电力系统分析新兴技术

《电力系统分析新兴技术》主要介绍电力工业在新形势下出现的新挑战和新技术。内容包恬：概述、新兴技术基础、数据挖掘技术及其在电力工业的应用、网格计算、基于概率方法和确定方法的电力系统分析、相量测量单元及其在现代电力系统中的应用和新兴技术的发展趋势等。每个专题均有完整的实例研究。
《电力系统分析新兴技术》适合电气工程领域的研究生、研究人员及工程技术人员阅读。 

董朝阳，现为香港理工大学副教授，电力系统规划及系统分析专家。张沛现为埃森哲（Accenfure）智能电网总监，之前任美国电力科学研究院（EPRI）电力系统运行和规划部主任。 

第1章 概述
1.1 放松管制的规则
1.2 世界范围放松管制综述
1.2.1 管制与放松管制
1.2.2 典型电力市场
1.3 电力系统中的不确定性
1.3.1 负荷建模
1.3.2 分布式发电
1.4 形势意识
1.5 控制性能
1.5.1 分散保护与控制
1.5.2 集中防护与控制
1.5.3 现有防护协调系统可能存在的协调问题
1.5.4 种情况说明在防护和控制系统中的协调问题
1.6 总结
参考文献

第2章 新兴技术基础
2.1 电力系统连锁故障与分析技术
2.2 电力系统分析中的数据挖掘方法及应用
2.3 网格计算
2.4 随机性与确定性分析方法
2.5 相量测量单元（PMU）
2.6 拓扑法
2.7 电力系统脆弱性评估
2.8 总结
参考文献

第3章 数据挖掘技术及其在电力工业中的应用
3.1 引言
3.2 数据挖掘的原理
3.3 相关、分类与回归
3.4 现有的数据挖掘工具
3.5 基于数据挖掘的市场数据分析基础
3.5.1 电价预测介绍
3.5.2 电力市场中的价格尖峰
3.5.3 价格尖峰预测的构架
3.5.4 区间价格预测问题定式化
3.5.5 区间预测方法
3.6 基于数据挖掘的电力系统安全评估
3.6.1 背景知识
3.6.2 网络模式挖掘与不稳定性预测
3.7 个案研究
3.7.1 价格尖锋预测的个案研究
3.7.2 区间价格预测个案研究
3.7.3 安全评估个案研究
3.8 总结
参考文献

第4章 网格计算
4.1 引言
4.2 网格计算原理
4.2.1 结构
4.2.2 特征与功能
4.2.3 网格计算与并行计算
4.3 常用网格计算软件包
4.3.1 软件包
4.3.2 案例
4.3.3 电力系统中的应用软件
4.4 基于网格计算的稳定性评估
4.5 基于网格计算的可靠性评估
4.6 基于网格计算的电力市场分析
4.7 案例分析
4.7.1 概率潮流计算
4.7.2 电力系统故障分析
4.7.3 性能比较
4.8 总结
参考文献

第5章 基于概率方法和确定方法的电力系统分析
5.1 引言
5.2 确定对概率方法的需求
5.2.1 电力系统稳定性分析
5.2.2 电力系统可靠性分析
5.2.3 电力系统规划
5.3 概率分析方法
5.3.1 电力系统稳定性分析
5.3.2 电力系统可靠性分析
5.3.3 电力系统规划
5.4 概率稳定性分析方法
5.4.1 概率暂态稳定分析方法
5.4.2 概率小信号稳定性分析方法
5.5 概率可靠性分析方法
5.5.1 电力系统可靠性分析
5.5.2 概率可靠性评估方法
5.6 概率系统规划
5.7 案例分析研究
5.7.1 概率小信号稳定分析案例
5.7.2 概率潮流
5.8 总结
参考文献

第6章 相量测量单元及其在现代电力系统中的应用
6.1 引言
6.2 状态估计
6.2.1 概述
6.2.2 加权最小二乘法
6.2.3 增强的状态估计
6.3 稳定性分析
6.3.1 电压与暂态稳定性
6.3.2 小信号稳定性
6.4 事件识别和故障定位
6.5 增强情境意识
6.6 模型确认
6.7 个案研究
6.7.1 特征椭球的形成
6.7.2 特征椭球的几何属性
6.7.3 特征椭球的解释规则
6.7.4 仿真结果
6.8 总结
参考文献

第7章 新兴技术与发展趋势
7.1 识别新兴技术
7.2 新兴技术的趋势
7.3 进一步的阅读
7.3.1 碳排放交易机制和碳减排计划的经济影响
7.3.2 基于可再生能源的发电——风能
7.3.3 智能电网
7.4 总结
参考文献

附录
A.1 韦伯分布算例
A.2 特征值和特征向量
A.3 特征值和稳定性
参考文献
名词术语英汉对照 

    数据挖掘是在大规模数据库中识别隐藏的、潜在可用的和可理解的信息以及模式的过程；或简而言之，它是挖掘出来自于数据库的隐藏模式的过程。它是数据库的知识发现过程中的一个重要的步骤（Olaruand Wehenkel，1999）。数据挖掘在电力系统中的应用有很多，比如预测、安全分析等。众所周知，在线意外事故分析和在线动态安全评估（D3mamic Security Assessment，DSA）是一个**复杂的任务，在电力系统中，随着复杂性的提高，相应的系统数据呈指数式增长。许多公司存储了类似的数据，但这些数据没有得到充分利用。在这样复杂的情况下，需要可靠、快速的算法来实现如基于传统的耗时的安全评估或动态仿真。
    值得注意的是，人工智能技术如神经网络（Neural Network，NN）已经很好地用于仿真。但是，到目前为止，在现实中，基于人工智能的方法存在许多缺点，这些缺点阻碍了它们的广泛应用。基于在线动态安全评估的神经网络的主要缺点是推理的不透明性、过度拟合问题以及对大规模系统的不适用性，缺乏来自于神经网络输出的统计信息也是其应用的主要问题。基于实时安全评估逼近的数据挖掘可以提供统计上的可靠结果，并且在许多复杂系统中已得到广泛的应用，如电信系统和互联网安全领域。在电力工程中，数据挖掘已成功地用于许多领域，包括电力系统设备的故障诊断和环境监测、用户负载特征分析（Figueiredoeta1，2005）、非技术性的损耗分析（Nizar，2008）、电力市场需求分析和价格预测（Zhaoetal，2007a；Zhaoetal，2007b；Zhaoetal，2008）、电力系统意外事故评估（Zhao，2008c）以及许多电力系统操作的其他任务（Madanetal，1995；Tsoetal，2004；Pecas Iopesand Vasconcelos，2000）。然而，在一些特殊方面，如大规模电力系统意外事故评估和预报（Taskforce2009），数据挖掘技术还缺乏系统性的应用。
    作为如电力系统在线动态安全评估这样的应用，为系统操作获得相应的控制动作，防止连续的系统安全问题，迫切需要瞬时评估结果。数据挖掘以逼近为基础，由于其算术和统计的可靠性特性，为在线动态安全评估类型的任务开发了实际的解决方案，其在许多方面优于传统的基于逼近的人工智能的方法。首先，在大规模数据库中，数据挖掘*初被设计用于发现有用模式，而在人工智能逼近中通常要面对不能提供有效的复杂性问题。因此，基于逼近是数据挖掘可提供在使用友好的、有效的窗体上的快速响应。第二，由于多种数字处理技术整合到挖掘算法中，因此，使数据挖掘算法具有强大的抗干扰能力。 ……