CN108334721A - 基于mMIFS-U的两阶段电力系统关键特征选择方法及装置 - Google Patents

Abstract

本发明公开了一种基于mMIFS‑U的两阶段电力系统关键特征选择方法及装置，其中，方法包括：通过时域仿真生成暂态稳定仿真数据集；根据Parzen窗对暂态稳定仿真数据集进行概率密度估计；根据mMIFS‑U标准与概率密度估计的结果对暂态稳定仿真数据集进行特征初筛；以及根据特征初筛的结果通过SVM分类算法对暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。该方法能够更好地找到与电力系统安全稳定特性相关性较强而冗余度较低的特征，同时剔除掉无关特征，具有更高的分类准确率且方便快捷。

Description

基于mMIFS-U的两阶段电力系统关键特征选择方法及装置

技术领域

本发明涉及电力系统安全稳定分析技术领域，特别涉及一种基于mMIFS-U的两阶段电力系统关键特征选择方法及装置。

背景技术

随着电力系统的迅速发展，电网规模的不断扩大以及新增设备的不断投入使得电网的特性日益复杂，电网安全稳定特性越来越难以把握。电压等级的提高、受控元件的数目混合种类急剧增加导致潮流中的特征数目非常的庞大。

相关技术中，在目前的电网调度运行模式中，为了有效监视电网运行状态，通常依据人工经验采用降维的方式，即采用安全稳定规则作为电网运行约束条件。以这种人工方式制定的潮流限额与预想故障下系统的暂态稳定性具有一定的因果关系，但存在因信息缺漏导致潮流限额随运行点变化发生改变的缺陷，不利于判断电力系统的安全稳定。

相关技术中，电力系统特征选择方法主要有基于Relief标准的Filter方法、Wrapper方法和Embedded方法。然而，Filter方法简单快速但忽略了特征的相关性。Wrapper方法准确率高但依赖于分类器性能。Embedded方法与算法本身结合紧密，特征选择依赖于模型的训练。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于mMIFS-U的两阶段电力系统关键特征选择方法，该方法对于两阶段电力系统关键特征的选择具有更高的分类准确率且方便快捷。

本发明的另一个目的在于提出一种基于mMIFS-U的两阶段电力系统关键特征选择装置。

为达到上述目的，本发明一方面实施例提出了一种基于mMIFS-U的两阶段电力系统关键特征选择方法，包括以下步骤：通过时域仿真生成暂态稳定仿真数据集；根据Parzen窗对所述暂态稳定仿真数据集进行概率密度估计；根据mMIFS-U标准与概率密度估计的结果对所述暂态稳定仿真数据集进行特征初筛；以及根据特征初筛的结果通过SVM分类算法对所述暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。

本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法，通过暂态稳定仿真数据集结合Parzen窗对暂态稳定仿真数据集进行概率密度估计，并对其结果进行特征初筛和基于SVM分类算法的搜索，能够更好地找到与电力系统安全稳定特性相关性较强而冗余度较低的特征，同时剔除掉无关特征，具有更高的分类准确率且方便快捷。

另外，根据本发明上述实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，通过预设预想故障生成所述暂态稳定仿真数据集，其中，所述预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

进一步地，在本发明的一个实施例中，所述Parzen窗的窗口函数为高斯窗口函数，所述高斯窗口函数为：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵，h为窗口宽度。

进一步地，在本发明的一个实施例中，所述根据mMIFS-U标准结合所述概率密度估计对所述暂态稳定仿真数据集进行特征初筛，进一步包括：对所述暂态稳定仿真数据集D进行离散化，并采用所述Parzen窗估计变量的概率密度，以使初始特征集依据系统分区划分为多个区域及对应的候选特征集，并获取关键断面特征集；在所述初始特征集中找到使得mMIFS-U评价标准公式，以确定最大特征，并将所述最大特征加入到所述候选特征集中，并从所述初始特征集中删去，并直到达到迭代次数满足预设次数；将每个分区得到的所述候选特征集和所述关键断面特征集进行整合。

进一步地，在本发明的一个实施例中，所述基于SVM分类算法，进一步包括：所述SVM分类算法为：输入特征集；对于特征集中的所有特征，利用SVM算法对特征集进行训练，选择使得准确率最高的特征集，直至满足停止条件；输出特征集作为最终的特征集合。

