CN104578053A - 基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法 - Google Patents

Abstract

本发明公开了一种基于WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测方法，该方法对电力系统中WAMS系统所采集到的历史信息进行初步筛选，得到故障后所有关键发电机节点电压幅值的时域轨迹簇构成原始数据集；对原始数据计算轨迹簇的27个几何特征；利用Relief算法对所有特征量进行权重计算，选出与系统暂态稳定性强相关的若干个广域故障特征，并作为暂态稳定预测算法的输入数据集；基于输入数据集构造SVM预测模型。本发明不建立电力系统的分析模型，而是根据WAMS系统得到的电力系统的响应信息，直接预测电力系统的暂态稳定性；本发明不但能够快速预测系统稳定性，具有极强的适应性和鲁棒性。

Description

基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法

技术领域

本发明涉及电力系统稳定判别，特别是涉及一种基于故障后WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测方法。

背景技术

随着电网规模的不断扩大、交直流混联等各种输电方式的实施以及新能源技术的应用，电力系统的动态特性变得更加复杂，发生事故的情形更加频繁，对其进行稳定分析和控制的难度也更大。如何在故障发生后更快速、可靠的识别系统的暂态稳定性是目前电网在线安全评估问题的关键。WAMS(广域监测系统)系统在电力系统中的应用为暂态稳定分析和控制创造了条件。

基于WAMS信息的电力系统暂态稳定性预测是目前的研究热点，与此项技术相关的发明专利也较多。由于基于时域仿真法的轨迹预测计算速度慢以及对模型的依赖度高，目前的方法主要集中于两个方面：通过实时量测信息应用能量函数法判断系统稳定性和应用人工智能算法进行稳定性预测。中国专利公开号CN103473478是基于暂态能量函数法进行的暂态稳定评估，提出了构建基于二次扰动的暂态稳定性量化指标模型，提高了计算速度。但该方法仍需要获得故障中的导纳矩阵参数，对不同的拓扑结构的泛化能力不强。公开号CN103346558的专利采用基于WAMS量测信息的二维一阶伴随系统的最小投影动能为判据判断系统的暂态稳定性，该方法不受系统结构、模型、参数的限制，计算量较小。但该方法在计算过程中需要得到所有发电机的功角、转子角速度等实测量，若WAMS信息发生缺失或得到的发电机的实测特征量包含干扰信息，则实际应用时会造成较大误差。

最新的研究成果集中于应用模式识别及人工智能方法对WAMS实测信息进行数据挖掘进而判断暂态稳定性。公开号CN102832617的专利提出了基于电网的动态响应数据，利用DHMM方法进行模式识别的稳定性判别方法。该方法考虑了电气特征量的动态响应特性，并能对多维特征分析同时进行模式识别，相较于ANN算法提高了计算速度与精度。但该方法的缺陷在于仍需要较大数量的数据样本，且该方法对于未知网络拓扑及故障信息的情形下的暂态稳定性判断的泛化能力为做评估，限制了该方法的工程实际应用。公开号CN102074955的专利构造支持向量机分类器的预测模型进行稳定性评估，并应用数据预处理技术改善输入数据样本质量，提高分类精度。支持向量机算法在电力系统暂态稳定性评估研究领域被认为有很好的效果，能够处理高维数据并有很好的泛化能力。该发明是利用K-L变换进行的数据预处理，K-L变换虽然具有MSE意义下的最佳性能，但需要先知道信源的协方差矩阵并求出特征值。求特征值与特征向量会比较复杂，维数较高时甚至无法求取，同时很难满足实时处理的要求。这些因素造成了K-L变换在工程实践中不能广泛使用。

本发明在现有研究基础上，克服现有方法的不足，提出的一种基于受扰后机端电压轨迹簇的暂态稳定预测方法，该方法能够得到系统响应的整体特征，对于不完全WAMS信息仍能够适用。

发明内容

本发明要解决的技术问题是提供一种基于故障后WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测方法，以克服现有技术中存在的问题。

为解决上述技术问题，本发明采用下述技术方案：

基于故障后WAMS受扰电压轨迹簇特征，进行电力系统暂态稳定性的快速预测方法。该法包括以下步骤：

S1、基于WAMS系统对电力系统采集得到的历史数据信息进行初步筛选，得到故障后所有关键发电机节点电压幅值的时域轨迹簇，并构成原始数据集；

S2、对所述原始数据进行轨迹簇中27个几何特征的计算；

S3、利用Relief算法对步骤S2中所述的27个几何特征量进行权重w_i计算，并选出与系统暂态稳定性强相关的若干个广域故障特征作为暂态稳定预测算法的输入数据集；

