CN109726766A - 一种基于集成决策树的电力系统在线动态安全评估方法 - Google Patents

Abstract

一种基于集成决策树的电力系统在线动态安全评估方法，步骤一)：对预测事故进行排序和筛选，利用筛选后的主导事故集建立离线训练所需的初始知识库；步骤二)：基于初始知识库，构建提升型集成决策树并对此决策树进行离线训练；步骤三)：合理创建新的训练样本，与初始知识库进行合并，并利用新的知识库对决策树进行更新；步骤四)：利用更新后的决策树以及分布式处理技术对电力系统进行在线动态安全评估。本发明的目的是为了提供一种避免大停电事故，提高电网安全运行水平的电力系统安全评估方法。

Description

一种基于集成决策树的电力系统在线动态安全评估方法

技术领域

本发明涉及电力系统动态安全评估领域，具体涉及一种基于集成决策树的电力系统在线动态安全评估方法。

背景技术

随着我国电网正朝着大电网、超高压、远距离、交直流并联输电方向快速发展，电网规模的扩大带来巨大经济效益的同时，也使得稳定性问题越来越突出。同时，电网互联后，受扰动的影响而波及的范围会更广，更易引发大停电事故。研究表明，诸多大停电事故是由于暂态失稳而引发的。而目前的暂态稳定紧急控制策略多基于预想事故集而制定的。缺乏有效的在线稳定分析软件是错失紧急控制时机，从而引发大停电事故的重要原因之一。因此，加强研究大电网安全稳定性分析具有十分重要的意义。

电力系统的动态安全评估也叫预想事故分析，是指对系统某一运行方式下的一组事故进行分析，以估计该系统在这一运行方式下的安全性。近年来，相量测量单元(PhasorMeasurement Unit，PMU)在广域测量系统中得到了广泛应用，使得电力系统安全评估方法在速度和精度上得到了提高，为电力系统安全评估的在线分析创造了条件。

目前的电力系统安全评估方法存在以下缺陷和困难：

①传统电网安全评估以离线稳定分析计算为主，选取的典型方式与电网实际运行工况有差别，导致多数情况下计算结果趋于保守，且无法及时给现场运行人员提供必要的预防/紧急控制措施方案；②由于若干个事故的组合和实际电力系统的大规模所带来的计算复杂性使得对所有偶然事故进行实时的潮流分析和时域仿真变得非常困难，在线动态安全评估仍然是一项具有挑战性的任务；③在事故恶化程度逐渐升高时，运行控制人员需要面对不断出现的新的运行方式，无法完成繁重复杂的分析研究任务。

电力系统事故如今呈现多发性和复发性，这已经说明目前的安全评估方法不能满足现在社会对电力供应高可靠性的要求。

发明内容

本发明的目的是为了提供一种有利于自动快速采取紧急控制措施，避免大停电事故，提高电网安全运行水平的基于集成决策树的电力系统在线动态安全评估方法。

发明的目的是这样实现的：

一种基于集成决策树的电力系统在线动态安全评估方法，包括以下步骤：

步骤一)：在未来每一个电力系统的运行阶段，提前一天生成若干个预测运行条件，对预测的若干个运行条件，选择数个偶然事故进行详细的潮流分析和时域模拟，对预测事故进行排序和筛选，利用筛选后的主导事故集建立离线训练所需的初始知识库；

步骤二)：基于初始知识库，构建提升型集成决策树并对此决策树进行离线训练；

步骤三)：合理创建新的训练样本，与初始知识库进行合并，并利用新的知识库对决策树进行更新；

步骤四)：利用更新后的决策树以及分布式处理技术对电力系统进行在线动态安全评估。

在步骤一)中，根据日前负荷预测和发电计划，在未来每一个电力系统的运行阶段都提前一天生成N个预测运行条件，对于日前预测的N个运行条件，可选择K个偶然事故进行详细的潮流分析和时域模拟，并且通过使用指定的动态安全标准对每一个偶然事故的N个预测运行条件进行标记，分别为“安全”或者“不安全”，通过事故的筛选和排序构成由K个偶然事故形成的主导事故集，并得到一个由N·K个训练样本组成的初始知识库，其中N和K均是大于0的整数。

