CN109767113A - 一种基于决策树的动态安全评估及预防控制综合方法 - Google Patents

Abstract

发明提供了一种基于决策树(Decision Tree，DT)的电力系统动态安全评估系统与预防性控制方法，包括以下步骤：提出安全边界，并分离识别出安全边界；利用重要性采样，将样本偏向安全边界；通过时域仿真和DT训练形成数据库；进行在线动态安全评估以及执行预防控制。本发明为解决输电系统运行将面临的更多不确定性，让电力系统能更高效的安全运行，将传统单一决策树的评估方法改进与提高，采用两种决策树协同的方法，精准的决策出安全的运行条件及其预防控制方案，对改善电网运行的效率与质量有着重要意义。

Description

一种基于决策树的动态安全评估及预防控制综合方法

技术领域

本发明属于电力系统安全分析评估领域，具体涉及一种基于决策树的动态安全评估方法。

背景技术

近年来世界范围内发生多起电压崩溃事故，使得电力系统电压稳定性问题得到越来越多的关注。短期大扰动所引起的暂态电压失稳或崩溃尤为严重，在线监测时若能准确判断出区域性的暂态电压失稳并及时采取预防控制措施，将有利于遏制暂态电压失稳事故中部分节点所引起的大范围连锁性电压失稳或崩溃，提高区域整体稳定性。

现代电力需求的不断增长，迫使现代电力系统在更接近安全运行的地方运行。此外，大规模可再生能源的日益普及可能会给电网运行带来更多不确定性，从而影响输电系统，仅仅依靠局部保护方案来保护现代电力系统不受故障的影响变得更加具有挑战性。因此，在系统层面上，应通过先进的网络态势感知和主动广域协调控制系统，积极稳妥地保护电力系统。一个精心设计的主动系统保护方案可以集成在线动态安全评估(DynamicSecurity Assessment，DSA)以识别潜在的不安全条件，以及通过系统的优化和控制策略的执行，防止出现未识别的不安全条件。相位测量单元(Phasor Measurement Units，PMUs)可以提供高分辨率的实时电力系统测量，并通过全球定位系统(Global PositioningSystem，GPS)进行同步。基于PMUs，广域测量系统(Wide-Area Measurement Systems，WAMSs)已在许多国家建立，并将有助于开发上述主动系统保护方案。

随着可再生能源和其他分步式发电(Distributed Generation，DG)的日益普及，输电系统的运行将面临更多的不确定性，在电网及输电系统运行发生故障后，现有的方法主要存在以下缺点：①一些局部保护方法对大规模的电力系统在线动态安全评估过于耗时且不够准确；②由于分布式发电的离散性，大量故障的数据得不到有效处理以及更新；③很多在线监测不能准备判断出潜在安全问题并找到相应的预防控制措施。

发明内容

本发明的目的为了解决上述现有技术的问题与不足，提供一种基于决策树的动态安全评估及预防控制综合方法。通过使用数据挖掘算法，设计整合成基于决策树的预防与控制并行方案，克服了传统单一决策树耗时、精确度不高等问题。该发明能够让系统在线监测时准确的判定出暂态电压失稳，并且控制系统拉回稳定状态，极大提高了大规模电力系统中长期电压稳定裕度。

发明的目的是这样实现的：

一种基于决策树的动态安全评估及预防控制综合方法，该方法包括以下步骤：

步骤1：利用随机变量如中央发电厂(Central Power Plant，CPP)发电、热电联产热电厂(Combined Heat and Power Plant，CHP)发电和风力发电的坐标，在多维空间中估计并提出一个安全边界，将安全运行条件与不安全运行条件在每个负载级别上进行分离与识别；

步骤2：通过对抽样分布函数的修正，利用重要性采样将多个安全运行条件(Operating Conditions，OCs)样本偏向安全边界；

步骤3：对每个事件进行大量离线时域(Time-Domain，T-D)仿真，自适应生成一个数据库，再基于决策树对其训练；

步骤4：利用训练完成的数据对电力系统进行动态安全评估，并得出相应的预防控制方案。

在所述步骤1中，对于两类分类问题(安全或不安全)，这里使用信息理论中普遍接受的熵的概念来评估数据库中的信息内容，定义为：

Entropy(S)＝-p_S log₂p_S-p_Ilog₂p_I (1)

