CN103544542A - 一种电力系统暂态稳定裕度预测方法 - Google Patents

Abstract

本发明公开了一种电力系统暂态稳定裕度预测方法，本方法在实现电力系统暂态稳定评估的同时，可以预测出当前的CCT裕度值大小，由裕度值大小可以间接判断出电力系统的稳定程度，为采取相应的紧急控制提供有利的参考依据。采用PNN网络作为复合网络的第一层分类网络，RBF网络作为复合网络的预测网络。网络输入特征量采用与电力系统规模无关的特征量，可适用于构造不同电力系统规模的复合预测网络。分类预测使得样本进行有效归类，有助于提高神经网络计算效率和预测精度。本发明有助于构造RBF子网络，减少网络计算量，提高运算速度；本发明涵盖于边界点两边的RBF子网络预测范围中，即使发生PNN误分类，仍能够预测出CCT裕度值。

Description

一种电力系统暂态稳定裕度预测方法

技术领域

本发明涉及电力系统领域，特别涉及一种电力系统暂态稳定裕度预测方法。

背景技术

电力系统暂态稳定评估方法主要有时域仿真法、能量函数法和人工智能三类方法。时域仿真方法通过求解电力系统完整的故障轨迹来进行电力系统稳定性的判别，具有技术成熟、结果可靠等优点，但这一方法的计算量较大，难以满足在线应用需求；基于Lyapunov稳定性理论的暂态能量函数法(TEF)，能够定量度量电力系统暂态稳定裕度，且具有计算快捷的优点，但针对复杂电力系统和详细模型，TEF法尚缺乏有效的能量函数构造方法，并且该方法存在无法消除的保守性；人工智能方法不需要建立复杂的数学模型，而是通过输入输出量，建立一个对应的非线性映射，利用其自学习能力判断电力系统稳定性，该方法具有评估速度快、在判稳的同时可计算电力系统稳定裕度等优点，在电力系统暂态稳定评估方面具有一定的应用潜力。

随着电力系统运行数据的大规模增加，基于人工智能方法进行数据分析判断电力系统稳定性取得了一定的研究成果。神经网络方法是人工智能方法的一种常用形式，根据运行数据提取神经网络的计算特征量，基于严重故障集事先训练好神经网络，针对实际故障进行暂态稳定性判断。该方法简单有效，且不需要构造复杂的数学模型。但是，传统基于神经网络方法的暂态稳定评估结果往往只能给出电力系统稳定和不稳定的两元信息，难以给出电力系统的稳定程度，使得实际应用中不能及时消除相应程度的故障；同时由于暂态稳定评估问题的复杂性，神经网络容易在电力系统稳定临界处产生误判情况，会破坏电力系统的正常运行，产生巨大的损失。

发明内容

本发明提供了一种电力系统暂态稳定裕度预测方法，本发明实现了对电力系统暂态稳定裕度的精确预测，避免了在电力系统稳定临界处产生误判情况，使得电力系统可以正常运行，详见下文描述：

一种电力系统暂态稳定裕度预测方法，所述方法包括以下步骤：

（1）提取电力系统不同故障模式下的运行数据；

（2）根据运行数据计算输入特征量，以及临界故障切除时间的裕度值；

（3）将输入特征量作为神经网络的训练样本，根据临界故障切除时间的裕度值大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别，将分类结果作为输出量，用于训练概率神经网络；

（4）将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类，将分类后的每一子类样本作为输入量，子类样本的临界故障切除时间的裕度值作为输出量，训练径向基神经网络；

（5）通过训练的概率神经网络和径向基神经网络形成复合神经网络，并对其进行测试和校核；

（6）在线监测电力系统当前的运行状态；

（7）电力系统无故障发生，则返回步骤（6），继续监测电力系统运行状态；若电力系统发生短路故障时，则提取电力系统中与步骤（1）相同类型的运行数据，根据提取数据计算输入特征量，形成输入特征量样本；

（8）将输入特征量样本输入步骤（5）训练得到的复合神经网络，根据复合网络计算临界故障切除时间的裕度值预测结果；

（9）若临界故障切除时间的裕度值大于0，则电力系统是暂态稳定的，返回步骤（6）继续监测；若临界故障切除时间的裕度值小于0，则电力系统暂态不稳定，需要采取相应措施使得电力系统重新建立稳定运行状态。