所述动态安全标准包括暂态稳定性、阻尼性能、暂态电压降落/上升、暂态频率、继电器裕度。

将其中每个样本都用一个向量{x₁，…，x_P，y}来表示，其中x₁是代表某个偶然事故的参数，{x₂，…，x_P，y}是从对一个运行条件下的系统进行潮流分析而得到其数值属性的值，y是偶然事故x₁下的一个运行条件所对应的暂态安全分类决策。

选取PMU的测量数据作为数值属性。

在步骤二)中，基于步骤一)所构成的初始知识库，建立若干个小型决策树，通过决策树归纳算法建立能够拟合训练数据并能准确预测新样本的决策的决策树。

利用提升算法对这若干个小型决策树进行集成，即构成提升型集成决策树，在基于集成决策树的动态安全评估方案中，通过对若干个小型决策树的加权计算，得到运行条件向量x(记为H_L(x))的安全分类决策。对于小型决策树的集合(记为h_l)，动态安全评估分类有两种方法：确定性分类和概率分类，本发明采用确定性分类。安全分类决策为

式中：a_l(l＝1，2…L)为各个决策树的权重。

上述提升算法的步骤为：定义H_J为树高J的决策树的集合，F_L为H_J加权计算的结果，即定义C_N(F_L)为N个训练样本的F_L的成本函数，通过决策树h_l∈H_J及其权重a_l∈R⁺，使C_N(F_L)最小化，分析函数如下：

选取一个小型决策树作为C_N投影在H_J上的“梯度”，a_lh_l作为使C_N(F_l-1+a_lh_l)最小化的一个微增量，令F_l＝F_l-1+a_lh_l，且F₀＝0，然后依次迭代。

生成集成决策树后，利用初始知识库对其进行离线训练。

在步骤三)中，对于不安全样本可直接加入知识库中，对安全样本，定义样本与样本之间的距离为：

因此，对于新样本s_i和已有的N个训练样本集s_a，如果s_i与s_a中的样本s_j的距离最短，即min L_dist(s_i，s_j)，s_j∈s_a，定义s_a的中心样本为s_k，且那么，若L_dist(s_i，s_j)/L_dist(s_i，s_k)＜10％，则认为s_a中已经存在比较相近的样本，可以不必加入s_a，否则将其添入s_a，作为新的知识库重新训练决策树；利用新生成的训练样本，更新分类模型，对于第K个新的训练样本{x_N+K，y_N+K}，分类模型通过训练样本与其权重合并到决策树中并重新计算其权重，更新分类模型，经过l＝1，2…L依次迭代。

在步骤四)中，在PMU数据的实时采集的同时，使用故障前的属性值结合所有主导事故的指数创建K个未识别的样本，使用分类模型给出这K个主导事故的运行条件的安全分类决策。

采用上述技术方案，能带来以下技术效果：

1)利用电网数据库已有的数据离线建立动态安全评估决策树，根据PMU的实时采样数据动态对决策树进行更新，形成动态决策树，在线对动态安全进行监控；

2)利用集成决策树，替代原来单一决策树评估，大大提高了决策树分类的准确度和评估的可靠性，并且能够快速，准确的做出动态安全评估决策，提高了电网安全运行水平；

3)对于新的训练样本，可以自适应的调整参数，这使得集成决策树能够快速使用电力系统中新的拓扑变化，使其具有很好的鲁棒性。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明方法流程图；

图2是本发明提升型决策树算法流程图；

图3是本发明实例中IEEE-39节点系统；

图4是本发明实例中不同树高的决策树误分类错误率曲线图；

图5是实施例中本发明与单一决策树相比所得出的误分类错误率结果对比表。

具体实施方式

一种基于集成决策树的电力系统在线动态安全评估方法，如图1所示，包括以下步骤：

步骤一)：在未来每一个电力系统的运行阶段，提前一天生成若干个预测运行条件，对预测的若干个运行条件，选择数个偶然事故进行详细的潮流分析和时域模拟，对预测事故进行排序和筛选，利用筛选后的主导事故集建立离线训练所需的初始知识库；

步骤二)：基于初始知识库，构建提升型集成决策树并对此决策树进行离线训练；

步骤三)：合理创建新的训练样本，与初始知识库进行合并，并利用新的知识库对决策树进行更新；

步骤四)：利用更新后的决策树以及分布式处理技术对电力系统进行在线动态安全评估。

在步骤一)中，具体的，根据日前负荷预测和发电计划，在未来每一个电力系统的运行阶段(例如24小时)都提前一天生成N个预测运行条件。根据日前负荷预测和发电计划具体的峰谷时间，每个运行阶段时间跨度可达数小时。

对于日前预测的N个运行条件，可选择K个偶然事故进行详细的潮流分析和时域模拟，以便掌握运行条件和电力系统拓扑的变化。并且通过使用指定的动态安全标准(如暂态稳定性、阻尼性能、暂态电压降落/上升、暂态频率、继电器裕度对每一个偶然事故的N个预测运行条件进行标记，分别为“安全”或者“不安全”。K个偶然事故是通过事故的筛选和排序后构成的主导事故集。对此，本文采取众多事故筛选排序方法中的性能指标法，性能指标一般由时域仿真的方法得到，主要是利用发电机转子之间相对角度和角速度变化的指标来反映事故的严重性，该法具有筛选速度快的优点。

由此得到一个由N·K个训练样本组成的初始知识库，将其中每个样本都用一个向量{x₁，...，x_P，y}来表示，其中x₁是代表某个偶然事故的参数，{x₂，…，x_P，y}是从对一个运行条件下的系统进行潮流分析而得到其数值属性的值，y是偶然事故x₁下的一个运行条件所对应的暂态安全分类决策。这里选取PMU的测量数据作为数值属性。

在步骤二)中，基于图1中步骤1所构成的初始知识库，建立若干个小型决策树。其中通过最先进的决策树归纳算法，如分类回归树(Classification and Regression Tree，CART)算法，建立一个能够拟合训练数据并能准确预测新样本的决策的决策树。如果从根节点到叶节点的向下路径恰好有J个非叶节点，则通过停止所有叶节点的分裂，就可以得到具有树高J的小型决策树。根据相关文献，小型决策树比完全生长的决策树更不容易过拟合(一般来说，一个完全生长的决策树能够准确地分类训练样本，但也可能会在超出知识库的范围外对新样本进行错误的分类，完全生长的决策树的这一特性通常被称为“过拟合”)，可以提供更准确的安全决策。同时，本发明所提出的方法中所使用的小型决策树的都是未修剪的。

利用提升算法对这若干个小型决策树进行集成，即构成提升型集成决策树。在基于集成决策树的动态安全评估方案中，通过对若干个小型决策树的加权计算，得到一个运行条件向量x(记为H_L(x))的安全分类决策。对于一个小型决策树的集合(记为h_l)，动态安全评估分类有两种方法：确定性分类和概率分类，本发明采用确定性分类。安全分类决策为

式中：a_l(l＝1，2...L)为各个决策树的权重。

本发明使用提升算法，其算法流程图如图2所示。定义H_J为树高J的决策树的集合，F_L为H_J加权计算的结果，即定义C_N(F_L)为N个训练样本的F_L的成本函数，使用提升算法的主要目的就是通过决策树h_l∈H_J及其权重a_l∈R⁺，使C_N(F_L)最小化，分析函数如下：

选取一个小型决策树作为C_N投影在H_J上的“梯度”，a_lh_l作为使C_N(F_l-1+a_lh_l)最小化的一个微增量，令F_l＝F_l-1+a_lh_l，且F₀＝0，然后依次迭代。更具体地说，通过解决以下问题可得到小型决策树h_l：

式中：表示训练样本{x_n，y_n}的正数据权重，如果训练样本{x_n，y_n}被决策树h_l正确分类，那么取0，反之取1。通过的定义，很容易观察到权重由决策树自适应分配，则如果决策树将训练样本分类错误，那么训练样本在下一轮的提升过程中也将具有更高的权重。如公式(3)所示，的目的是确定在加权训练中拥有最小误差率的决策树。因此，根据决策树的高度J，采用CART算法，并以误分类错误率作为构建决策树时的分离成本，就可以得到小型决策树。然后，通过解决以下问题得到其正表决权重：

式中：在h_l为C_N(F_l-1)的一个减小方向的条件下，很容易证明对于任何a∈R⁺，都存在由此很容易可以找出在R⁺内有唯一的最小值。

生成集成决策树后，利用初始知识库对其进行离线训练。

在步骤三)中，创建新的训练样本。在离线训练的初始知识库中，使用日前预测生成的预测工作环境可能不能反映系统的实际情况。因此，随着可工作范围的临近和系统运营商的数据更新，有必要利用短期预测和计划来生成新的运行条件和训练样本。为提高效率，必须选取其中比较有特征的样本加入到初始知识库中，因此本发明采用的做法是：由于不安全样本的数量远少于安全样本的数量，因此对于不安全样本可直接加入知识库中，对安全样本，定义样本与样本之间的距离为：

因此，对于新样本s_i和已有的N个训练样本集s_a，如果s_i与s_a中的样本s_j的距离最短，即min L_dist(s_i，s_j)，s_j∈s_a。定义s_a的中心样本为s_k，且那么，若L_dist(s_i，s_j)/L_dist(s_i，s_k)＜10％，则认为s_a中已经存在比较相近的样本，可以不必加入s_a，否则将其添入s_a，作为新的知识库重新训练决策树。

利用新生成的训练样本，更新分类模型。对于第K个新的训练样本{x_N+x，y_N+K}，分类模型通过训练样本与其权重合并到决策树中并重新计算其权重，更新分类模型，经过l＝1，2...L依次迭代。

在步骤四)中，在PMU数据的实时采集的同时，使用故障前的属性值结合所有主导事故的指数创建K个未识别的样本，使用分类模型给出这K个主导事故的运行条件的安全分类决策。具体来说，当分类模型处理未标记的情况时，每个决策树都使用属性向量值及其分裂规则来生成二元决策。最后，收集所有决策树的二元决策，并根据公式(1)给出当前运行条件的安全分类决策。可以利用分布式处理技术加速在线动态安全评估。

实施例1：图3表述的IEEE-39节点系统是本发明为严格验证其有效性，以此进行仿真的测试系统。系统中安装了8个PMU装置，根据图1中步骤1所述，选择111个数值属性，包括：8个PMU节点的电压大小；75条支路上的有功/无功潮流及电流；28个节点电压相位差。为了丰富知识库，使节点负载(有功/无功)在初始值的90％到110％之间随机变化。

利用V-交叉验证来确定最优树高J和最优小型决策树数量L。将初始知识库中的训练样本随机划分为V个子集，对于给定的固定树高J和决策树数量L，使用V-1个子集训练分类模型，并使用其他子集进行测试，训练过程总共重复V次，每个子集作为测试数据都使用一次。最后，对交叉验证得到的误分类错误率取平均值。

图4表述的是对于不同树高J＝1，2，3，进行上述过程的结果。可以看出，随着L的增加，每个分类模型的误分类率都有所降低，并在一定程度上趋于平稳。另一方面，树高J越大，分类模型的方差越大。根据以上结果，选取J＝2，L＝15的分类模型，误分类错误率低于1％，这符合本发明要达到的目的。

实施例2：本实施例所使用测试电力系统是西部电力协调委员会(WesternFlectricity Coordinating Council，WECC)系统的一部分，它由超过600个节点(其中有33个装有PMU装置的节点)，700条输电线路和100台发电机组成。

图5表述的是基于此系统运用本发明所述基于集成决策树的电力系统在线动态安全评估方法，与单一决策树相比，所得出的误分类错误率结果。可以看出，对于两个不同的仿真子周期，基于集成决策树学习方法相比于单一决策树准确率更高，达到了本发明的目的。

Claims (10)

1.一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于，包括以下步骤：

步骤一)：在未来每一个电力系统的运行阶段，提前一天生成若干个预测运行条件，对预测的若干个运行条件，选择数个偶然事故进行详细的潮流分析和时域模拟，对预测事故进行排序和筛选，利用筛选后的主导事故集建立离线训练所需的初始知识库；

步骤二)：基于初始知识库，构建提升型集成决策树并对此决策树进行离线训练；

步骤三)：合理创建新的训练样本，与初始知识库进行合并，并利用新的知识库对决策树进行更新；

步骤四)：利用更新后的决策树以及分布式处理技术对电力系统进行在线动态安全评估。

2.根据权利要求1所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：在步骤一)中，根据日前负荷预测和发电计划，在未来每一个电力系统的运行阶段都提前一天生成N个预测运行条件，对于日前预测的N个运行条件，可选择K个偶然事故进行详细的潮流分析和时域模拟，并且通过使用指定的动态安全标准对每一个偶然事故的N个预测运行条件进行标记，分别为“安全”或者“不安全”，通过事故的筛选和排序构成由K个偶然事故形成的主导事故集，并得到一个由N·K个训练样本组成的初始知识库，其中N和K均是大于0的整数。

3.根据权利要求2所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：所述动态安全标准包括暂态稳定性、阻尼性能、暂态电压降落/上升、暂态频率、继电器裕度。

4.根据权利要求2所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：将其中每个样本都用一个向量{x₁，...，x_P，y}来表示，其中x₁是代表某个偶然事故的参数，{x₂，...，x_P，y}是从对一个运行条件下的系统进行潮流分析而得到其数值属性的值，y是偶然事故x₁下的一个运行条件所对应的暂态安全分类决策。

5.根据权利要求4所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：选取PMU的测量数据作为数值属性。

6.根据权利要求1所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：在步骤二)中，基于步骤一)所构成的初始知识库，建立若干个小型决策树，通过决策树归纳算法建立能够拟合训练数据并能准确预测新样本的决策的决策树。

7.根据权利要求6所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：利用提升算法对这若干个小型决策树进行集成，即构成提升型集成决策树，在基于集成决策树的动态安全评估方案中，通过对若干个小型决策树的加权计算，得到运行条件向量x(记为H_L(x))的安全分类决策。对于小型决策树的集合(记为h_l)，动态安全评估分类有两种方法：确定性分类和概率分类，本发明采用确定性分类。安全分类决策为

式中：a_l(l＝1，2...L)为各个决策树的权重。

8.根据权利要求7所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：所述提升算法的步骤为：定义H_J为树高J的决策树的集合，F_L为H_J加权计算的结果，即定义C_N(F_L)为N个训练样本的F_L的成本函数，通过决策树h_l∈H_J及其权重a_l∈R⁺，使C_N(F_L)最小化，分析函数如下：

选取一个小型决策树作为C_N投影在H_J上的“梯度”，a_lh_l作为使C_N(F_l-1+a_lh_l)最小化的一个微增量，令F_l＝F_l-1+a_lh_l，且F₀＝0，然后依次迭代；

生成集成决策树后，利用初始知识库对其进行离线训练。

9.根据权利要求1所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：在步骤三)中，对于不安全样本可直接加入知识库中，对安全样本，定义样本与样本之间的距离为：

因此，对于新样本s_i和已有的N个训练样本集s_a，如果s_i与s_a中的样本s_j的距离最短，即min L_dist(s_i，s_j)，s_j∈s_a，定义s_a的中心样本为s_k，且那么，若L_dist(s_i，s_j)/L_dist(s_i，s_k)＜10％，则认为s_a中已经存在比较相近的样本，可以不必加入s_a，否则将其添入s_a，作为新的知识库重新训练决策树；利用新生成的训练样本，更新分类模型，对于第K个新的训练样本{x_N+K，y_N+K}，分类模型通过训练样本与其权重合并到决策树中并重新计算其权重，更新分类模型，经过l＝1，2...L依次迭代。

10.根据权利要求5所述的一种基于集成决策树的电力系统在线动态安全评估方法，其特征在于：在步骤四)中，在PMU数据的实时采集的同时，使用故障前的属性值结合所有主导事故的指数创建K个未识别的样本，使用分类模型给出这K个主导事故的运行条件的安全分类决策。