CN109214708B - 基于交叉熵理论优化支持向量机的电力系统风险评估方法 - Google Patents

Abstract

本发明涉及电力系统可靠性评估技术，具体涉及基于交叉熵理论优化支持向量机的电力系统风险评估方法，将交叉熵方法CEM应用于支持向量机SVM中，进行特征选择和SVM参数优化；并将构建的n维特征量作为SVM的输入，利用训练样本进行离线训练生成训练模型，通过对历史样本的学习，预测当前状态下电力系统的风险水平；包括：生成离线数据，使用交叉熵优化的SVM方法对风险样本数据进行训练，得到电网风险评估模型优化特征和参数；进行在线实时电力系统风险评估。用交叉熵算法优化支持向量机进行风险预测能够有效地去掉冗余和无关特征，减少了特征数量，结合优化的参数可以具有很好的收敛性，同时降低了计算的复杂度和耗时。具有错误率低、测试时间短的特点。

Description

基于交叉熵理论优化支持向量机的电力系统风险评估方法

技术领域

本发明属于电力系统可靠性评估技术领域，尤其涉及基于交叉熵理论优化支持向量机的电力系统风险评估方法。

背景技术

我国电力系统发展迅速，对社会经济做出了重大贡献。但现阶段电网仍存在一些问题，对于极端外部环境等条件下电网状态急剧变化的情况应对手段有限，供电可靠性有待进一步提高。电力系统风险评估可以指导电力设备的差异化运维，以便有针对性的解决风险来源，达到维持电力系统安全稳定运行的目的。

目前电力系统的风险评估应用尚不完善，主要依靠风险库方法。风险库采用枚举法扫描电网故障，在计算大型电网中N-2及以上多重故障时，故障组合数量指数爆炸，无法继续计算，满足不了《电力系统安全稳定导则》提出的应对多重故障的要求；由于系统运行模式的多样性，系统风险评估的计算量较大。由于计算时间的限制，现有风险库需要在典型运行方式下离线计算生成，且无法考虑设备状态的改变，而实际运行方式往往和典型运行方式不同，导致风险结果与电网实际风险偏差较大。

使用机器学习方法，对大量样本进行训练分析，可得到变量与结果之间的直接关联关系，省去复杂的中间过程，大幅降低计算时间。现有的机器学习的训练效果不是很理想，存在着需要大量训练样本，训练结果容易过拟合，训练时间比较长，易陷入局部最优等问题。

上述的这些机器学习方法都需要准确的电网结构和多年的元件可靠性指标历史数据，随着配电网结构越来越复杂，数据量不断增大，再加上目标电网局部负荷和元件可靠性数据的不确定性，采用这些传统方法对整个配电网目标年的供电可靠性进行评估所得预测结果可能与真实值偏差较大。但是配电网由大量的供电子网络构成，具有明显的大样本统计特征，

发明内容

本发明的目的是从配电网相关历史数据出发，提取出其对配电网供电可靠性指标的宏观相关性，建立相关因素评估指标，提出基于交叉熵优化的支持向量机的电力系统风险评估预测方法。

为实现上述目的，本发明采用的技术方案是：基于交叉熵理论优化支持向量机的电力系统风险评估方法，将交叉熵方法CEM应用于支持向量机SVM中，进行特征选择和SVM参数优化；并将构建的n维特征量作为SVM的输入，利用训练样本进行离线训练生成训练模型，通过对历史样本的学习，预测当前状态下电力系统的风险水平；包括：生成离线数据，使用交叉熵优化的SVM方法对风险样本数据进行训练，得到电网风险评估模型优化特征和参数；进行在线实时电力系统风险评估。

在上述的基于交叉熵理论优化支持向量机的电力系统风险评估方法中，所述电力系统风险评估方法的具体实现包括以下步骤：

步骤1、选取电网，采集大量离线状态数据，对电网历史状态数据样本进行数据预处理；电网历史状态数据样本包括线路故障率、各负荷点的负荷水平数据以及故障后果风险样本；

步骤2、提取经过数据预处理后的样本特征，形成特征集；将线路故障率、负荷水平、发电机出力、节点电压作为样本输入，将系统负荷消减量作为风险指标，选取足够大的训练样本，对其进行归一化处理；