所述临界故障切除时间的裕度值T_sm具体为：

T_sm=T_cct-T_ct

其中，T_cct为临界故障切除时间，T_ct为当前故障切除时间。

所述将输入特征量作为神经网络的训练样本，根据临界故障切除时间的裕度值大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别，将分类结果作为输出量具体为：

其中，t₁，t₂，t₃，t₄为裕度值边界点，满足以下不等式：

t₁<t₂<0<t₃<t₄。

所述将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类具体为：

其中，Δt_i为分类边界点附近的一个变化量值，Δt_i的取值大于0，i=1,2,3,4。

所述通过训练的概率神经网络和径向基神经网络形成复合神经网络，并对其进行测试和校核具体为：

测试样本数据先经过概率神经网络分类，得到测试样本的归属类别m，再用对应第m类别的径向基神经网络预测临界故障切除时间的裕度值；最后对预测结果进行自检查和修正，如果预测结果超出子类径向基神经网络的预测范围，则采用以下计算公式进行修正：

$S_i=\left\{\begin{array}{cc}{s}_i^{\left(k\right)};& s_i^{\left(k\right)}\&Element;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\\ \left(\underset{j=1,j\&NotEqual;k}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{kj}}{s}_i^{\left(j\right)}\right)\&CenterDot;d_1+s_i^{\left(k\right)}\&CenterDot;d_2;& s_i^{\left(k\right)}\&NotElement;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\end{array}\right.$

其中，s_i为第i个样本的CCT裕度预测修正值；为第i个样本在第k类子网络的CCT裕度预测值；分别为第k类子网络的裕度边界最小最大值；是根据子类间距离确定的权值，距离越大，权值越小；d₁,d₂为修正系数。

本发明提供的技术方案的有益效果是：实现电力系统暂态稳定评估的同时，可以预测出当前的CCT裕度值大小，由裕度值大小可以间接判断出电力系统的稳定程度，为采取相应的紧急控制提供有利的参考依据。采用PNN网络作为复合网络的第一层分类网络，RBF网络作为复合网络的预测网络。网络输入特征量采用与电力系统规模无关的特征量，可适用于构造不同电力系统规模的复合预测网络。分类预测使得样本进行有效归类，有助于提高神经网络计算效率和预测精度。本发明的主要优点有：

1、采用PNN分类网络对样本进行分类，使得相近的CCT裕度值的样本归为一类，有助于构造RBF子网络，提高RBF预测精度，且样本分类可以减少网络计算量，提高运算速度。

2、构造RBF子网络采用重叠边界分类方法，使得原本在分类边界点容易发生PNN误分类的样本，都涵盖于边界点两边的RBF子网络预测范围中。这样，即使发生PNN误分类，RBF网络仍能够预测出CCT裕度值，提高预测精度。

3、预测结果可以进行自我检查和修正。由于分类后每种类别的RBF预测网络都存在一定的预测范围，因此网络的预测结果根据自身的预测范围即可初步判断是否预测准确，并对发生误差的预测结果进行修正，提高了CCT裕度预测的准确性。

4、网络预测的结果为CCT裕度值，其正负值可以反应电力系统是否暂态稳定，其大小值可以定性表明当前故障的稳定程度，在实际中有利于运行人员采取合理的控制措施。

附图说明

图1是离线训练复合神经网络过程；

图2是复合神经网络的基本结构图；

图3是测试和校核已训练好的复合神经网络的流程；

图4是应用复合神经网络在线监测运行故障的流程；

图5是样本清晰边界分类方法；

图6是样本重叠边界分类方法；

图7是IEEE-39节点算例系统；

图8是复合网络的CCT裕度预测误差曲线图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了实现对电力系统暂态稳定裕度的精确预测，避免在电力系统稳定临界处产生误判情况，使得电力系统可以正常运行，本发明实施例提供了一种电力系统暂态稳定裕度预测方法，它主要实施流程包括三大部分：训练网络、测试和校核、在线应用。其中，训练流程由图1中给出（步骤101-步骤104），通过训练流程得到复合神经网络结构，如图2所示；图3给出了复合神经网络的测试和校核过程（步骤105），图4给出了复合神经网络的在线监测应用过程（步骤106-步骤109），详见下文描述：

