CN109636248A - 适用于电力系统暂态稳定评估的特征选择方法及装置 - Google Patents
适用于电力系统暂态稳定评估的特征选择方法及装置 Download PDFInfo
- Publication number
- CN109636248A CN109636248A CN201910035014.XA CN201910035014A CN109636248A CN 109636248 A CN109636248 A CN 109636248A CN 201910035014 A CN201910035014 A CN 201910035014A CN 109636248 A CN109636248 A CN 109636248A
- Authority
- CN
- China
- Prior art keywords
- feature
- power system
- candidate
- transient stability
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000013459 approach Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 230000006641 stabilisation Effects 0.000 claims abstract description 8
- 238000011105 stabilization Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 9
- 230000003252 repetitive effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种适用于电力系统暂态稳定评估的特征选择方法及装置，其中，方法包括以下步骤：通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定电力系统的候选特征集；采用Relief算法对候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；采用基于支持向量机SVM模型的Wrapper方法对特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；根据特征集采用特征量追加法获取特征选择结果。该方法能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。
Description
技术领域
本发明涉及电力系统安全稳定分析技术领域，特别涉及一种适用于电力系统暂态稳定评估的特征选择方法及装置。
背景技术
电力系统暂态稳定评估是关系到电力系统安全稳定运行的重要问题，也是电力系统中研究的一个重要课题。随着电网发展越来越迅速，全国联网规模不断扩大，导致电力系统潮流运行中特征量数目十分庞大。在电网的安全稳定问题研究中，找到起关键作用的特征对于电网的监控与安全运行十分重要。
电力系统运行中可供选择的潮流量巨大，包括发电机出力、负荷和线路潮流等，如果全部拿来用作暂态稳定评估的输入容易导致模型训练困难，计算复杂度大而且不利于相关控制措施的采取。特征选择主要是从系统大量的潮流量中针对特定故障选取一个潮流量的子集，用于后续的暂态稳定评估。
目前，通常依据运行经验选取潮流特征作为对电力系统暂态稳定评估的关键控制对象进行研究，仅靠人工经验难以准确、全面地掌握电网运行规律，可能会忽略电网运行的潜在问题。
特征选择方法依据是否独立于后续的学习算法，一般可以分为过滤式(Filter)和封装式(Wrapper)两种。Filter与后续的学习算法无关，是直接利用所有训练数据的统计性能选择特征，计算量相对小，速度快，但有可能选择的结果与后续学习算法的性能偏差较大。Wrapper利用后续学习算法的训练准确率评估特征子集，偏差小，但是计算量大。
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适用于电力系统暂态稳定评估的特征选择方法，该方法能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。
本发明的另一个目的在于提出一种适用于电力系统暂态稳定评估的特征选择装置。
为达到上述目的，本发明一方面实施例提出了一种适用于电力系统暂态稳定评估的特征选择方法，包括以下步骤：通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；采用Relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；采用基于支持向量机SVM(Support Vector Machine，支持向量机)模型的Wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；根据所述特征集采用特征量追加法获取特征选择结果。
本发明实施例的适用于电力系统暂态稳定评估的特征选择方法，依次使用Filter方法和Wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题。首先采用Relief算法作为Filter阶段进行特征初筛，其次采用支持向量机模型作为Wrapper阶段对特征量作进一步筛选，并提出一种特征量追加法，实现利用较少的输入量以获得更好的分类效果，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。
另外，根据本发明上述实施例的适用于电力系统暂态稳定评估的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，所述采用Relief算法对所述候选特征集的候选特征进行初筛，包括：根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。
进一步地，在本发明的一个实施例中，根据所述每个特征对近距离样本的区分能力获取所述Relief算法中特征和类别的相关性。
进一步地，在本发明的一个实施例中，所述每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
进一步地，在本发明的一个实施例中，所述根据所述特征集采用特征量追加法获取特征选择结果，包括：(1)设输入特征量集合元素个数为N，目标特征量个数为M，其中，N为大于等于零的正整数；(2)将所述特征集中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)，其中，i为正整数；(3)取所述A(i)的最大值对应的特征量，加入所述特征量集，N＝N+1；(4)重复过程(2)和(3)，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