为达到上述目的，本发明另一方面实施例提出了一种基于mMIFS-U的两阶段电力系统关键特征选择装置，包括：数据集生成模块，用于通过时域仿真生成暂态稳定仿真数据集；概率密度估计模块，用于根据Parzen窗对所述暂态稳定仿真数据集进行概率密度估计；特征初筛模块，用于根据mMIFS-U标准与概率密度估计的结果对所述暂态稳定仿真数据集进行特征初筛；以及特征选择模块，用于根据特征初筛的结果通过SVM分类算法对所述暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。

本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择装置，通过暂态稳定仿真数据集结合Parzen窗对暂态稳定仿真数据集进行概率密度估计，并对其结果进行特征初筛和基于SVM分类算法的搜索，能够更好地找到与电力系统安全稳定特性相关性较强而冗余度较低的特征，同时剔除掉无关特征，具有更高的分类准确率且方便快捷。

另外，根据本发明上述实施例的基于mMIFS-U的两阶段电力系统关键特征选择装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述数据集生成模块，进一步用于：通过预设预想故障生成所述暂态稳定仿真数据集，其中，所述预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

进一步地，在本发明的一个实施例中，所述Parzen窗的窗口函数为高斯窗口函数，所述高斯窗口函数为：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵，h为窗口宽度。

进一步地，在本发明的一个实施例中，所述特征初筛模块，进一步用于：对所述暂态稳定仿真数据集D进行离散化，并采用所述Parzen窗估计变量的概率密度，以使初始特征集依据系统分区划分为多个区域及对应的候选特征集，并获取关键断面特征集；在所述初始特征集中找到使得mMIFS-U评价标准公式，以确定最大特征，并将所述最大特征加入到所述候选特征集中，并从所述初始特征集中删去，并直到达到迭代次数满足预设次数；将每个分区得到的所述候选特征集和所述关键断面特征集进行整合。

进一步地，在本发明的一个实施例中，所述特征选择模块，进一步用于：输入特征集；对于特征集中的所有特征，利用SVM算法对特征集进行训练，选择使得准确率最高的特征集，直至满足停止条件；输出特征集作为最终的特征集合。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法的流程图；

图2为根据本发明一个实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法的流程图；

图3为根据本发明一个实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法搜索阶段的流程图；

图4为根据本发明一个实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法搜索算法的示意图；

图5为根据本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的基于mMIFS-U的两阶段电力系统关键特征选择方法及装置，首先将参照附图描述根据本发明实施例提出的基于mMIFS-U的两阶段电力系统关键特征选择方法。

图1为根据本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择方法的流程图。

如图1所示，该基于mMIFS-U的两阶段电力系统关键特征选择方法包括以下步骤：

在步骤S101中，通过时域仿真生成暂态稳定仿真数据集。

具体而言，通过预设预想故障生成暂态稳定仿真数据集，其中，预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

在本发明的一个实施例中，如图2所示，采用固定预想故障来解决安全域概念下大扰动下的电力系统暂态稳定问题。具体而言，故障设置为在线路两端设置三相短路接地故障，一段时间后切除故障线路。不断改变潮流(运行点)进行暂态稳定仿真计算，从中选取一定数量的稳定样本与不稳定样本以保证稳定样本与不稳定样本数量相当。

具体而言，以IEEE39节点系统为例，暂态稳定仿真在PSASP(Power SystemAnalysis Software Package电力系统分析综合程序)中进行，故障设置为线路三相短路接地，故障经过一段时间后切除故障及相应故障线路。记录故障发生前线路有功P、无功Q，母线电压幅值U、相角θ，发电机和负荷母线的有功P、无功Q作为系统的输入特征。其中，仿真终止时间设定为10s，仿真终止时若某两台机组的功角差大于180°，则判定此次仿真系统不稳定。

在步骤S102中，根据Parzen窗对暂态稳定仿真数据集进行概率密度估计。

在本发明的一个实施例中，数据的真实分布一般是未知的，因此在利用信息理论时需要对随机变量的概率分布进行估计。采用Parzen窗进行概率密度估计，聚义方法如式为：

其中，为估计的概率密度，窗口函数φ(·)满足∫φ(y,h)dy＝1；h是窗口宽度，与样本数n有关。进一步地，窗口函数通常选用高斯窗口：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵。

在步骤S103中，根据mMIFS-U标准与概率密度估计的结果对暂态稳定仿真数据集进行特征初筛。

在本发明的一个实施例中，如图3所示，基于mMIFS-U标准的特征初筛方法首先根据特征的冗余度对系统进行分区，然后通过特征量的信息熵与互信息计算mMIFS-U指标。信息熵与互信息的概念定义如下。信息熵通过概率密度来表示随机变量X的不确定性：