101：提取电力系统不同故障模式下的运行数据；

离线仿真时，可采用BPA（电力系统计算分析软件）设置不同故障模式，通常故障模式包括：潮流水平、不同故障位置、不同故障切除时间下的电力系统短路故障。实例中分别在80%，90，…，120%的负荷水平下，相应改变发电机出力。假定电力系统中每条线路发生单线路的短路故障，故障发生时刻设为0时刻，故障切除时间在0.1s至0.5s内取值，然后利用BPA计算各场景下电力系统的运行数据，包括：电力系统的能量变化ΔE，电力系统中各发电机转子角度δ_i、角速度ω_i、加速度a_i方面的数据，其中，i=1,2,3…n；n代表发电机的数量，以及对应的电力系统当前的故障切除时间T_ct和该线路的临界故障切除时间T_cct(CriticalClearing Time,CCT)。

102：根据运行数据计算输入特征量，以及临界故障切除时间的裕度值（即CCT裕度值，用T_sm表示）；

其中输入特征量如附表1中给出，CCT裕度值T_sm为临界故障切除时间T_cct与当前故障切除时间T_ct的差值，计算公式如下：

T_sm=T_cct-T_ct             （1）

表1复合网络的输入特征量

其中，根据运行数据获取表1中输入特征量的计算过程，为本领域技术人员所公知，本发明实施例对此不做限制。

103：将输入特征量作为神经网络的训练样本，根据CCT裕度值大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别，将分类结果作为输出量，用于训练概率神经网络（PNN）；

五种类别中，不稳定类和较不稳定类样本的CCT裕度值都小于0，这两类样本是暂态不稳定类样本；中间类样本包含了CCT裕度值在0附近的样本，即该类样本包含暂态不稳定类和稳定类样本；较稳定类和稳定类对应样本的CCT裕度值都大于0，这两类样本是暂态稳定类样本。如图5所示，假设不稳定类、较不稳定类、中间类、较稳定类、稳定类五种分类的裕度值边界点分别为t₁，t₂，t₃，t₄（具体的取值根据CCT裕度值的范围确定），则满足以下不等式：

t₁<t₂<0<t₃<t₄

五种类别对应的CCT裕度值范围为：

其中，将分类结果作为输出量，训练概率神经网络的操作为本领域中所公知，本发明实施例对此不做赘述。

104：将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类，将分类后的每一子类样本作为输入量，子类样本的CCT裕度值作为输出量，训练径向基神经网络（RBF）；

重叠边界分类方法是在步骤103中的边界点t₁，t₂，t₃，t₄的基础上进行适当扩宽范围，如图6所示，形成重叠分类后每种类别的CCT裕度值范围为：

其中，Δt_i(i=1,2,3,4)大于0，为分类边界点附近的一个微小变化量。其取值大小由对应类别的裕度值范围确定，一般而言，应使得Δt_i小于该类别裕度值范围的1/2，例如：较不稳定类取值为t₁<T_sm<t₂，则Δt₁<1/2*(t₂-t₁)。

在靠近分类边界点的样本中，采用PNN网络分类时容易存在误分类的情况。若直接采用步骤103中的分类方式，则误分类的样本在RBF子网预测时，容易产生较大的CCT裕度预测误差。如图5所示，t₁，t₂，t₃，t₄分别为CCT裕度的各分类边界点，RBF子网训练时，各类训练样本选取范围为图中横线部分。测试样本经过PNN网络的分类后，假设有样本在边界点t₁左侧附近，则它有可能被误划分为较不稳定类。误分类的样本X进入不稳定类的RBF子网中进行CCT裕度预测时，容易产生较大的误差。这是由于不同类的RBF子网训练时，选用不同的样本预测值范围，导致非此类的测试样本进行预测时产生的误差较大。

为改善PNN误分类的缺陷，采用图6所示的样本重叠分类方法选取RBF子网的训练样本。当误分类的样本X进入不稳定类的RBF子网中进行预测时，由于RBF子网训练时，选取的样本预测值范围已经涵盖了边界点t₁左侧易发生误分类的部分，因而误分类样本X仍能够得到较好的预测结果。对于其他边界点也是如此，因此采用图6所示的重叠边界分类方法可以提高整个系统的预测精度。