为达到上述目的，本发明另一方面实施例提出了一种适用于电力系统暂态稳定评估的特征选择装置，包括：确定模块，用于通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；初筛模块，用于采用Relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；训练模块，用于采用基于支持向量机SVM模型的Wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；获取模块，用于根据所述特征集采用特征量追加法获取特征选择结果。
本发明实施例的适用于电力系统暂态稳定评估的特征选择装置，依次使用Filter方法和Wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题。首先采用Relief算法作为Filter阶段进行特征初筛，其次采用支持向量机模型作为Wrapper阶段对特征量作进一步筛选，并提出一种特征量追加法，实现利用较少的输入量以获得更好的分类效果，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。
另外，根据本发明上述实施例的适用于电力系统暂态稳定评估的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，所述初筛模块进一步用于根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。
进一步地，在本发明的一个实施例中，所述初筛模块进一步用于根据所述每个特征对近距离样本的区分能力获取所述Relief算法中特征和类别的相关性。
进一步地，在本发明的一个实施例中，所述每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
进一步地，在本发明的一个实施例中，所述获取模块，包括：设置单元，用于设输入特征量集合元素个数为N，目标特征量个数为M，其中，N为大于等于零的正整数；输入单元，用于将所述特征集中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)，其中，i为正整数；加入单元，用于取所述A(i)的最大值对应的特征量，加入所述特征量集，N＝N+1；重复单元，用于重复执行所述输入单元和加入单元，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
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适用于电力系统暂态稳定评估的特征选择方法的流程图；
图2为根据本发明一个实施例的适用于电力系统暂态稳定评估的特征选择方法的流程图；
图3为根据本发明实施例的特征追加法流程图；
图4为根据本发明实施例的适用于电力系统暂态稳定评估的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适用于电力系统暂态稳定评估的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适用于电力系统暂态稳定评估的特征选择方法。
图1是本发明一个实施例的适用于电力系统暂态稳定评估的特征选择方法的流程图。
如图1所示，该适用于电力系统暂态稳定评估的特征选择方法包括以下步骤：
在步骤S101中，通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定电力系统的候选特征集。
可以理解的是，如图2所示，采用选取电力系统潮流运行中的特征量为候选特征，具体地，通过暂态稳定时域仿真得到系统稳定结果的样本数据集，并确定系统候选特征集。
在步骤S102中，采用Relief算法对候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果。
可以理解的是，如图2所示，本发明实施例可以用Relief算法计算各候选特征的权重，进行第一阶段初筛。
进一步地，在本发明的一个实施例中，采用Relief算法对候选特征集的候选特征进行初筛，包括：根据每个特征和类别的相关性赋予特征不同的权重，以选取权重大于预设阈值的特征来进行特征选择，并且移除权重小于预设阈值的特征。其中，在本发明的一个实施例中，根据每个特征对近距离样本的区分能力获取Relief算法中特征和类别的相关性。每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
具体而言，Relief算法是一种特征权重算法，是Filter方法的典型应用，该算法根据各个特征和类别的相关性赋予特征不同的权重，通过选取权重大于某一阈值的特征来进行特征选择，权重小于某个阈值的特征将被移除。Relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力，其实现过程如下。
(1)以IEEE 39节点系统为例，暂态稳定仿真在PSASP(Power System AnalysisSoftware Package电力系统分析综合程序)中进行，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。记录故障前系统潮流中线路有功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作为候选特征集。
(2)设训练集为S，一共有N个样本，即Si＝(si1,…,sik,…,sip),i＝1,2,…,N，其中的Sik表示第i个样本中第k个特征的取值，而P表示每个样本有P个候选特征，设这P个候选特征分别记为f1,f2,…,fp。
(3)定义样本Si＝(si1,…,sik,…,sip)和样本Sj＝(sj1,…,sjk,…,sjp)之间的差别表达式如下：
式中max(sk)表示第k个候选特征取值的最大值，min(sk)表示第k个候选特征取值的最小值。
(4)将原始数据集S根据类别属性分为两类，分别记为S+和S-，令初始候选特征的权重向量为W＝(w1,w2,…,wp)＝(0,0,…,0)，随机从S中选取一个样本X＝(x1,x2,…,xp)，计算X到S+和S-中每个样本的距离，寻找距离最近的样本。
(5)记与X同类别的最邻近样本为NearHit＝(nh1,nh2,…,nhp)，与X不同类别的最邻近样本为NearMiss＝(nm1,nm2,…,nmp)，更新各特征的权重：
wi＝wi-diff(xi,nhi)2+diff(xi,nmi)2 (2)
上述过程重复计算m次后，求各特征权重的平均值：
(6)对各特征的平均权重进行排序，权重大于某一阈值τ的特征即为选中的特征，权重小于阈值τ的特征移除，最终得到经Filter阶段筛选的特征集P*。
在步骤S103中，采用基于支持向量机SVM模型的Wrapper方法对特征初筛结果进行训练，以得到描述电力系统稳定性的特征集。
可以理解的是，根据特征初筛的结果，采用基于支持向量机SVM模型的Wrapper方法对初筛结果进行训练，以得到能够准确描述电力系统稳定性的特征集。
具体而言，支持向量机是一种二分类的模型，是一种监督式的机器学习方法。支持向量机方法通过在样本空间中寻找一个最优超平面将样本完成分类。在可以分类的超平面中，有两个超平面上存在着一部分样本，这里的两个超平面分别与两类数据接触，最优超平面在两者之间，并且能够使所有样本点尽可能的远离最优超平面。