S4、根据所述输入数据集构建支持向量机SVM预测分类器，并采取交叉验证的方法得到最佳精度的预测模型；

S5，利用步骤S2和S3对WAMS系统采集得到的新电力系统数据信息进行处理，构建预测数据集；

S6、利用步骤S4中构建的预测模型对所述预测数据集进行判断，获得暂态稳定性的预测结果。

优选的，所述步骤S1中，在某个故障情况下，得到故障清除后m个周波的所有n个发电机节点电压轨迹簇，记为轨迹簇矩阵：{x_ij}_m×n。

优选的，所述步骤S4中构建预测模型的数据包含N种不同的故障情形，则总共有N个样本，即N个轨迹簇矩阵。

优选的，在所述步骤S2中所述27个特征量包括

特征1：瞬时轨迹质心，c_i为一m行的列向量；

特征2：轨迹簇断面离散度，

特征3：上包络线，ue_i＝{max(x_i)},i＝1,2,...,m；

特征4：下包络线，le_i＝{min(x_i)},i＝1,2,...,m；

特征5：瞬时轨迹中心，me_i＝{(max(x_i)+min(x_i))/2},i＝1,2,...,m；

特征6：上包络线与质心线之差，dcue_i＝{|ue_i-c_i|},i＝1,2,...,m；

特征7：下包络线与质心线之差，dcle_i＝{|le_i-c_i|},i＝1,2,...,m；

特征8：包络线高度，he_i＝{|max(x_i)-min(x_i)|},i＝1,2,...,m；

特征9：轨迹质心与中心之差，dcm_i＝{|c_i-m_i|},i＝1,2,...,m；

特征10：质心线瞬时变化率，其中，h为采样时间间隔；

特征11：离散度瞬时变化率， ${\mathrm{rd}}_i=\left\{\frac{1}{h}\right|d_{i+1}-d_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征12：上包络线变化率， ${\mathrm{rue}}_i=\left\{\frac{1}{h}\right|{\mathrm{ue}}_{i+1}-{\mathrm{ue}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征13：下包络线变化率， ${\mathrm{rle}}_i=\left\{\frac{1}{h}\right|{\mathrm{le}}_{i+1}-{\mathrm{le}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征14：中心线变化率， ${\mathrm{rme}}_i=\left\{\frac{1}{h}\right|{\mathrm{me}}_{i+1}-{\mathrm{me}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征15：包络线高度变化率， ${\mathrm{rhe}}_i=\left\{\frac{1}{h}\right|{\mathrm{he}}_{i+1}-{\mathrm{he}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征16：轨迹曲率， ${\mathrm{curv}}_i=\left\{\frac{1}{h^2}{\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{i-1,j}-{2x}_{i,j}+x_{i+1,j})}^2\right]}^{1/2}\right\},i=\mathrm{1,2},...,m-1;$

特征17：质心线曲率， ${\mathrm{ccurv}}_i=\left\{\frac{1}{h^2}\right|c_{i-1}-{2c}_i+c_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征18：离散度曲率， ${\mathrm{dcurv}}_i=\left\{\frac{1}{h^2}\right|d_{i-1}-{2d}_i+d_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征19：上包络线曲率， ${\mathrm{uecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{ue}}_{i-1}-{2\mathrm{ue}}_i+{\mathrm{ue}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征20：下包络线曲率， ${\mathrm{lecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{le}}_{i-1}-{2\mathrm{le}}_i+{\mathrm{le}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征21：中心线曲率， ${\mathrm{mecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{me}}_{i-1}-{2\mathrm{me}}_i+{\mathrm{me}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征22：质心线变化加速度， ${\mathrm{ac}}_i=\left\{\frac{1}{h}\right|{\mathrm{rc}}_{i+1}-{\mathrm{rc}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征23：离散度变化加速度， ${\mathrm{ad}}_i=\left\{\frac{1}{h}\right|{\mathrm{rd}}_{i+1}-{\mathrm{rd}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征24：上包络线加速度， ${\mathrm{aue}}_i=\left\{\frac{1}{h}\right|{\mathrm{rue}}_{i+1}-{\mathrm{rue}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征25：下包络线加速度， ${\mathrm{ale}}_i=\left\{\frac{1}{h}\right|{\mathrm{rle}}_{i+1}-{\mathrm{rle}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征26：中心线加速度， ${\mathrm{ame}}_i=\left\{\frac{1}{h}\right|{\mathrm{rme}}_{i+1}-{\mathrm{rme}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征27：包络线高度变化加速度， ${\mathrm{ahe}}_i=\left\{\frac{1}{h}\right|{\mathrm{rhe}}_{i+1}-{\mathrm{rhe}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

