Avaliação da Estabilidade de Tensão em Curto Prazo de Sistemas de Potência Baseada em Máquinas de Aprendizado Desequilibrado

Em termos de avaliação da estabilidade dinâmica de sistemas de potência baseada em aprendizado de máquina, é viável coletar dados de aprendizado a partir de medições massivas de sincrófonos na prática. No entanto, o fato de que eventos de instabilidade raramente ocorrem levaria a um desafiador problema de desequilíbrio de classes. Além disso, a extração de características em curto prazo a partir de instabilidades escassas parece extremamente difícil para máquinas de aprendizado convencionais. Diante de tal dilema, este artigo desenvolve uma máquina de aprendizado desequilibrado sistemático para avaliação online da estabilidade de tensão em curto prazo. Um poderoso método de classificação de forma de séries temporais (subsequência discriminativa) é incorporado à máquina para mineração sequencial de características transitórias. Uma técnica de oversampling sintético não linear baseada em previsão é proposta para mitigar a distorção da distribuição de classes. O aprendizado sensível ao custo é empregado para intensificar o viés em direção àqueles casos instáveis escassos, porém valiosos. Além disso, uma estratégia de aprendizado incremental é sugerida para monitoramento online, contribuindo para o aumento da adaptabilidade e confiabilidade ao longo do tempo. Resultados de simulação no sistema de teste nórdico ilustram o alto desempenho da máquina de aprendizado proposta e do esquema de avaliação.