重叠边界分类后的五类样本，利用每类的输入样本和对应的CCT裕度分别训练RBF神经网络，得到五种用于预测不同类别CCT裕度的RBF子网络。

105：通过训练的概率神经网络和径向基神经网络形成PNN_RBF复合神经网络，并对其进行测试和校核；

由复合网络运算得到的预测结果需要进行自检查和修正，若预测范围符合该子类RBF神经网络的预测范围，则直接输出预测结果，否则需要对预测结果进行修正。网络测试的具体流程如图3所示。图3中，虚线部分为PNN_RBF复合网络的运算过程。测试样本数据先经过PNN分类，得到测试样本的归属类别m，再用对应第m类别的RBF网络预测CCT裕度值。最后对预测结果进行自检查和修正，如果预测结果超出子类RBF网络的预测范围，则采用以下计算公式进行修正：

$S_i=\left\{\begin{array}{cc}{s}_i^{\left(k\right)};& s_i^{\left(k\right)}\&Element;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\\ \left(\underset{j=1,j\&NotEqual;k}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{kj}}{s}_i^{\left(j\right)}\right)\&CenterDot;d_1+s_i^{\left(k\right)}\&CenterDot;d_2;& s_i^{\left(k\right)}\&NotElement;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\end{array}\right.---\left(4\right)$

其中，s_i为第i个样本的CCT裕度预测修正值；

为第i个样本在第k类子网络的CCT裕度预测值；

分别为第k类子网络的裕度边界最小最大值；

是根据子类间距离确定的权值，距离越大，权值越小；d₁,d₂为修正系数。

106：在线监测电力系统当前的运行状态；

对于训练校核完毕的复合神经网络，可以运用于在线的应用中，具体的在线应用流程如图4所示。在线监测主要是监测当前电力系统是否有故障发生，以便于判断是否调用复合神经网络进行预测系统稳定程度。

107：若电力系统无故障发生，则返回步骤106，继续监测电力系统运行状态；若电力系统发生短路故障时，则提取电力系统中与步骤101相同类型的运行数据，根据提取数据计算输入特征量，形成输入特征量样本；

108：将输入特征量样本输入步骤105训练得到的复合神经网络，根据复合网络计算CCT裕度预测结果；

对于已形成的复合神经网络，给定相应类型的输入特征量，则可以计算出对应的CCT裕度，从而实现在线预测电力系统稳定程度的功能。

109：若CCT裕度大于0，则电力系统是暂态稳定的，返回步骤106继续监测；若CCT裕度小于0，则电力系统暂态不稳定，需要采取相应措施使得电力系统重新建立稳定运行状态。

实例

下面结合一个实例来介绍本发明的实施方法和实际效果。本实例在IEEE-39节点算例系统进行仿真分析，如图7所示，图中，编号1-29代表负荷节点，编号30-39代表发电机节点，电力系统运行数据采用商业软件BPA模拟，通过设定不同的潮流水平，故障地点，故障切除时间，提取运行的数据。具体仿真设置为：在80%，90，…，120%的负荷水平下，相应改变发电机出力。假定电力系统中每条线路发生单线路的短路故障，故障发生时刻设为0时刻，故障切除时间在0.1s至0.5s内取值，然后利用BPA计算各场景下电力系统的T_cct和T_ct。下面利用本发明的计算流程来进行暂态稳定裕度预测和暂态稳定评估。

第1步：提取电力系统不同故障模式下的运行数据。包括电力系统的能量变化ΔE，发电机转子角度δ_i、角速度ω_i、加速度a_i方面的数据，其中，i=1,2,3…n；以及对应的T_ct和T_cct。

按照设定的运行条件，仿真一共生成3023组有效的计算数据。

第2步：选取与暂态稳定评估结果相关的输入特征量集，根据提取的数据计算各特征量，以作为网络的训练样本。将对应CCT与当前故障切除时间差（即CCT裕度）作为输出量。

根据附表1中的输入特征量，用提取的数据进行计算，一共得到24维输入样本共有3023组。随机选取15%左右的样本量作为测试样本，则训练样本有2573组，测试样本有450组，每组样本都是24维的输入量，对应1维的输出量CCT裕度值。

第3步：根据CCT裕度的大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别（t₁的取值为-0.15，t₂的取值为-0.05，t₃的取值为0.05，t₄的取值为0.15），以训练样本作为输入量，分类结果作为输出量，训练PNN分类神经网络。具体的样本分类结果如表2中所示。