其中，轨迹曲线曲率的计算采用了三点二次插值算法；对N个电压轨迹簇样本计算特征量后得到的数据集记为X_N×M，N为样本个数，M为特征量个数，此处M＝27。

优选的，在所述步骤S3包括将求得的权重w_i从大到小排序，将权值大于预先设定的阈值w₀的特征量组合构成与稳定结果强相关的特征子集。

优选的，通过对不同负荷水平及位置拓扑结构下的数据进行预测判断，优化所述步骤S4中构建的预测模型。

优选的，在所述步骤S4包括利用步骤S3获得的输入数据集作为支持向量机SVM的输入特征向量，并通过网格搜索算法在K折交叉验证情形下进行惩罚参数C和核函数参数g的寻找最优参数。

优选的，在所述步骤S5包括将所述预测数据集作为在线预测数据集，并利用优化后的预测模型进行预测，得到系统暂态稳定的在线预测结果。

本发明的有益效果如下：

本发明所述技术方案本方法本发明不建立电力系统的分析模型，而是根据WAMS系统得到的电力系统的响应信息，直接预测电力系统的暂态稳定性；本发明不但能够快速预测系统稳定性，而且在未知系统运行方式、未知拓扑结构和不完全WAMS信息等条件下仍然适用，具有极强的适应性和鲁棒性。可以对不完全WAMS信息具有良好的适用性；本方法可以在故障切除后10到20个周波内仍有很高的预测精度，可行性较强。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本发明所述一种电力系统暂态稳定性的预测方法的示意图；

图2示出本实施例中IEEE39节点系统的拓扑结构图。

具体实施方式

本发明公开了一种基于故障后WAMS受扰电压轨迹簇特征，进行电力系统暂态稳定性的快速预测的方法。该方法包括以下步骤：

S1、基于WAMS系统对电力系统采集得到的历史数据信息进行初步筛选，得到故障后所有关键发电机节点电压幅值的时域轨迹簇，并构成原始数据集，在某个故障情况下，得到故障清除后m个周波的所有n个发电机节点电压轨迹簇，记为轨迹簇矩阵：{x_ij}_m×n；

S2、对所述原始数据进行轨迹簇中27个几何特征的计算，27个特征向量包括

特征1：瞬时轨迹质心，c_i为一m行的列向量；

特征2：轨迹簇断面离散度，

特征3：上包络线，ue_i＝{max(x_i)},i＝1,2,...,m；

特征4：下包络线，le_i＝{min(x_i)},i＝1,2,...,m；

特征5：瞬时轨迹中心，me_i＝{(max(x_i)+min(x_i))/2},i＝1,2,...,m；

特征6：上包络线与质心线之差，dcue_i＝{|ue_i-c_i|},i＝1,2,...,m；

特征7：下包络线与质心线之差，dcle_i＝{|le_i-c_i|},i＝1,2,...,m；

特征8：包络线高度，he_i＝{|max(x_i)-min(x_i)|},i＝1,2,...,m；

特征9：轨迹质心与中心之差，dcm_i＝{|c_i-m_i|},i＝1,2,...,m；

特征10：质心线瞬时变化率，其中，h为采样时间间隔；

特征11：离散度瞬时变化率， ${\mathrm{rd}}_i=\left\{\frac{1}{h}\right|d_{i+1}-d_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征12：上包络线变化率， ${\mathrm{rue}}_i=\left\{\frac{1}{h}\right|{\mathrm{ue}}_{i+1}-{\mathrm{ue}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征13：下包络线变化率， ${\mathrm{rle}}_i=\left\{\frac{1}{h}\right|{\mathrm{le}}_{i+1}-{\mathrm{le}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征14：中心线变化率， ${\mathrm{rme}}_i=\left\{\frac{1}{h}\right|{\mathrm{me}}_{i+1}-{\mathrm{me}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征15：包络线高度变化率， ${\mathrm{rhe}}_i=\left\{\frac{1}{h}\right|{\mathrm{he}}_{i+1}-{\mathrm{he}}_i\left|\right\},i=\mathrm{1,2},...,m-1;$