其风险指标定义如下：

其中F(x_i)为系统负荷消减量，P(x_i)为故障发生概率；

步骤3、将特征集划分为训练集和验证集，选择合适的目标函数，并运用训练集和验证集进行基于CEM的SVM特征选择和参数优化学习；

步骤4，获取SVM最优特征和参数训练后的风险预测模型；

步骤5、获得电力系统实时电源管理单元PMU，量测原始数据；

步骤6、基于电力系统实时电源管理单元PMU量测原始数据进行预处理，即执行步骤2，构建n维特征量；

步骤7、将所构建的n维特征量输入已经训练好的交叉熵优化支持向量机 CEM-SVM评估离线训练模型；

步骤8、根据CEM-SVM评估离线训练模型的输出判断电力系统当前的风险水平。

本发明的有益效果：用交叉熵算法优化支持向量机进行风险预测能够有效地去掉冗余和无关特征，减少了特征数量，结合优化的参数可以具有很好的收敛性，同时降低了计算的复杂度和耗时。解决了目前电力系统在线风险评估方法无法满足准确性和快速性的问题，错误率低、测试时间短。

附图说明

图1是本发明一个实施例风险评估总体流程图；

图2是本发明一个实施例交叉熵优化支持向量机过程示意图。

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。

本实施例针对现有机器学习的不足，将交叉熵方法(CEM)应用在支持向量机(SVM)中，进行特征选择和SVM参数优化，将构建的n维特征量作为 SVM的输入，利用训练样本进行离线训练生成训练模型，通过对历史样本的学习，预测当前状态下电力系统的风险水平。

本实施例通过下述技术方案得以实现：

第一部分，生成离线数据，使用交叉熵优化的SVM方法对风险样本数据进行训练，得到电网风险评估模型优化特征和参数。

步骤1.1，选取某电网，采集大量离线状态数据，对电网历史状态数据样本，包括系统各线路故障率、各负荷点的负荷水平数据以及故障后果等风险样本进行数据预处理。

步骤1.2，对经过预处理后的样本进行特征提取，构成特征集；将电网历史线路故障率、负荷水平、发电机出力、节点电压等作为样本输入，将系统负荷消减量作为风险指标。选取足够大得训练样本，对其进行归一化处理。

其风险指标定义如下：

其中F(x_i)为系统的负荷消减量，P(x_i)为故障发生概率。

步骤1.3，将特征集数据划分为训练集和验证集两部分，选择合适的目标函数，并运用训练和验证集进行基于CEM的SVM特征选择和参数优化学习。

步骤1.4，获取SVM最优特征和参数训练后的风险预测模型。

第二部分，进行在线实时电力系统风险评估。

步骤2.1获得电力系统实时电源管理单元(power management unit，PMU) 量测原始数据数据。

步骤2.2基于电力系统实时电源管理单元PMU量测原始数据进行预处理，即执行1.2步骤，构建n维特征量。

步骤2.3将构建好的n维特征量输入已经训练好的CEM-SVM评估离线训练模型。

步骤2.4根据CEM-SVM评估离线训练模型的输出可以判断出电力系统当前的风险水平。

而且，第一部分中由历史状态数据生成的样本要能够量化成具体指标，单位统一，这样才能在同一个模型中进行训练。

而第二部分中，如何恰当的选择参数是算法的关键，这将影响构建模型的精确度，为了协调SVM的参数，选取交叉熵优化支持向量机(Cross entropy-SVM， CEM-SVM)的方法来优化SVM中的两个重要参数，惩罚因子c与径向基宽度g，由于非线性优化问题的复杂度由g决定，所以g的取值不当，会直接影响SVM 的适应性；c的取值不当，会引起过学习或欠学习。采用连续型交叉熵算法，以 SVM(c，g)为优化目标，SVM的交叉验证概率为适应度函数，具体优化步骤如下：

