文献综述（或调研报告）：
基于数据继承思想的电力系统暂态稳定预测文献综述
摘要：随着电网规模的扩大以及新能源的大规模并网，电力系统运行控制中的不确定性和复杂性增加，大量研究表明，实时地对系统稳定性进行评价，能够为系统运行人员提供充足的时间去启动预防或者校正措施，从而可减小电力系统发生故障的风险。在电力系统稳定性评价方面，传统的时域仿真法，虽能保证准确性和适应性，但所需计算时间较长，难以及时提供系统的状态信息。近年来，人工智能和机器学习技术迅速发展，由于其处理非线性问题独具优势，已经作为电力系统快速安全稳定分析功能的支持工具被广泛使用这类数据处理技术的应用，可以大大缩短预测系统稳定信息所需的时间，弥补时域仿真方法的不足。其中常见的智能方法包括，神经网络方法、决策树方法和支持向量机等。电力系统运行状态的不断变化，使样本数据的规模迅速增长，因此在电力系统中应用时，这些方法应当具有实时预测和在线学习的能力，以保证准确可靠的应用效果。
关键词：暂态稳定；实时预测；在线学习
1.1引言：随着电力系统的复杂程度不断增大，非线性不确定性因素不断增多，传统的在线预测方法训练时间长，已经不能满足在线快速判断响应的需求。ELM因其较少的培训时间,能通过计算广义逆矩阵，获得中性网络的参数，并且在训练期间不需要迭代调整网络参数等优点而被广泛用于工程应用[1]。考虑到电力系统的两个典型特征：时变和数据增加，提出了两种预测模型更新方法：转移学习和增量学习[10]。转移学习应用于将样本添加到训练样本不足的时变系统，增量学习用于通过不断增加的训练样本来更新预测模型。
2.1功角轨迹预测方法
目前电力系统预测技术方面的研究中，按照物理表征[2]可分为电压稳定预测、频率稳定预测和功角稳定预测。在本文中，主要考虑电力系统暂态过程的功角稳定预测。电力系统暂态过程功角轨迹预测方法，可分为两类。一类是不考虑电力系统元件和网络模型，通过数学方法拟合的曲线外推法；另一类是，从电力系统模型简化或数值计算方法改进的角度出发的快速时域仿真法。该方法的特点是，能够获得电力系统暂态过程中轨迹变化的趋势，并通过与给定的阈值比较，确定系统暂态过程的功角稳定性。
2.1.1曲线外推法
曲线外推法是电力系统功角轨迹预测最直接的方法，利用数学方法和数学公式，对观测时间窗内电力系统的量测信息进行拟合，以预测发电机的功角轨迹。该方法不依赖于电力系统模型，具有预测速度快的特点。但是，该类方法完全基于数值分析和数据挖掘，忽略了电力系统数学模型和参数的作用，难以计及电力系统暂态过程功角轨迹的非线性特征。因此，文献[3]基于相同运行工况下，发电机功角轨迹具有相似的动态变化过程的假设，在完全基于数学方法预测的基础上进行了扩展，首先利用离线仿真获取不同运行方式下发电机的功角变化轨迹，并根据轨迹特征的相似程度进行聚类分析，形成发电机功角轨迹模式库（PTSPD）。对电力系统功角轨迹进行在线预测时，将实时电力系统量测信息与功角轨迹模式库的标准模式按照相似程度进行对比匹配，获得电力系统功角轨迹的预测结果。该方法的预测效果，与功角轨迹模式库中标准模式的丰富程度有关，且基于离线数据构造的模式库，在实际应用时预测结果可能存在一定的偏差。[4]针对给定的非线性动态系统的某一时域动态响应序列通过takens延迟嵌入定理 去重构整个系统的动态特性。重构相空间中的轨迹与原空间轨迹具有相同的动态特性，其最大指数发散率MLE具有相同的符号，引用[5]指出任一维变量的时序变化轨迹与原空间轨迹具有相同的MLE符号，最终通过MLE轨迹曲线直接判断系统的暂态稳定情况。