特征16：轨迹曲率， ${\mathrm{curv}}_i=\left\{\frac{1}{h^2}{\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{i-1,j}-{2x}_{i,j}+x_{i+1,j})}^2\right]}^{1/2}\right\},i=\mathrm{1,2},...,m-1;$

特征17：质心线曲率， ${\mathrm{ccurv}}_i=\left\{\frac{1}{h^2}\right|c_{i-1}-{2c}_i+c_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征18：离散度曲率， ${\mathrm{dcurv}}_i=\left\{\frac{1}{h^2}\right|d_{i-1}-{2d}_i+d_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征19：上包络线曲率， ${\mathrm{uecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{ue}}_{i-1}-{2\mathrm{ue}}_i+{\mathrm{ue}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征20：下包络线曲率， ${\mathrm{lecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{le}}_{i-1}-{2\mathrm{le}}_i+{\mathrm{le}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征21：中心线曲率， ${\mathrm{mecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{me}}_{i-1}-{2\mathrm{me}}_i+{\mathrm{me}}_{i+1}\left|\right\},i=\mathrm{1,2},...,m-1;$

特征22：质心线变化加速度， ${\mathrm{ac}}_i=\left\{\frac{1}{h}\right|{\mathrm{rc}}_{i+1}-{\mathrm{rc}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征23：离散度变化加速度， ${\mathrm{ad}}_i=\left\{\frac{1}{h}\right|{\mathrm{rd}}_{i+1}-{\mathrm{rd}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征24：上包络线加速度， ${\mathrm{aue}}_i=\left\{\frac{1}{h}\right|{\mathrm{rue}}_{i+1}-{\mathrm{rue}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征25：下包络线加速度， ${\mathrm{ale}}_i=\left\{\frac{1}{h}\right|{\mathrm{rle}}_{i+1}-{\mathrm{rle}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征26：中心线加速度， ${\mathrm{ame}}_i=\left\{\frac{1}{h}\right|{\mathrm{rme}}_{i+1}-{\mathrm{rme}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

特征27：包络线高度变化加速度， ${\mathrm{ahe}}_i=\left\{\frac{1}{h}\right|{\mathrm{rhe}}_{i+1}-{\mathrm{rhe}}_i\left|\right\},i=\mathrm{1,2},...,m-2;$

其中，轨迹曲线曲率的计算采用了三点二次插值算法；对N个电压轨迹簇样本计算特征量后得到的数据集记为X_N×M，N为样本个数，M为特征量个数，此处M＝27；

S3、利用Relief算法对步骤S2中所述的27个几何特征量进行权重w_i计算，将求得的权重w_i从大到小排序，将权值大于预先设定的阈值w₀的特征量组合构成与稳定结果强相关的特征子集，将这些与系统暂态稳定性强相关的若干个广域故障特征子集作为暂态稳定预测算法的输入数据集；

S4、根据所述输入数据集构建支持向量机SVM预测分类器，并采取交叉验证的方法得到最佳精度的预测模型，其中，构建预测模型的数据包括N种不同的故障情形，则总共有N个样本，即N个轨迹簇矩阵，为了提交预测模型的精度，通过对不同负荷水平及位置拓扑结构下的数据进行预测判断，并利用网格搜索算法在K折交叉验证情形下进行惩罚参数C和核函数参数g的寻找最优参数，从而优化预测模型；

S5，利用步骤S2和S3对WAMS系统采集得到的新电力系统数据信息进行处理，构建预测数据集，将该预测数据集作为在线预测数据集利用优化后的预测模型进行预测，最终获得暂态稳定性的预测结果。

下面通过一组实施例对本发明做进一步说明：

本实施例以新英格兰10机39节点系统为例进行说明。系统采用恒定阻抗负荷，负荷水平在90％～110％随机波动，发电机均摊负荷变动量，预置故障集为34条线路永久性三相短路(N-1)及部分重要联络线退出后线路三相短路，故障清除时间分别设置为5、6、7、8、9、10个周波，提取故障清除后的30个周波的电压幅值数据共生成2088个样本，如表1所示。仿真得到的故障后电压幅值的数据按照每周波一个点的方式采样，模拟了WAMS系统得到的历史数据。