在给定的一组数据(xi,yi),i＝1,2,...l,xi∈Rn,y∈{-1,1}，支持向量机就是求解如式(4)这样一个最优化的问题：
在上面的表达式中，xi被函数φ映射到一个高维空间，SVM在这个高维空间里找到一个间隔最大的线性超平面来对其进行分类。C>0是误差向量的惩罚函数，而K(xi,xj)＝φ(xi)Tφ(xj)则被称为核函数。
常用的核函数有如下四种：
(1)线性核函数(linear)：K(xi,xj)＝xi Txj；
(2)多项式核函数(polynomial)：K(xi,xj)＝(γxi Txj+r)d,γ＞0；
(3)RBF(radial basis function，径向基核函数)：
K(xi,xj)＝exp(-γ||xi-xj||2),γ>0；
(4)sigmoid核函数：K(xi,xj)＝tanh(γxi Txj+r)。
选取经第一阶段Relief算法初筛得到的特征作为SVM模型训练的输入特征，以电力系统暂态稳定结果作为分类类别训练模型，基本过程如下：
(1)以第一阶段初筛的特征集P*作为初始输入特征集；
(2)对于特征集P*中的所有特征fi，利用SVM算法对特征集PX＝P*-{fi}进行训练，选择使得准确率最高的特征集PX，令P**＝PX；
(3)重复步骤(2)至停止；
(4)输出特征集P**作为最终特征集合。
在步骤S104中，根据特征集采用特征量追加法获取特征选择结果。
可以理解的是，如图2所示，本发明实施例可以采用特征量追加法以更少的特征量获得更好的分类效果。
具体而言，输入特征量的选取决定分类效果，因此要利用尽可能少的输入特征量得到尽量好的分类效果。分类效果由训练准确率和测试准确率两者共同评价。如图3所示，在本发明的一个实施例中，基本过程如下：
(1)设输入特征量集合元素个数为N(初始N＝0)，目标特征量个数为M；
(2)将特征集合P**中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)；
(3)取A(i)的最大值对应的特征量，加入特征量集合，N＝N+1；
(4)重复过程(2)和(3)，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
综上，本发明实施例可以使用Filter方法和Wrapper方法进行两阶段的特征选择，所采用的技术方案是：首先采用选取电力系统潮流运行中的特征量为候选特征，用Relief算法计算各候选特征的权重，进行第一阶段初筛；其次以第一阶段初筛的特征量作为SVM模型的数据进行训练，以系统暂态稳定状态作为类别进行分类，得到能够准确描述电力系统稳定性的特征集；最后采用特征量追加法完善特征集。
根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择方法，建立了Filter方法和Wrapper方法相结合的两阶段特征选择方法，能够能到更为准确、高效的特征选择；特征选择方法以电力系统稳定状态作为分类类别，使得所选特征可以作为电力系统暂态稳定评估的关键特征量；特征量追加法能够对特征选择做进一步的完善，可以实现以较少的特征量得到更高的分类准确率。
其次参照附图描述根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择装置。
图4是本发明一个实施例的适用于电力系统暂态稳定评估的特征选择装置的结构示意图。
如图4所示，该适用于电力系统暂态稳定评估的特征选择装置10包括：确定模块100、初筛模块200、训练模块300和获取模块400。
其中，确定模块100用于通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定电力系统的候选特征集。初筛模块200用于采用Relief算法对候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果。训练模块300用于采用基于支持向量机SVM模型的Wrapper方法对特征初筛结果进行训练，以得到描述电力系统稳定性的特征集。获取模块400用于根据特征集采用特征量追加法获取特征选择结果。本发明实施例的装置10依次使用Filter方法和Wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。
进一步地，在本发明的一个实施例中，初筛模块200进一步用于根据每个特征和类别的相关性赋予特征不同的权重，以选取权重大于预设阈值的特征来进行特征选择，并且移除权重小于预设阈值的特征。
进一步地，在本发明的一个实施例中，初筛模块200进一步用于根据每个特征对近距离样本的区分能力获取Relief算法中特征和类别的相关性。
进一步地，在本发明的一个实施例中，每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
进一步地，在本发明的一个实施例中，获取模块400包括：设置单元、输入单元、加入单元和重复单元。
其中，设置单元用于设输入特征量集合元素个数为N，目标特征量个数为M，其中，N为大于等于零的正整数。输入单元用于将特征集中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)，其中，i为正整数。加入单元用于取A(i)的最大值对应的特征量，加入特征量集，N＝N+1。重复单元用于重复执行输入单元和加入单元，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
需要说明的是，前述对适用于电力系统暂态稳定评估的特征选择方法实施例的解释说明也适用于该实施例的适用于电力系统暂态稳定评估的特征选择装置，此处不再赘述。
根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择装置，建立了Filter方法和Wrapper方法相结合的两阶段特征选择方法，能够能到更为准确、高效的特征选择；特征选择方法以电力系统稳定状态作为分类类别，使得所选特征可以作为电力系统暂态稳定评估的关键特征量；特征量追加法能够对特征选择做进一步的完善，可以实现以较少的特征量得到更高的分类准确率。
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)
1.一种适用于电力系统暂态稳定评估的特征选择方法，其特征在于，包括以下步骤：
通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；
采用Relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；
采用基于支持向量机SVM模型的Wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；以及
根据所述特征集采用特征量追加法获取特征选择结果。
2.根据权利要求1所述的适用于电力系统暂态稳定评估的特征选择方法，其特征在于，所述采用Relief算法对所述候选特征集的候选特征进行初筛，包括：