表2清晰边界分类法的样本分类情况

应用PNN网络进行分类时，对于训练样本，PNN分类的正确率为100%（分类正确训练样本数2573除以总的训练样本数2573）；测试样本，PNN分类的准确率为92.0%（分类正确测试样本数414除以总的测试样本数450）。

第4步：采用重叠边界分类方法，将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类。依分类后的每一子类样本，将子类样本作为输入量，子类样本的CCT裕度值作为输出量，训练RBF神经网络。

具体的分类结果如表3中所示。

表3重叠边界分类法的样本分类情况

对比表2和表3的结果，Δt₁、Δt₂Δt₃和Δt₄的取值均为0.01秒，表3中个数比表2中多余的个数为重叠区内的样本个数。采用重叠边界分类方法可以有效解决PNN误分类问题导致的预测误差。

应用RBF网络进行预测时，RBF子网络的网络性能如下表4所示：

表4各类RBF网络的测试样本平均预测误差

类别	不稳定类	较不稳定类	中间类	较稳定类	稳定类
						平均预测误差	0.0030s	0.0036s	0.0067s	0.0016s	0.0009s

第5步：形成PNN_RBF复合网络，并对其进行测试和校核。

测试复合网络性能，采用以下几个指标来考察：

1、暂态稳定评估正确率c

$c=\frac{m}{N}\&times;100\%---\left(5\right)$

式中，N为测试样本总数，m为评估正确样本数（如果预测的暂态稳定结果（稳定与否）与实际结果一致，则认为是正确的），暂态稳定评估正确率c可用于考察复合网络的暂态稳定区分能力。

2、平均预测误差E_rr

$E_{\mathrm{rr}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}|s_i-r_i|---\left(6\right)$

3、最大预测误差E_m

E_m=max{|s_i-r_i|};(i=1,2,…,N)     （7）

4、预测误差小于0.01秒的样本比例R_a

$R_a=\frac{p}{N}\&times;100\%---\left(8\right)$

式中，s_i和r_i为第i个样本的CCT裕度预测值和真实值；p为CCT裕度预测误差小于0.01s的个数。

复合网络预测性能如表5所示，具体预测误差曲线如图8所示。

表5复合网络的测试结果

类别	不稳定类	较不稳定类	中间类	较稳定类	稳定类	复合网络整体
							c(%)	100.0	100.0	97.32	100.0	100.0	99.33
Err(s)	0.0029	0.0036	0.0067	0.0016	0.0009	0.0036
							Em(s)	0.0417	0.0286	0.0337	0.0191	0.0108	0.0418
Ra(%)	96.15	94.92	93.75	97.73	100.0	96.00

从测试结果可以看出网络暂态稳定评估结果的整体准确率可达99.33%；在五种类型中，稳定、较稳定、不稳定和较不稳定四类未发生稳定性(即稳定与否)误判情况；复合神经网络CCT裕度预测结果的平均误差为0.0036s，最大误差为0.0418s，且误差精度小于0.01s的比率为96.00%，整体看复合网络具有较高的CCT裕度预测精度。此时，复合神经网络的建立和校验工作结束，进入在线监视步骤。

第6步：在线监测电力系统当前的运行状态。

第7步：若电力系统无故障发生，则返回步骤6），继续监测电力系统运行状态；若电力系统发生短路故障时，则提取电力系统中与步骤1）相同类型的运行数据，根据提取数据计算输入特征量，形成输入特征量样本。

先假设电力系统发生两组短路故障：1、故障位置为bus8和bus9线路，故障发生时间记为0时刻，故障切除时间为0.2s；2、故障位置为bus25和bus26的线路，故障发生时间记为0时刻，故障切除时间为0.3s。经计算得到两组24*1的输入特征量数组。

第8步：将输入特征量样本输入步骤5）训练得到的复合神经网络，根据复合网络计算CCT裕度预测结果。

将步骤7中故障得到的数组输入网络计算后得到如表6的结果：

表6在线监测故障计算结果

	PNN分类结果	复合网络预测结果	实际CCT裕度	预测误差
					故障1	较稳定类	0.1296s	0.13s	0.31%
故障2	中间类	-0.0311s	-0.03s	3.67%