H(X)＝-∫_xp(x)log(x)dx，

其中，p(x)表示随机变量X的概率密度，H(X)表示随机变量的信息熵。

互信息用来描述两个随机变量之间共同拥有的信息量，可以表示两个随机变量之间相互依赖的程度，定义为：

其中，I(X，Y)为变量X和Y之间的互信息。

信息论中的mMIFS-U评价标准为：

其中，f_i为候选特征，f_s为已选特征，C为类别信息，H(f_s)为已选特征的信息熵，I(C；f_i)为类别信息与候选特征之间的互信息，I(C；f_s)为类别信息与已选特征之间的互信息。

进一步地，初筛阶段的具体流程如下：

1)初始化：对数据集D进行离散化，采用Parzen窗估计变量的概率密度，初始特征集依据系统分区划分为F1，F2，…Fn，对应的候选特征集为S₁，S₂，…S_n,依据人工经验预选出关键断面特征集S_C；

2)对于分区m，在初始特征集Fm中找到使得f_s∈S得到最大的特征f_i，将其加入到候选特征集S_m中并从F_m中删去，即：F_m＝F_m-{f_i}，S_m＝S_m∪{f_i}；

3)重复步骤2)，直到达到迭代次数上限k；

4)将每个分区得到的特征集S_m以及关键断面特征集S_C进行整合：

S_F＝S₁∪S₂∪...S_n∪S_C

在步骤S104中，根据特征初筛的结果通过SVM分类算法对暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。

在本发明的一个实施例中，如图4所示，利用基于SVM的分类器进一步对特征进行筛选，基本过程如下：

1)输入特征集S＝S_F；

2)对于特征集S中的所有特征f_i，利用SVM算法对特征集S_X＝S-{f_i}进行训练，选择使得准确率最高的S_X，令S＝S_X；

3)重复步骤2)直至满足停止条件；

4)输出特征集S作为最终的特征集合。

本发明实施例的两阶段电力系统关键特征选择方法，通过暂态稳定仿真数据集结合Parzen窗对暂态稳定仿真数据集进行概率密度估计，并对其结果进行特征初筛和基于SVM分类算法的搜索，能够更好地找到与电力系统安全稳定特性相关性较强而冗余度较低的特征，同时剔除掉无关特征，具有更高的分类准确率且方便快捷。

其次参照附图描述根据本发明实施例提出的基于mMIFS-U的两阶段电力系统关键特征选择装置。

图5为根据本发明实施例的基于mMIFS-U的两阶段电力系统关键特征选择装置的结构示意图。

如图5所示，该基于mMIFS-U的两阶段电力系统关键特征选择装置10包括：数据集生成模块100、概率密度估计模块200、特征初筛模块300和特征选择模块400。

其中，数据集生成模块100用于通过时域仿真生成暂态稳定仿真数据集。概率密度估计模块200用于根据Parzen窗对暂态稳定仿真数据集进行概率密度估计。特征初筛模块300用于根据mMIFS-U标准与概率密度估计的结果对暂态稳定仿真数据集进行特征初筛。特征选择模块400用于根据特征初筛的结果通过SVM分类算法对暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。该基于mMIFS-U的两阶段电力系统关键特征选择装置10对于两阶段电力系统关键特征的选择具有更高的分类准确率且方便快捷。

进一步地，在本发明的一个实施例中，所述数据集生成模块100，进一步用于：通过预设预想故障生成所述暂态稳定仿真数据集，其中，所述预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

进一步地，在本发明的一个实施例中，所述Parzen窗的窗口函数为高斯窗口函数，所述高斯窗口函数为：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵，h为窗口宽度。

进一步地，在本发明的一个实施例中，，特征初筛模块300，进一步用于：对暂态稳定仿真数据集D进行离散化，并采用Parzen窗估计变量的概率密度，以使初始特征集依据系统分区划分为多个区域及对应的候选特征集，并获取关键断面特征集；在初始特征集中找到使得mMIFS-U评价标准公式，以确定最大特征，并将最大特征加入到候选特征集中，并从初始特征集中删去，并直到达到迭代次数满足预设次数；将每个分区得到的候选特征集和关键断面特征集进行整合。

进一步地，在本发明的一个实施例中，所述特征选择模块400，进一步用于：输入特征集；对于特征集中的所有特征，利用SVM算法对特征集进行训练，选择使得准确率最高的特征集，直至满足停止条件；输出特征集作为最终的特征集合。

需要说明的是，前述对基于mMIFS-U的两阶段电力系统关键特征选择方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

本发明实施例的两阶段电力系统关键特征选择装置，通过暂态稳定仿真数据集结合Parzen窗对暂态稳定仿真数据集进行概率密度估计，并对其结果进行特征初筛和基于SVM分类算法的搜索，能够更好地找到与电力系统安全稳定特性相关性较强而冗余度较低的特征，同时剔除掉无关特征，具有更高的分类准确率且方便快捷。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于mMIFS-U的两阶段电力系统关键特征选择方法，其特征在于，包括以下步骤：

通过时域仿真生成暂态稳定仿真数据集；

根据Parzen窗对所述暂态稳定仿真数据集进行概率密度估计；

根据mMIFS-U标准与概率密度估计的结果对所述暂态稳定仿真数据集进行特征初筛；以及

根据特征初筛的结果通过SVM分类算法对所述暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。

2.根据权利要求1所述的两阶段电力系统关键特征选择方法，其特征在于，通过预设预想故障生成所述暂态稳定仿真数据集，其中，所述预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

3.根据权利要求1所述的两阶段电力系统关键特征选择方法，其特征在于，所述Parzen窗的窗口函数为高斯窗口函数，所述高斯窗口函数为：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵，h为窗口宽度。

4.根据权利要求1所述的两阶段电力系统关键特征选择方法，其特征在于，所述根据mMIFS-U标准结合所述概率密度估计对所述暂态稳定仿真数据集进行特征初筛，进一步包括：

对所述暂态稳定仿真数据集D进行离散化，并采用所述Parzen窗估计变量的概率密度，以使初始特征集依据系统分区划分为多个区域及对应的候选特征集，并获取关键断面特征集；

在所述初始特征集中找到使得mMIFS-U评价标准公式，以确定最大特征，并将所述最大特征加入到所述候选特征集中，并从所述初始特征集中删去，并直到达到迭代次数满足预设次数；

将每个分区得到的所述候选特征集和所述关键断面特征集进行整合。

5.根据权利要求4所述的两阶段电力系统关键特征选择方法，其特征在于，所述SVM分类算法为：

输入特征集；

对于特征集中的所有特征，利用SVM算法对特征集进行训练，选择使得准确率最高的特征集，直至满足停止条件；

输出特征集作为最终的特征集合。

6.一种基于mMIFS-U的两阶段电力系统关键特征选择装置，其特征在于，包括：

数据集生成模块，用于通过时域仿真生成暂态稳定仿真数据集；

概率密度估计模块，用于根据Parzen窗对所述暂态稳定仿真数据集进行概率密度估计；

特征初筛模块，用于根据mMIFS-U标准与概率密度估计的结果对所述暂态稳定仿真数据集进行特征初筛；以及

特征选择模块，用于根据特征初筛的结果通过SVM分类算法对所述暂态稳定仿真数据集进行搜索，以得到关键特征选择结果。

7.根据权利要求6所述的基于mMIFS-U的两阶段电力系统关键特征选择装置，其特征在于，所述数据集生成模块，进一步用于：

通过预设预想故障生成所述暂态稳定仿真数据集，其中，所述预设预想故障为在线路两端设置三相短路接地故障，并在预设时间后切除故障线路，不断改变潮流进行暂态稳定仿真计算，以得到多个稳定样本和多个不稳定样本。

8.根据权利要求6所述的基于mMIFS-U的两阶段电力系统关键特征选择装置，其特征在于，所述Parzen窗的窗口函数为高斯窗口函数，所述高斯窗口函数为：

其中，z＝x-x_i，m为样本x的维度，Σ为z的协方差矩阵，h为窗口宽度。

9.根据权利要求6所述的基于mMIFS-U的两阶段电力系统关键特征选择装置，其特征在于，所述特征初筛模块，进一步用于：

对所述暂态稳定仿真数据集D进行离散化，并采用所述Parzen窗估计变量的概率密度，以使初始特征集依据系统分区划分为多个区域及对应的候选特征集，并获取关键断面特征集；

在所述初始特征集中找到使得mMIFS-U评价标准公式，以确定最大特征，并将所述最大特征加入到所述候选特征集中，并从所述初始特征集中删去，并直到达到迭代次数满足预设次数；

将每个分区得到的所述候选特征集和所述关键断面特征集进行整合。

10.根据权利要求6所述的基于mMIFS-U的两阶段电力系统关键特征选择装置，其特征在于，所述特征选择模块，进一步用于：

输入特征集；

对于特征集中的所有特征，利用SVM算法对特征集进行训练，选择使得准确率最高的特征集，直至满足停止条件；

输出特征集作为最终的特征集合。