1)开始：对参数c与g的初始值μ₀(μ₀的维数为n)、

随机样本数M、平滑系数β以及分位数ρ₀分别赋初值，令迭代次数等于0；

2)取样：令t＝t+1，以

分布，产生M个候选样本矩阵 X^T＝[X₁，X₁，…，X_M]^T，中每个X_m都为n维向量，X_m＝(x_m，1，x_m，2，…，x_m，n，)；

3)排序：对适应度函数值的序列S_t＝[S_I(t)，…，S_K(t)]^T按从小到大进行排序，得到新矩阵

然后利用式(1)计算

序列的(1-ρ₀)分位数。

4)更新：利用产生的M个随机样本代入式(2)、(3)，更新参数μ_L＝(μ₁，μ₂，…，μ_n)和

其中L＝1，2，…，n。

5)平滑：对于m＝1，2，...，M计算

μ_L(t)＝βμ_L(t)+(1-β)μ_L(t-1) (4)

6)停止：如果在迭代过程中第t次迭代后满足终止条件

则终止迭代，否则，返回步骤(1)重新执行。

最后的到最优解X^*＝μ_(t)、惩罚因子c＝μ_L(t)和径向基宽度

具体实施时，如图1所示，为了解决在电力系统在线风险评估方法无法满足准确性和快速性的问题，将引入交叉熵优化支持向量机的电力系统风险评估方法(CEM-SVM)。技术方案主要分为两部分，第一步是离线训练：基于原始采样数据进行预处理，得到n维特征量，形成训练集和验证集输入(CEM-SVM)，进行SVM结构和参数的优化，生成电力系统风险评估离线模型；第二步是获得故障后PMU量测数据构建n维特征量，输入训练好的电力系统风险评估离线模型，对系统风险进行在线评估。包括以下步骤：

S1，选取某电网，采集大量离线状态数据，对电网历史状态数据样本，包括系统各线路故障率、各负荷点的负荷水平以及故障后果等风险样本进行数据预处理。

选择m个样本的历史数据作为样本空间，其中对每个样本选择n个最关键的状态变量进行处理，则共形成N＝m×n个状态变量。该状态数据可以构成一个列向量：

X^T＝[X₁，X₁，…，X_m]^T (1)

X_m＝(x_m，1，x_m，2，…，x_m，n，) (2)

S2，在模型构建前，需要对样本数据进行归一化处理，对历史数据进行归一化处理以提高模型的运算速度。将m组数据分成两组：一组是训练样本集，用来构建测试模型；另一组是验证样本集，用来对模型进行检测。其中选取k组作为训练样本，之后的m-k组作为验证样本，将状态量作为训练模型的输入，样本的风险值作为输出。

S3，对交叉熵算法以及SVM参数初始化设置。对参数c与g的初始值μ₀(μ₀的维数为n)、

随机样本数M、平滑系数β以及分位数ρ₀分别赋初值，令迭代次数等于0。

S4，采用连续型交叉熵算法，以SVM(c，g)为优化目标，利用CEM算法对 c和g迭代寻优，概率密度函数选取高斯分布N(μ，σ²)，SVM交叉验证概率作为适应度函数。

利用前述过程SVM参数具体优化步骤求得最优解X^*＝μ_(t)、惩罚因子c＝μ_L(t)和径向基宽度

以此获得满足条件的SVM参数。

S5，用S4得到的CEM-SVM模型对验证样本进行训练，得出验证样本风险。

S6，分析模型精度，若不符合精度要求，重新设定CEM-SVM参数，返回 S3重新训练。直到得到满足要求的CEM-SVM离线训练评估模型。S1-S6为本实施例交叉熵优化支持向量机过程，如图2所示。

S7，获得电力系统实时电源管理单元(power management unit，PMU)量测原始数据数据，基于PMU量测原始数据进行预处理，构建n维特征量。

S8，将构建好的n维特征量输入已经训练好的CEM-SVM评估离线训练模型。根据CEM-SVM评估离线训练模型的输出可以判断出电力系统当前的风险水平。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (1)

1.基于交叉熵理论优化支持向量机的电力系统风险评估方法，其特征是，将交叉熵方法CEM应用于支持向量机SVM中，进行特征选择和SVM参数优化；并将构建的n维特征量作为SVM的输入，利用训练样本进行离线训练生成训练模型，通过对历史样本的学习，预测当前状态下电力系统的风险水平；包括：生成离线数据，使用交叉熵优化的SVM方法对风险样本数据进行训练，得到电网风险评估模型优化特征和参数；进行在线实时电力系统风险评估；所述电力系统风险评估方法的具体实现包括以下步骤：

步骤1、选取电网，采集大量离线状态数据，对电网历史状态数据样本进行数据预处理；电网历史状态数据样本包括线路故障率、各负荷点的负荷水平数据以及故障后果风险样本；

选择m个样本的历史数据作为样本空间，其中对每个样本选择n个最关键的状态变量进行处理，则共形成N＝m×n个状态变量；该状态数据可以构成一个列向量：

X^T＝[X₁,X₁,…,X_m]^T

X_m＝(x_m,1,x_m,2,…,x_m,n,)；

步骤2、提取经过数据预处理后的样本特征，形成特征集；将线路故障率、负荷水平、发电机出力、节点电压作为样本输入，将系统负荷削减量作为风险指标并作为样本输出，选取足够大的训练样本，对其进行归一化处理；

其风险指标定义如下：

其中F(x_i)为系统负荷消减量，P(x_i)为故障发生概率；

将m个样本分成两组：一组是训练样本集，用来构建测试模型；另一组是验证样本集，用来对模型进行检测；其中选取k组作为训练样本，之后的m-k组作为验证样本，将状态量作为训练模型的输入，样本的风险值作为输出；

步骤3、采用连续型交叉熵算法，以SVM(c，g)为优化目标，利用CEM算法对处罚因子c和径向宽度g迭代寻优，概率密度函数选取高斯分布N(μ,σ²)，SVM交叉验证概率作为适应度函数；具体包括以下步骤：

1)初始化设置：对处罚因子c与径向宽度g的初始值μ₀，μ₀的维数为n、

随机样本数M、平滑系数β以及分位数ρ₀分别赋初值，令迭代次数等于0；

2)取样:令t＝t+1，以

分布，产生M个候选样本矩阵X^T＝[X₁,X₁,…,X_M]^T，中每个X_m都为n维向量，X_m＝(x_m,1,x_m,2,…,x_m,n,)；

3)排序:对适应度函数值的序列S_t＝[S_I(t),…,S_K(t)]^T按从小到大进行排序，得到新矩阵

然后利用式(1)计算

序列的(1-ρ₀)分位数；

4)更新:利用产生的M个随机样本代入式(2)、(3)，更新参数μ_L＝(μ₁,μ₂,…,μ_n)和

其中，L＝1,2,···，n；

5)平滑:对于m＝1，2，…，M计算

μ_L(t)＝βμ_L(t)+(1-β)μ_L(t-1) (4)

6)停止:如果在迭代过程中第t次迭代后满足终止条件

则终止迭代，否则，返回步骤1)重新执行；

最后得到最优解X^*＝μ_(t)、惩罚因子c＝μ_L(t)和径向基宽度

步骤4、用步骤3得到的CEM-SVM模型对验证样本进行训练，得出验证样本风险；

步骤5、分析模型精度，若不符合精度要求，重新设定CEM-SVM参数，返回步骤3重新训练；直到得到满足要求的CEM-SVM离线训练评估模型；

步骤6、获得电力系统实时电源管理单元PMU，量测原始数据数据，基于PMU量测原始数据进行预处理，构建n维特征量样本；

步骤7、将构建好的n维特征量样本作为单个样本输入已经训练好的CEM-SVM评估离线训练模型；根据CEM-SVM评估离线训练模型得到的输出，判断出电力系统当前的风险水平。

Images