t io n ch a r a ct e r is t i cs in p o w e r s y s t e ms ) J 电力系统及其 自动 化学报 ( P r o ce e d i n g s o f t h e C S U E P S A) ， 2 0 1 5 ， 2 7 ( 2 ) ： 5 l- 5 6 2 1 K e z u n o v i c Mla d e n ， X ie L e ， G n j a lv a S a n t i a g o T h e r o le o f b ig d a t a i n i mp r o v in g p o w e r s y s t e m o p e r a t io n a n d p r o t e c t io n C I R E P S y m p o s iu m， R e t h y m n o ， G r e e ce ， 2 0 1 3 3 】 罗远翔， 杨仁刚， 蔡国伟 ， 等( L u o Y u a n x ia n g ， Y a n g R e n g a n g ， C a i G u o w e i， e t a 1 ) 大容量风电接入系统对网络暂 态能 量 的影 响 ( I mp a ct o n n e t w o r k t r a n s i e n t e n e r g y o f p o w e r s y s t e m i n t e g r a t e d w i t h l a r g e s ca le w i n d f a r m) J 电 力系统及其 自动化学报 ( P r o ce e d i n g s o f t h e C S U - E P S A) ， 2 0 1 4 ， 2 6 ( 1 ) ： 7 6 8 0 4 】 张翌晖 ， 王贺， 胡 志坚 ， 等 ( Z h a n g Yi h u i， Wa n g He ， H u Z h i j i a n ， e t a 1 ) 基于集合经验模态分解和改进极限学习 1 0 8 电 力 系 统 及 其 自动 化 学 报 第 1 2期 机的短期风速组合预测研究( A h y b ri d s h o r t t e r m w i n d s p e e d f o r e ca s t in g mo d e l b a s e d o n e n s e mb le e mp iri ca l mo d e d e co mp o s it io n a n d imp r o v e d e x t r e me le a r n in g ma ch in e ) 【 J 】 电力系统保护与控制 ( P o w e r S y s t e m P r o t e c t io n a n d C o n t r o 1 ) ， 2 0 1 4 ， 4 2 ( 1 0 ) ： 2 9 3 4 5 】 何川 ， 舒勤 ， 贺含峰( H e C h u a n ， S h u Q i n ， He H a n fon g ) I C A特征提取与 B P神经网络在负荷 预测中的应用 ( A p p li ca t i o n o f B P n e u r a l n e t w o r k a n d I C A f e a t u r e e x t r a c- t io n i n p o w e r lo a df o r e ca s t in g ) 【 J 电力系统及其 自动化 学报 ( P r o ce e d in g s o f t h e C S U E P S A) ， 2 0 1 4 ， 2 6 ( 8 ) ： 4 0 46 【 6 】 齐郑 ， 张惠 汐 ， 饶志 ， 等 ( Q i Z h e n g ， Z h a n g Hu i x i， R a o Z h i， e t a 1 ) 基于极限学习机的多信息融合区段定位方 法 ( Mu lt i in f o r m a t i o n f u s io n f a u lt lo ca t io n b a s e d o n e x t r e me le a r n in g m a ch i n e ) J 电力系统保护与控制( P o w e r S y s t e m P r o t e ct io n a n d C o n t r o 1 ) 。 2 0 1 4 ， 4 2 ( 1 9 ) ： 7 4 8 0 7 】 T s o S K， G u X P F e a t u r e s e l e ct i o n b y s e p a r a b il it y a s s e s s me n t o f in p u t s p a ce s f o r t r a n s i e n t s t a b i li t y c l a s s i fi ca t i o n b a s e d o n n e u r a l n e t w o r k s J I n t e r n a t io n a l J o u r n a l o f E le c t r i ca l P o w e r &E n e r g y S y s t e m s ， 2 0 0 4 ， 2 6 ( 3 ) ： 1 5 3 1 6 2 【 8 S a w h n e y H a r in d e r ， J e y a s u r y a B A f e e d - f o r w a r d a r t i f i cia l n e u r a l n e t wo r k wi t h e n h a n ce d f e a t u r e s e le ct io n for p o we r s y s t e m t r a n s ie n t s t a b il it y a s s e s s me n t J E l e ct ric P o w e r S y s t e ms R e s e a r ch ， 2 0 0 6 ， 7 6 ( 1 2 ) ： 1 0 4 7 1 0 5 4 9 19 马骞， 杨以涵， 刘文颖， 等( M a Q i a n ， Y a n g Y ih a n ， L i u We n y i n g ， e t a Z ) 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( P o w e r s y s t e m t r a n s ie n t s t a b i li t y a s s e s s me n t wit h co mb in e d S VM me t h o d mix in g mu lt ip le in p u t f e a t u r e s ) J 】 中国 电机 工 程 学报 ( P r o ce e d in g s o f t h e C S E E) ， 2 0 0 5 ， 2 5 ( 6 ) ： 1 7 2 3 【 1 0 】叶 圣永 ， 王 晓茹 ， 刘 志 刚 ， 等 ( Y e S h e n g y o n g ， Wa n g X i a o r u ， L iu Z h ig a n g ， e t a 1 ) 基于随机森林算法的电力系 统暂态稳定性评估( T r a n s i e n t s t a b il it y a s s e s s m e n t b a s e d o n r a n d o m f o r e s t a lg o r i t h m) J 西南交通大学学 报 ( J o u r n a l o f S o u t h w e s t J i a o t o n g U n i v e r s i t y ) ， 2 0 0 8 ， 4 3 ( 5 ) ： 5 7 3 5 7 7 1 1 】顾雪平， 张文朝( G u X u e p i n g ， Z h a n gWe n ch a o ) 基于T a - b u搜索技术的暂态稳定分类神经网络的输人特征选 择 ( F e a t u r e s e l e ct i o n b y T a b u s e a r ch for n e u r a l n e t w o r k b a s e d t r a n s ie n t s t a b i li t y cl a s s i fi ca t i o n ) 中国电机工程 学报( P r o ce e d i n g s o f t h e C S E E) ， 2 0 0 2 ， 2 2 ( 7 ) ： 6 6 - 7 0 1 2 】向丽萍 ， 王晓红 ， 王建 ， 等( X ia n g L i p in g ， Wa n g X i a o - h o n g ， Wa n g J i a n ， e t a 1 ) 基于支持向量机的暂态稳定分 类 中的特征选择( F e a t u r e s e l e ct i o n f o r S V M b a s e d t r a n s i e n t s t a b il it y cl a s s i fica t i o n ) J 继 电器 ( R e l a y ) ， 2 0 0 7 ， 3 5 ( 9 ) ： 1 7 2 1 1 3 陈磊， 刘天琪， 文俊( C h e n L e i， L iu T i a n q i， We n J u n ) 基 于二进制粒子群优化算法的暂态稳定评估特征选择 ( F e a t u r e s e l e ct i o n b a s e d o n b in a r y p a r t i cle s w a r m o p t i m i z a t io n for t r a n s i e n t s t a b i li t y a s s e s s me n t ) J 】 继 电器 ( R e la y ) ， 2 0 0 7 ， 3 5 ( 1 ) ： 3 1 3 6 ， 5 O 1 4 】张琦 ， 韩祯祥， 曹绍杰， 等( Z h a n g Q i， H a n Z h e n x i a n g ， T s o s K， e t a 1 ) 用于暂态稳定评估的人工神经网络输入空 间压缩 方法 ( I n p u t d i m e n s io n r e d u ct io n in n e u r a l n e t w o r k t r a i n i n g f o r t r a n s ie n t s