表1 离线样本构成

对仿真共生成的2088个样本的电压时域轨迹簇按照步骤S2计算27个特征构成轨迹簇数据，然后依照步骤S3进行Relief特征提取，得到的重要特征按权重大小排序依次为特征1、3、5、10、6、4、12、8、7、14、13、9、17、22、15、2。则依照步骤S4，将这些特征作为该样本下的广域故障特征，并将该广域故障特征的数据集作为SVM预测算法的输入特征子集。用提取过广域故障特征的训练集样本构造SVM模型，用提取过广域故障特征的测试集样本进行预测判断，得到的预测准确率为95.8333％。类似的，如果仅用步骤S1得到的电压轨迹的原始数据作为步骤S4中SVM模型的输入向量，而不作步骤S2、S3的处理，同样的训练、测试样本，也可以得到一个预测准确率，为94.25％。因此，从以上的对比可以看出，应用簇特征的输入特征进行的暂态稳定预测更能得到系统故障后响应的整体特性，所以能提高预测的精度。

WAMS系统将各发电机机端电压的实时信息传送到调度中心，这需要一个广域的高速的通信系统的支撑。在实用中由于信道发生故障，调度中心得到的可能只是部分发电机的实时信息，以往预测方法中提出的基于所有发电机信息的暂稳预测器此时已无法工作。对此，本发明提出利用与故障点电气距离较近的若干台发电机的不完全WAMS信息，就能提取广域故障特征，并对缺失部分发电机的不完全WAMS信息条件下暂稳预测的性能进行了测试。

电力系统是一个典型的复杂网络，若以节点和边表示该网络，且以边的权值大小用来表示节点之间的相互作用程度，则该网络就成为有权网络。根据电力网络的实际特点，如果以线路阻抗参数作为相应边的权值，并作如下假设：将发电机、变电站、负荷、母线视为网络的节点，输电线和变压器视为网络的边。IEEE39节点系统中节点个数为39，边的条数为46，根据带权电力系统网络理论，可求出此系统的边权邻接矩阵W。对矩阵W使用Floyd算法可进一步求出此系统所有节点对之间的最短电气距离矩阵。选择缺失信息发电机的原则是按照发电机与故障点的电气距离由远及近来确定的。研究缺失1到N台发电机信息后预测算法的准确性，选取完全WAMS信息的612组样本数据作为训练集，另外仿真得到的“不完全WAMS信息”情形下的120组数据作为测试集。

表2 不完全WAMS信息的预测结果统计

由表2可知，在缺失部分发电机实时信息的条件下，也能得到较满意的预测结果。缺失一台和两台发电机信息时预测的准确率与完全WAMS信息时一致(都为95％)，缺失三台信息时准确率略有下降为94.17％，直到缺失五台发电机信息时预测结果都在一个可接受的范围，缺失五台以上发电机信息时预测效果才有显著下降。因此，本发明提出的广域故障特征提取和暂稳预测方法只需利用与故障点较近的若干台发电机的不完全WAMS信息就可以预测系统的暂态稳定性，而且具有较高的预测精度。该暂稳预测方法对基于不完全WAMS信息的暂稳预测具有独特的优势，也显著提高了暂稳预测系统的鲁棒性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.基于受扰电压轨迹簇特征的电力系统暂态稳定性预测方法，其特征在于，所述方法的步骤包括：

S1、基于WAMS系统对电力系统采集得到的历史数据信息进行初步筛选，得到故障后所有关键发电机节点电压幅值的时域轨迹簇，并构成原始数据集；

S2、对所述原始数据进行轨迹簇中27个几何特征的计算；

S3、利用Relief算法对步骤S2中所述的27个几何特征量进行权重w_i计算，并选出与系统暂态稳定性强相关的若干个广域故障特征作为暂态稳定预测算法的输入数据集；

S4、根据所述输入数据集构建支持向量机SVM预测模型，并采取交叉验证的方法得到最佳精度的预测模型；

S5，利用步骤S2和S3对WAMS系统采集得到的新电力系统数据信息进行处理，构建预测数据集；

S6、利用步骤S4中构建的预测模型对所述预测数据集进行判断，获得暂态稳定性的预测结果。

2.根据权利要求1所述的预测方法，其特征在于：所述步骤S1中，在某个故障情况下，得到故障清除后m个周波的所有n个发电机节点电压轨迹簇，记为轨迹簇矩阵：{x_ij}_m×n。

