摘要
摘要：暂态稳定评估（transientstabilityassessment，TSA）在电力系统规划和运行中具有重要意义。随着智能电网的飞速发展，高比例新能源、高比例电力电子设备接入电力系统，系统运行特性发生了显著变化。这些因素增加了电力系统暂态稳定风险，对TSA的快速性和准确性提出了更加严格的要求。随着同步相量测量单元（phasormeasurementunit，PMU）在电力系统中的广泛安装和通信技术的快速发展，控制中心能够实时采集电力系统运行数据和存储历史数据，这为基于机器学习的TSA提供了数据支撑。但在实际电力系统运行场景中，系统发生暂态失稳的情况并不多见，这导致用于TSA的不稳定样本远少于稳定样本，数据集中存在样本不平衡问题。因此，基于机器学习的TSA方法能更完整地学习到与稳定样本相关的信息，而对不稳定样本信息的学习不够充分，导致训练好的评估模型更加侧重于稳定样本，进而产生对不稳定样本的误判。基于此，本篇文章对基于隐式形积分法的电力系统暂态稳定进行研究，以供参考。
出版日期
2022年08月26日（中国期刊网平台首次上网日期，不代表论文的发表时间）