根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。
3.根据权利要求2所述的适用于电力系统暂态稳定评估的特征选择方法，其特征在于，根据所述每个特征对近距离样本的区分能力获取所述Relief算法中特征和类别的相关性。
4.根据权利要求2或3所述的适用于电力系统暂态稳定评估的特征选择方法，其特征在于，所述每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
5.根据权利要求1-4任一项所述的适用于电力系统暂态稳定评估的特征选择方法，其特征在于，所述根据所述特征集采用特征量追加法获取特征选择结果，包括：
(1)设输入特征量集合元素个数为N，目标特征量个数为M，其中，N为大于等于零的正整数；
(2)将所述特征集中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)，其中，i为正整数；
(3)取所述A(i)的最大值对应的特征量，加入所述特征量集，N＝N+1；
(4)重复过程(2)和(3)，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
6.一种适用于电力系统暂态稳定评估的特征选择装置，其特征在于，包括：
确定模块，用于通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；
初筛模块，用于采用Relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；
训练模块，用于采用基于支持向量机SVM模型的Wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；以及
获取模块，用于根据所述特征集采用特征量追加法获取特征选择结果。
7.根据权利要求6所述的适用于电力系统暂态稳定评估的特征选择装置，其特征在于，所述初筛模块进一步用于根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。
8.根据权利要求7所述的适用于电力系统暂态稳定评估的特征选择装置，其特征在于，所述初筛模块进一步用于根据所述每个特征对近距离样本的区分能力获取所述Relief算法中特征和类别的相关性。
9.根据权利要求7或8所述的适用于电力系统暂态稳定评估的特征选择装置，其特征在于，所述每个特征的权重的计算公式为：
其中，m为计算的次数，W为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。
10.根据权利要求6-9任一项所述的适用于电力系统暂态稳定评估的特征选择装置，其特征在于，所述获取模块，包括：
设置单元，用于设输入特征量集合元素个数为N，目标特征量个数为M，其中，N为大于等于零的正整数；
输入单元，用于将所述特征集中第i个特征作为输入特征训练SVM，得到测试准确率和训练准确率，将两种准确率的平均值记为A(i)，其中，i为正整数；
加入单元，用于取所述A(i)的最大值对应的特征量，加入所述特征量集，N＝N+1；
重复单元，用于重复执行所述输入单元和加入单元，直到N＝M计算结束，此时的M个特征量为数量缩减后的特征量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035014.XA CN109636248A (zh) | 2019-01-15 | 2019-01-15 | 适用于电力系统暂态稳定评估的特征选择方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910035014.XA CN109636248A (zh) | 2019-01-15 | 2019-01-15 | 适用于电力系统暂态稳定评估的特征选择方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636248A true CN109636248A (zh) | 2019-04-16 |
Family
ID=66060835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910035014.XA Pending CN109636248A (zh) | 2019-01-15 | 2019-01-15 | 适用于电力系统暂态稳定评估的特征选择方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636248A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401783A (zh) * | 2020-04-07 | 2020-07-10 | 国网山东省电力公司 | 一种电力系统运行数据集成特征选择方法 |
| CN113537366A (zh) * | 2021-07-21 | 2021-10-22 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
| CN114021180A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 |
| CN114021425A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 |
| CN114881410A (zh) * | 2022-04-02 | 2022-08-09 | 国网山西省电力公司电力科学研究院 | 模型-数据混合驱动的电力系统暂态稳定在线评估方法 |
| CN117574116A (zh) * | 2024-01-15 | 2024-02-20 | 湖南大学 | 一种海底直流系统暂态稳定评估的混合特征选择方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104578053A (zh) * | 2015-01-09 | 2015-04-29 | 北京交通大学 | 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 |
| CN105938523B (zh) * | 2016-03-31 | 2017-09-22 | 陕西师范大学 | 基于特征辨识度和独立性的基因选择方法 |
-
2019
- 2019-01-15 CN CN201910035014.XA patent/CN109636248A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104578053A (zh) * | 2015-01-09 | 2015-04-29 | 北京交通大学 | 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 |
| CN105938523B (zh) * | 2016-03-31 | 2017-09-22 | 陕西师范大学 | 基于特征辨识度和独立性的基因选择方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴双等: ""基于AI 技术的电网关键稳定特征智能选择方法"", 《中国电机工程学报》 * |