3.根据权利要求1所述的预测方法，其特征在于：所述步骤S4中构建预测模型的数据包含N种不同的故障情形，则总共有N个样本，即N个轨迹簇矩阵。

4.根据权利要求1所述的预测方法，其特征在于：在所述步骤S2中所述27个特征量包括

特征1：瞬时轨迹质心，c_i为一m行的列向量；

特征2：轨迹簇断面离散度，

特征3：上包络线，ue_i＝{max(x_i)},i＝1,2,...,m；

特征4：下包络线，le_i＝{min(x_i)},i＝1,2,...,m；

特征5：瞬时轨迹中心，me_i＝{(max(x_i)+min(x_i))/2},i＝1,2,...,m；

特征6：上包络线与质心线之差，dcue_i＝{|ue_i-c_i|},i＝1,2,...,m；

特征7：下包络线与质心线之差，dcle_i＝{|le_i-c_i|},i＝1,2,...,m；

特征8：包络线高度，he_i＝{|max(x_i)-min(x_i)|},i＝1,2,...,m；

特征9：轨迹质心与中心之差，dcm_i＝{|c_i-m_i|},i＝1,2,...,m；

特征10：质心线瞬时变化率，i＝1,2,...,m-1，其中，h为采样时间间隔；

特征11：离散度瞬时变化率，i＝1,2,...,m-1；

特征12：上包络线变化率，i＝1,2,...,m-1；

特征13：下包络线变化率，i＝1,2,...,m-1；

特征14：中心线变化率，i＝1,2,...,m-1；

特征15：包络线高度变化率，i＝1,2,...,m-1；

特征16：轨迹曲率， ${\mathrm{curv}}_i=\left\{\frac{1}{h^2}{\left[\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{i-1,j}-2x_{i,j}+x_{i+1,j})}^2\right]}^{1/2}\right\},$ i＝1,2,...,m-1；

特征17：质心线曲率， ${\mathrm{ccurv}}_i=\left\{\frac{1}{h^2}\right|c_{i-1}-2c_i+c_{i+1}\left|\right\},$ i＝1,2,...,m-1；

特征18：离散度曲率， ${\mathrm{dcurv}}_i=\left\{\frac{1}{h^2}\right|d_{i-1}-2d_i+d_{i+1}\left|\right\},$ i＝1,2,...,m-1；

特征19：上包络线曲率， ${\mathrm{uecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{ue}}_{i-1}-2{\mathrm{ue}}_i+{\mathrm{ue}}_{i+1}\left|\right\},$ i＝1,2,...,m-1；

特征20：下包络线曲率， ${\mathrm{lecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{le}}_{i-1}-2{\mathrm{le}}_i+{\mathrm{le}}_{i+1}\left|\right\},$ i＝1,2,...,m-1；

特征21：中心线曲率， ${\mathrm{mecurv}}_i=\left\{\frac{1}{h^2}\right|{\mathrm{me}}_{i-1}-2{\mathrm{me}}_i+{\mathrm{me}}_{i+1}\left|\right\},$ i＝1,2,...,m-1；

特征22：质心线变化加速度，i＝1,2,...,m-2；

特征23：离散度变化加速度，i＝1,2,...,m-2；

特征24：上包络线加速度，i＝1,2,...,m-2；

特征25：下包络线加速度，i＝1,2,...,m-2；

特征26：中心线加速度，i＝1,2,...,m-2；

特征27：包络线高度变化加速度，i＝1,2,...,m-2；

其中，轨迹曲线曲率的计算采用了三点二次插值算法；对N个电压轨迹簇样本计算特征量后得到的数据集记为X_N×M，N为样本个数，M为特征量个数，此处M＝27。

5.根据权利要求1所述的预测方法，其特征在于：在所述步骤S3包括将求得的权重w_i从大到小排序，将权值大于预先设定的阈值w₀的特征量组合构成与稳定结果强相关的特征子集。

6.根据权利要求1所述的预测方法，其特征在于，通过对不同负荷水平及位置拓扑结构下的数据进行预测判断，优化所述步骤S4中构建的预测模型。

7.根据权利要求6所述的预测方法，其特征在于：在所述步骤S4包括利用步骤S3获得的输入数据集作为支持向量机SVM的输入特征向量，并通过网格搜索算法在K折交叉验证情形下进行惩罚参数C和核函数参数g的寻找最优参数。

8.根据权利要求6所述的预测方法，其特征在于：在所述步骤S5包括将所述预测数据集作为在线预测数据集，并利用优化后的预测模型进行预测，得到系统暂态稳定的在线预测结果。