第9步：若CCT裕度大于0，则系统是暂态稳定的，返回步骤6）继续监测；若CCT裕度小于0，则系统暂态不稳定，需要采取相应措施使得系统重新建立稳定运行状态。

本例中，故障1得到的预测结果是暂态稳定的，系统可以自调节到达稳定运行点，而故障2的预测结果是不是稳定的，需要操作人员采取相应的措施，是系统尽快恢复稳定运行。

按照以上的步骤进行计算分析，能够实现电力系统暂态稳定评估的同时，可以预测出当前的CCT裕度值大小，由裕度值大小可以间接判断出电力系统的稳定程度，为采取相应的紧急控制提供有利的参考依据。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种电力系统暂态稳定裕度预测方法，其特征在于，所述方法包括以下步骤：

（1）提取电力系统不同故障模式下的运行数据；

（2）根据运行数据计算输入特征量，以及临界故障切除时间的裕度值；

（3）将输入特征量作为神经网络的训练样本，根据临界故障切除时间的裕度值大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别，将分类结果作为输出量，用于训练概率神经网络；

（4）将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类，将分类后的每一子类样本作为输入量，子类样本的临界故障切除时间的裕度值作为输出量，训练径向基神经网络；

（5）通过训练的概率神经网络和径向基神经网络形成复合神经网络，并对其进行测试和校核；

（6）在线监测电力系统当前的运行状态；

（7）电力系统无故障发生，则返回步骤（6），继续监测电力系统运行状态；若电力系统发生短路故障时，则提取电力系统中与步骤（1）相同类型的运行数据，根据提取数据计算输入特征量，形成输入特征量样本；

（8）将输入特征量样本输入步骤（5）训练得到的复合神经网络，根据复合网络计算临界故障切除时间的裕度值预测结果；

（9）若临界故障切除时间的裕度值大于0，则电力系统是暂态稳定的，返回步骤（6）继续监测；若临界故障切除时间的裕度值小于0，则电力系统暂态不稳定，需要采取相应措施使得电力系统重新建立稳定运行状态。

2.根据权利要求1所述的一种电力系统暂态稳定裕度预测方法，其特征在于，所述临界故障切除时间的裕度值T_sm具体为：

T_sm=T_cct-T_ct

其中，T_cct为临界故障切除时间，T_ct为当前故障切除时间。

3.根据权利要求1所述的一种电力系统暂态稳定裕度预测方法，其特征在于，所述将输入特征量作为神经网络的训练样本，根据临界故障切除时间的裕度值大小将训练样本分为不稳定类、较不稳定类、中间类、较稳定类、稳定类五种类别，将分类结果作为输出量具体为：

其中，t₁，t₂，t₃，t₄为裕度值边界点，满足以下不等式：

t₁<t₂<0<t₃<t₄。

4.根据权利要求1所述的一种电力系统暂态稳定裕度预测方法，其特征在于，所述将每种类别训练样本在边界处的选取范围适当拓宽，形成重叠分类具体为：

其中，Δt_i为分类边界点附近的一个变化量值，Δt_i的取值大于0，i=1,2,3,4。

5.根据权利要求1所述的一种电力系统暂态稳定裕度预测方法，其特征在于，所述通过训练的概率神经网络和径向基神经网络形成复合神经网络，并对其进行测试和校核具体为：

测试样本数据先经过概率神经网络分类，得到测试样本的归属类别m，再用对应第m类别的径向基神经网络预测临界故障切除时间的裕度值；最后对预测结果进行自检查和修正，如果预测结果超出子类径向基神经网络的预测范围，则采用以下计算公式进行修正：

$S_i=\left\{\begin{array}{cc}{s}_i^{\left(k\right)};& s_i^{\left(k\right)}\&Element;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\\ \left(\underset{j=1,j\&NotEqual;k}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{kj}}{s}_i^{\left(j\right)}\right)\&CenterDot;d_1+s_i^{\left(k\right)}\&CenterDot;d_2;& s_i^{\left(k\right)}\&NotElement;[s_{\min }^{\left(k\right)},s_{\max }^{\left(k\right)}]\end{array}\right.$

其中，s_i为第i个样本的CCT裕度预测修正值；

为第i个样本在第k类子网络的CCT裕度预测值；

分别为第k类子网络的裕度边界最小最大值；

是根据子类间距离确定的权值，距离越大，权值越小；d₁,d₂为修正系数。

Images