其中：S为训练数据库，p_S、p_I分别为培训数据库中安全比例与不安全比例。

在所述步骤1中，采用二分法对包含安全边界的区域进行近似识别，只对该区域附近的OCs进行仿真，以减少仿真次数。

在所述步骤2中，采用概率函数F(d)的高斯分布N(0，σ²)对OCs进行采样，定义为：

其中：d是采样点x到安全边界y的2范数距离，定义为：

在所述步骤3中具体包含以下步骤：

步骤3-1：通过对每个“n-1”突发事件和所选择的“n-k”突发事件进行大量T-D模拟以形成数据库；

步骤3-2：在形成的数据库中进行决策树(Decision Tree，DT)训练。

在所述步骤3-1中，给定一个用特定操作条件的一组测量值(如A，B，C)的情况，通过将该测量值从根节点向下降至DT的终端节点，可以预测事件的安全或不安全。预测变量的向量可以由数值变量和分类变量组成。如果变量的度量是实数，则称其为数值变量；如果它们从有限集合中取值，则称其为类别变量。

在所述步骤3-2中，训练决策树(Decision Trees，DTs)需要一个由多个事件组成的数据库，它被随机分为学习集(Learning Set，LS)和测试集(Test Set，TS)。LS用于在增大数据库的条件下增加一系列DTs，而TS用于评估其精度以确定最佳DT。DT通过在它的节点上递归地分割训练来增长。选择每个分割的基本思想是当每个子节点中的训练比父节点的训练纯度高时进行分割。通过反复尝试使杂质指数最小化，可以计算出分割点的最优选择。

在所述步骤4中具体包含以下步骤：

步骤4-1：通过提供精确的安全边界阈值，计算当前操作的安全裕度，利用观测决策树(Observation DT，ODT)检测当前的安全状态；

步骤4-2：通过预防决策树(Prevention DT，PDT)，在所有可测量的控制参数中搜索出最有效的可控变量，并提供潜在的控制方向，将系统拉回安全状态；

步骤4-3：将ODT和PDT进行协同工作以实现动态安全评估以及预防控制；

步骤4-4：预防控制的进一步优化。

在所述步骤4-1中，对不安全情况的观测DT称为ODT，在上述数据库中，每一个数据都包含一个测量向量，在扰动发生之前提供一个OC，此OC作为预测因子，在扰动后的T-D模拟结果(例如安全或不安全)作为该预测因子的目标值。对于每个OC，测量数据(包括电压、电流和功率)的同步数据能够提供准确的预测值。

在所述步骤4-2中，对不安全情况的预防DT称为PDT，PDT是从测量中只选择可控制变量作为预测变量的DT，例如功率交换。在测量值通过ODT决策出来以后，PDT再进行决策，从而找到最优可控变量。

在所述步骤4-3中，在数据库里的数据进行在线测量后，通过ODT的决策，筛选出不安全的OC后输入给PDT再进行决策，得到最有效的发电机调度，从而能确定发电转移方向。此时计算出发电转移方向，在输出给ODT，在ODT中找到最优控制轨迹进行执行。

在所述步骤4-4中，最优控制轨迹由以下定义：

min.f(x，α，β)＝c(x，α)+p(x，β) (4)

s.t.g(x，α，β)＝0h(x，α，β)≤0 (5)

其中：x为潮流变量，α、β为控制变量，c、p为发电机调度总成本，(5)式为最优潮流等式及变量的不等式约束，也是安全标准。

采用上述技术方案，能带来以下技术效果：

①通过时域仿真分析，可快捷、方便、准确地构建数据库，以训练数据来应用于大规模电力系统的在线动态安全评估。

②将决策树应用到在线DSA方法中，能自适应的更新数据库，克服了由于分布式发电等原因造成大量故障数据得不到及时处理与更新的缺陷。

③通过在数据库中离线训练两种决策树，ODT能用于在线DSA以识别潜在的安全问题，PDT能提供预防控制策略的在线决策支持，两种决策树的协同克服了单一决策树容易出现的结果不稳定问题。

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是本发明系统流程图；

图2是本发明系统DSA预防控制方法框图；

图3是本发明预防控制中结合ODT和PDT的协同方案流程图。

具体实施方式

本发明提出了一种基于决策树的动态安全评估及预防控制综合方法，方法包括以下步骤：

图1中步骤1：利用随机变量如CPP发电、CHP发电和风力发电的坐标，在多维空间中估计并提出一个安全边界，将安全运行条件与不安全运行条件在每个负载级别上进行分离与识别。

对于两类分类问题(安全或不安全)，这里使用信息理论中普遍接受的熵的概念来评估数据库中的信息内容，定义为：

Entropy(S)＝-p_S log₂p_S-p_Ilog₂p_I (1)

其中：S为训练数据库，p_S、p_I分别为培训数据库中安全比例与不安全比例。

图1中步骤2：通过对抽样分布函数的修正，利用重要性采样将多个安全运行条件OC_s样本偏向安全边界。

采用概率函数F(d)的高斯分布N(0，σ²)对OCs进行采样，定义为：

其中：d是采样点x到安全边界y的2范数距离，定义为：

图1中步骤3：对每个事件进行大量离线时域仿真，自适应生成一个数据库，再基于决策树对其训练，包括以下步骤：

步骤3-1：通过对每个“n-1”突发事件和所选择的“n-k”突发事件进行大量T-D模拟以形成数据库。

给定一个用特定操作条件的一组测量值(如A，B，C)表示的情况，通过将该测量值从根节点向下降至DT的终端节点，可以预测事件的安全或不安全。预测变量的向量可以由数值变量(如A)和分类变量(如B)组成。如果变量的度量是实数，则称其为数值变量；如果它们从有限集合中取值，则称其为类别变量。

步骤3-2：在形成的数据库中进行DT训练，训练DTs需要一个由多个事件组成的数据库，它被随机分为学习集(LS)和测试集(TS)。LS用于在增大数据库的条件下增加一系列DTs，而TS用于评估其精度以确定最佳DT。DT是通过在它的节点上递归地分割训练来增长的。选择每个分割的基本思想是当每个子节点中的训练比父节点的训练纯度高时进行分割。通过反复尝试使杂质指数最小化，可以计算出分割规则的最优选择。

图1中步骤4：利用训练完成的数据对电力系统进行动态安全评估，并得出相应的预防控制方案，图2为该方案的具体实施方法框图，包括以下步骤：

步骤4-1：通过提供精确的安全边界阈值，计算当前操作的安全裕度，利用观测决策树检测当前的安全状态。

在上述数据库中，每一个数据都包含一个测量向量，在扰动发生之前提供一个OC，作为预测因子，以及在扰动后的T-D模拟结果(例如安全或不安全)，作为上述预测符的目标。对于每个OC，测量数据(包括电压、电流和功率)的同步数据能够提供准确的预测值，将测量值与ODT的阈值进行比较，来判断是否为安全状态。

步骤4-2：通过预防决策树，在所有可测量的控制参数中搜索出最有效的可控变量，并提供潜在的控制方向，将系统拉回安全状态。

PDT是从测量中只选择可控制变量作为预测变量的DT，例如发电机的输出之间的功率交换。在测量值通过ODT决策出来以后，PDT再进行决策，从而找到最优可控变量。

步骤4-3：将ODT和PDT进行协同工作以实现动态安全评估以及预防控制，图3流程图中给了详细说明：

在数据库里的数据进行在线测量后，通过ODT的决策，筛选出不安全的OC后输入给PDT再进行决策，得到最有效的发电机调度，从而能确定发电转移方向。此时计算出发电转移方向，在输出给ODT，在ODT中找到最优控制轨迹进行执行。

ODT与PDT各自决策出的安全运行区域不同，PDT的精确率要低于ODT，如果任何在线测量的测量值违反了阈值，ODT会对不安全的感知度高于PDT，但是PDT能决策出最有效的可控变量。因此，PDT和ODT在控制方案中的并行协同利用，既提供了高精确度的不安全态势感知，也提供了对关键突发事件的预防控制。

步骤4-4：预防控制的进一步优化。

最优控制轨迹由以下定义：

min.f(x，α，β)＝c(x，α)+p(x，β) (4)

s.t.g(x，α，β)＝0 h(x，α，β)≤0 (5)

其中：x为潮流变量，α、β为控制变量，c、p为发电机调度总成本，(5)式表示为最优潮流等式及变量的不等式约束，也是安全标准。

实施例

本发明提出的方法在一个400节点算例系统中进行了测试模型上进行了测试，该系统包含200条输电线路、8个CPP机组和150个CHP机组。

对该系统中采用了基于此发明动态安全评估系统及相应的预防控制方法，对系统中的故障处进行了安全评估以及预防控制，结果成功地验证了电力系统安全性预防控制的有效性，结果如表1、表2所示，表1验证了DTs的性能，表2模拟了事故发生后该方法的作用。可以看出，相比较于传统的决策树动态安全评估方法，该方法的拉回安全状态比率更高，预防控制效果显著上升。

表1

数据集	安全/不安全	安全比例(％)
			LS/ODT	252/5	98.05
TS/ODT	51/4	92.72
			LS/PDT	199/57	77.73
TS/PDT	52/23	69.33

表2

故障发电机	DT规模	安全样本(％)	拉回安全状态比率
				1	13	96.03	20/20
2	14	96.58	20/20
				3	17	97.54	19/20
4	18	97.06	20/20

与现有技术相比，本发明提出了一种基于决策树的动态安全评估及预防控制综合方法，利用数据挖掘算法，重要性采样技术建立自适应DT训练数据库，并且设计整合在线动态安全评估与预防控制，替代了原有的单一决策树方法。通过这种新方法能在电力系统高效的做出动态安全评估决策，使电力系统的安全得到了极大的保障。

最后应当说明的是以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种基于决策树的动态安全评估及预防控制综合方法，其特征在于，它包括以下步骤：

步骤1：利用随机变量如中央发电厂(Central Power Plant，CPP)发电、热电联产热电厂(Combined Heat and Power Plant，CHP)发电和风力发电的坐标，在多维空间中估计并提出一个安全边界，将安全运行条件与不安全运行条件在每个负载级别上进行分离与识别，构建并评估数据库中的信息内容；

步骤2：通过对抽样分布函数的修正，利用重要性采样将多个安全运行条件(OperatingConditions，OCs)样本偏向安全边界；

步骤3：对每个事件进行大量离线时域(Time-Domain，T-D)仿真，自适应生成一个数据库，再基于决策树对其训练；

步骤4：利用训练完成的数据对电力系统进行动态安全评估，并得出相应的预防控制方案。

2.根据权利要求1所述的一种基于决策树的动态安全评估及预防控制综合方法，其特征在于，在步骤1中，评估数据库中的信息内容将其定义为：

Entropy(S)＝-p_Slog₂p_S-p_Ilog₂p_I (1)

其中：S为训练数据库，p_S、p_I分别为培训数据库中安全比例与不安全比例。

3.根据权利要求1或2所述的一种基于决策树的动态安全评估及预防控制综合方法，其特征在于，在步骤1中，采用二分法对包含安全边界的区域进行近似识别，对该区域附近的OCs进行仿真。

4.根据权利要求1所述的一种基于决策树的动态安全评估及预防控制综合方法，其特征在于，在步骤2中，采用概率函数F(d)的高斯分布N(0，σ²)对OCs进行采样，定义为：

其中：d是采样点x到安全边界y的2范数距离，定义为：

5.根据权利要求1所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于：在所述步骤3中具体包含以下步骤：

步骤3-1：通过对每个“n-1”突发事件和所选择的“n-k”突发事件进行大量T-D模拟以形成数据库；

步骤3-2：在形成的数据库中进行决策树(Decision Tree，DT)训练。

6.根据权利要求5所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于：在所述步骤3-1中，给定一个用特定操作条件的一组测量值(如A，B，C)的情况，通过将该测量值从根节点向下降至DT的终端节点，可以预测事件的安全或不安全，预测变量的向量可以由数值变量和分类变量组成，如果变量的度量是实数，则称其为数值变量；如果它们从有限集合中取值，则称其为类别变量。

7.根据权利要求5所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于：在所述步骤3-2中，训练决策树(Decision Trees，DTs)需要一个由多个事件组成的数据库，它被随机分为学习集(Learning Set，LS)和测试集(Test Set，TS)，LS用于在增大数据库的条件下增加一系列DTs，而TS用于评估其精度以确定最佳DT，DT通过在它的节点上递归地分割训练来增长，选择每个分割的基本思想是当每个子节点中的训练比父节点的训练纯度高时进行分割，通过反复尝试使杂质指数最小化。

8.根据权利要求1所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于：在所述步骤4中具体包含以下步骤：

步骤4-1：通过提供精确的安全边界阈值，计算当前操作的安全裕度，利用观测决策树(Observation DT，ODT)检测当前的安全状态；

步骤4-2：通过预防决策树(Prevention DT，PDT)，在所有可测量的控制参数中搜索出最有效的可控变量，并提供潜在的控制方向，将系统拉回安全状态；

步骤4-3：将ODT和PDT进行协同工作以实现动态安全评估以及预防控制；

步骤4-4：预防控制的进一步优化。

9.根据权利要求8所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于：在所述步骤4-3中，在数据库里的数据进行在线测量后，通过ODT的决策，筛选出不安全的OC后输入给PDT再进行决策，得到最有效的发电机调度，从而能确定发电转移方向，此时计算出发电转移方向，在输出给ODT，在ODT中找到最优控制轨迹进行执行。

10.根据权利要求8或9所述的基于决策树的动态安全评估及预防控制综合方法，其特征在于，在所述步骤4-4中，最优控制轨迹由以下定义：

min.f(x，α，β)＝c(x，α)+p(x，β) (4)

s.t.g(x，α，β)＝0 h(x，α，β)≤0 (5)

其中：x为潮流变量，α、β为控制变量，c、p为发电机调度总成本，(5)式为最优潮流等式及变量的不等式约束，也是安全标准。