| 李晓岚: ""基于Relief特征选择算法的研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401783A (zh) * | 2020-04-07 | 2020-07-10 | 国网山东省电力公司 | 一种电力系统运行数据集成特征选择方法 |
| CN113537366A (zh) * | 2021-07-21 | 2021-10-22 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
| CN113537366B (zh) * | 2021-07-21 | 2023-09-05 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
| CN114021180A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 |
| CN114021425A (zh) * | 2021-10-11 | 2022-02-08 | 清华大学 | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 |
| CN114021180B (zh) * | 2021-10-11 | 2024-04-12 | 清华大学 | 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 |
| CN114021425B (zh) * | 2021-10-11 | 2024-04-12 | 清华大学 | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 |
| CN114881410A (zh) * | 2022-04-02 | 2022-08-09 | 国网山西省电力公司电力科学研究院 | 模型-数据混合驱动的电力系统暂态稳定在线评估方法 |
| CN117574116A (zh) * | 2024-01-15 | 2024-02-20 | 湖南大学 | 一种海底直流系统暂态稳定评估的混合特征选择方法 |
| CN117574116B (zh) * | 2024-01-15 | 2024-04-19 | 湖南大学 | 一种海底直流系统暂态稳定评估的混合特征选择方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636248A (zh) | 适用于电力系统暂态稳定评估的特征选择方法及装置 | |
| Baltas et al. | A comparative analysis of decision trees, support vector machines and artificial neural networks for on-line transient stability assessment | |
| Jain et al. | Fast voltage contingency screening using radial basis function neural network | |
| CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
| US5625751A (en) | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
| CN111914486A (zh) | 一种基于图注意力网络的电力系统暂态稳定评估方法 | |
| CN102074955A (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| Gupta et al. | Neural network based early warning system for an emerging blackout in smart grid power networks | |
| CN111967738A (zh) | 一种电网信息能量融合系统的风险预警方法、系统和介质 | |
| CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
| CN110634082A (zh) | 一种基于深度学习的低频减载系统运行阶段预测方法 | |
| Guo et al. | The effect of quality and availability of measurement signals on accuracy of on-line prediction of transient stability using decision tree method | |
| Krishna et al. | Transient stability assessment using artificial neural networks | |
| MansourLakouraj et al. | A multi-rate sampling PMU-based event classification in active distribution grids with spectral graph neural network | |
| Arefi et al. | Ensemble adaptive neuro fuzzy support vector machine for prediction of transient stability | |
| Subramani et al. | Artificial neural network based voltage stability analysis in power system | |
| Nizam | Kohonen neural network clustering for voltage control in power systems | |
| CN108536877A (zh) | 风力发电机组振动程度的评估方法与系统 | |
| Guo et al. | Identification of power system dynamic signature using hierarchical clustering | |
| CN110824297A (zh) | 一种基于svm支持向量机的单相接地故障判别方法和装置 | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| Xiao et al. | Deep learning for predicting the operation of under-frequency load shedding systems | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |