CN110718910B - 贝叶斯优化LightGBM的暂态稳定评估方法 - Google Patents

Abstract

本发明公开了一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：获取电力系统的暂态稳定数据集；用暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。本发明可快速准确的对多重复杂不确定因素“组合数爆炸”下的暂态稳定状态进行评估，有利于实现电力系统暂态稳定的在线评估。

Description

贝叶斯优化LightGBM的暂态稳定评估方法

技术领域

本发明涉及一种电力系统暂态稳定评估方法，尤其涉及一种贝叶斯优化LightGBM的暂态稳定评估方法。

背景技术

随着风电、光伏等可再生能源大规模并网，其波动性、随机性、低惯性特性使得电力系统在暂态稳定评估与控制方面面临着巨大的挑战。众所周知，电力系统事故的早期阶段往往伴随着暂态故障，一旦调度员无法对暂态故障做出适当的决策并及时干预扰动，系统的暂态稳定水平可能会被破坏，甚至发展成一个随后的级联故障，这将导致大规模停电事故的发生。由于暂态事故发展速度快，响应时间短，故障后仅仅依靠调度人员的经验难以在极短的时间内做出正确的判断和决策。因此，迫切需要开发一种既快速又准确、能够实现实时在线的暂态稳定评估工具。

目前，对于暂态稳定评估，相关专家学者提出了3种研究方法，分别是时域仿真法、直接法和人工智能法。在离线暂态稳定评估中，时域仿真法是最成熟和可靠的方法。然而，时域仿真存在计算量大、运算耗时长等固有缺陷，只适用于离线仿真分析。直接法可实现较高的精度，可直接法的适应性较差，得到的结果也是趋于保守的。

近年来，在研究领域，人工智能技术被探索运用于暂态稳定评估，例如决策树、极限学习机、支持向量机、随机森林、XGBoost、深度信念网络以及卷积神经网络。然而，决策树容易过拟合；在处理大规模电力系统数据时，极限学习机对输入特征的提取能力受到限制；支持向量机容易对噪音敏感，对大数据的处理能力也较弱；随机森林可以处理高维度数据样本，然而计算量较大；XGBoost的分类性能弱于LightGBM；深度信念网络和卷积神经网络有较好的特征提取能力和泛化能力，可自动地确定网络的最佳参数的问题仍然没有得到有效解决。

发明内容

本发明的目的是提供一种贝叶斯优化LightGBM的暂态稳定评估方法，该方法可以对多重复杂不确定因素“组合数爆炸”下的电力系统暂态稳定状态实现快速预测，通过贝叶斯优化的LightGBM挖掘输入物理特征与故障后电力系统运行状态的映射关系，实现对暂态稳定状态的快速评估。

本发明通过下述技术方案实现：

一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：

S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；

S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；

S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。

本发明提出的一种贝叶斯优化LightGBM的暂态稳定评估方法，选取故障发生时母线电压U、母线相角θ、线路有功功率P、无功功率Q作为输入特征。通过选择特征重要程度高的特征作为输入数据来降低数据维度和利用贝叶斯可实现快速确定LightGBM的最佳参数，训练好的LightGBM运用于电力系统暂态稳定评估。其中，重要程度高的特征是指，统计每个数据的总分裂次数作为重要程度得分，然后将单个数据的分裂次数/所有数据中最大的总分裂次数，即，将重要程度得分转化到[0，1]，当重要程度得分大于设定的阈值时，即为重要程度高的特征。基于贝叶斯优化的LightGBM方法选择重要特征，极大降低了数据维度，有效剔除冗余数据。此方法具有强大的非线性映射能力、能够有效表征复杂函数、预测精度高，泛化能力强，可准确预测不稳定样本。同时，较好地解决传统神经网络算法过拟合、局部最优等难以解决的问题。

进一步地，所述S2具体包括：

S21：对步骤S1中获取的暂态稳定数据集内的数据进行归一化预处理；

S22：用步骤S21中归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集；

S23：将步骤S22中的低维度数据集分为训练样本数据和测试样本数据；

S24：利用步骤S23中的训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用步骤S23中的测试样本数据对已经训练好的LightGBM进行测试。

进一步地，所述S3具体包括：

S31：制定进行电力系统暂态稳定在线评估的电力系统故障集；

S32：根据步骤S31中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，并将获取的数据进行归一化处理；

S33：将步骤S32中进行归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果。

进一步地，步骤S1所述的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P、无功功率Q。

进一步地，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

一种贝叶斯优化LightGBM的暂态稳定评估系统，包括：

数据输入模块，用于输入电力系统的暂态稳定数据，并将输入的数据传输给离线训练模块；

离线训练模块，用于接收数据输入模块传输的暂态稳定数据，并根据获取的暂态稳定数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM，将训练好的LightGBM传输给在线评估模块；

在线评估模块，用于接收离线训练模块已经训练好的LightGBM，并在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理；结合离线训练模块已经训练好的LightGBM，从而得到电力系统故障后该电力系统暂态稳定评估结果。

本发明提出的一种贝叶斯优化LightGBM的暂态稳定评估系统主要包括两个模块：基于贝叶斯优化的LightGBM离线训练模块和扰动事故后电力系统暂态稳定在线评估模块，

其中，离线训练模块的主要功能是根据训练样本，离线获取训练好的贝叶斯优化的LightGBM，以便在线应用。其主要是通过兼顾历史数据库和离线时域仿真数据，对数据进行归一化处理，选择特征重要程度高的数据构建低维度数据集，然后将低维度数据分为训练样本数据和测试样本数据，并利用训练样本数据对网络进行训练，采用贝叶斯优化确定LightGBM的最佳参数，以提高贝叶斯优化的LightGBM的预测准确率和泛化能力。扰动事故后电力系暂态稳定评估的在线模块的主要功能是在线获取扰动事故后电力系统暂态稳定评估所需数据，对数据进行预处理并输入已经离线训练好的LightGBM中，得到暂态稳定评估结果。

进一步地，所述离线训练模块包括离线训练模块A和离线训练模块B；

离线训练模块A，用于接收数据输入模块传输的暂态稳定数据，并对获取的暂态稳定数据集内的数据进行归一化预处理，用归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集，并将新构建的低维度数据集传输给离线训练模块B；

离线训练模块B，用于接收离线训练模块A传输的低维度数据集，并将低维度数据集分为训练样本数据和测试样本数据，利用训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用测试样本数据对已经训练好的LightGBM进行测试，并将训练好的LightGBM传输给在线评估模块。

进一步地，所述在线评估模块包括存储模块、数据处理模块、数据输出模块；

存储模块，用于存储预先制定的电力系统暂态稳定在线评估的电力系统故障集以及离线训练模块B传输的LightGBM；

数据处理模块，用于根据存储模块中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，将获取的数据进行归一化处理；并将归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果，并将评估结果传输给数据输出模块；

数据输出模块，用于接收数据处理模块传输的评估结果，并将评估结果进行输出。

进一步地，所述数据输入模块中的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P、无功功率Q。

进一步地，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明基于贝叶斯优化LightGBM的暂态稳定评估方法可快速准确的对多重复杂不确定因素“组合数爆炸”下的暂态稳定状态进行评估，有利于实现电力系统暂态稳定的在线评估，同时，LightGBM具有良好的特征提取能力，可以在训练过程中计算输入特征的重要程度，筛选出能较好映射故障后暂态稳定状态(稳定/不稳定)的特征，有效剔除提取冗余特征，降低特征维度。与时域仿真相比，贝叶斯优化的LightGBM极大地节省了在线评估时间并具有极高的准确性，为电力系统多重不确定因素下的电力系统暂态稳定状态(稳定/不稳定)在线评估提供了一个新的思路。与传统的浅层神经网络相比，本发明采用的基于贝叶斯优化的LightGBM准确率更高，同时对不稳定样本的识别率更高(准确地将不稳定样本识别为不稳定样本)，且训练和批量评估速度快，与传统机器学习方法相比，极大地降低了离线训练时间。将该方法应用于电力系统暂态稳定状态的在线评估，有利于电力系统调度运行人员根据暂态稳定状态评估结果快速制定相应的电力系统暂态稳定紧急控制策略，防止系统暂态稳定崩溃。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为直方图算法图；

图2为Leaf-wise生长策略图；

图3为离线训练和在线评估流程图；

图4为新英格兰10机39节点系统图；

图5为特征重要程度图；

图6为不同特征数目的暂态稳定评估准确率图；

图7为本发明一种具体实施方式的流程框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

如图1-7所示，

一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：

S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；

S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；

S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。

本发明提出的一种贝叶斯优化LightGBM的暂态稳定评估方法，选取故障发生时母线电压U、母线相角θ、线路有功功率P、无功功率Q作为输入特征。通过选择特征重要程度高的特征作为输入数据来降低数据维度和利用贝叶斯可实现快速确定LightGBM的最佳参数，训练好的LightGBM运用于电力系统暂态稳定评估。其中，重要程度高的特征是指，统计每个数据的总分裂次数作为重要程度得分，然后将单个数据的分裂次数/所有数据中最大的总分裂次数，即，将重要程度得分转化到[0，1]，当重要程度得分大于设定的阈值时，即为重要程度高的特征。基于贝叶斯优化的LightGBM方法通过选择重要特征，极大降低了数据维度，有效剔除冗余数据。此方法具有强大的非线性映射能力、能够有效表征复杂函数、预测精度高，泛化能力强，可准确预测不稳定样本。同时，较好地解决传统神经网络算法过拟合、局部最优等难以解决的问题。

所述S2具体包括：

S21：对步骤S1中获取的暂态稳定数据集内的数据进行归一化预处理；

S22：用步骤S21中归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集；

S23：将步骤S22中的低维度数据集分为训练样本数据和测试样本数据；

S24：利用步骤S23中的训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用步骤S23中的测试样本数据对已经训练好的LightGBM进行测试。

所述S3具体包括：

S31：制定进行电力系统暂态稳定在线评估的电力系统故障集；

S32：根据步骤S31中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，并将获取的数据进行归一化处理；

S33：将步骤S32中进行归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果。

采用采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

一种贝叶斯优化LightGBM的暂态稳定评估系统，包括：

数据输入模块，用于输入电力系统的暂态稳定数据，并将输入的数据传输给离线训练模块；

离线训练模块，用于接收数据输入模块传输的暂态稳定数据，并根据获取的暂态稳定数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM，将训练好的LightGBM传输给在线评估模块；

在线评估模块，用于接收离线训练模块已经训练好的LightGBM，并在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理；结合离线训练模块已经训练好的LightGBM，从而得到电力系统故障后该电力系统暂态稳定评估结果。

本发明提出的一种贝叶斯优化LightGBM的暂态稳定评估系统主要包括两个模块：基于贝叶斯优化的LightGBM离线训练模块和扰动事故后电力系统暂态稳定在线评估模块，

其中，离线训练模块的主要功能是根据训练样本，离线获取训练好的基于贝叶斯优化的LightGBM，以便在线应用。其主要是通过兼顾历史数据库和离线时域仿真数据，对数据进行归一化处理，选择特征重要程度高的数据构建低维度数据集，然后将低维度数据分为训练样本数据和测试样本数据，并利用训练样本数据对网络进行训练，采用贝叶斯优化确定LightGBM的最佳参数，以提高贝叶斯优化的LightGBM的预测准确率和泛化能力。扰动事故后电力系暂态稳定评估的在线模块的主要功能是在线获取扰动事故后电力系统暂态稳定评估所需数据，对数据进行预处理并输入已经离线训练好的LightGBM中，得到暂态稳定评估结果。

所述离线训练模块包括离线训练模块A和离线训练模块B；

离线训练模块A，用于接收数据输入模块传输的暂态稳定数据，并对获取的暂态稳定数据集内的数据进行归一化预处理，用归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集，并将新构建的低维度数据集传输给离线训练模块B；

离线训练模块B，用于接收离线训练模块A传输的低维度数据集，并将低维度数据集分为训练样本数据和测试样本数据，利用训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用测试样本数据对已经训练好的LightGBM进行测试，并将训练好的LightGBM传输给在线评估模块。

所述在线评估模块包括存储模块、数据处理模块、数据输出模块；

存储模块，用于存储预先制定的电力系统暂态稳定在线评估的电力系统故障集以及离线训练模块B传输的LightGBM；

数据处理模块，用于根据存储模块中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，将获取的数据进行归一化处理；并将归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果，并将评估结果传输给数据输出模块；

数据输出模块，用于接收数据处理模块传输的评估结果，并将评估结果进行输出。

所述数据输入模块中的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P、无功功率Q。

采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

为了使本发明的技术方案更加清楚，对本发明所用到的贝叶斯优化LightGBM的方法进行解释。LightGBM是最新的集成学习方法之一，是为了解决梯度提升树(GBTD)在处理大数据时准确率和性能显著下降的问题而提出的。LightGBM方法是通过基于梯度的one-side采样(Gradient-based One-Side Sampling,GOSS)和互斥的特征捆绑(ExclusiveFeature Bundling，EFB)，在GBTD的基础上进行改进。

GBTD模型定义为：

式中：函数h_t(x；w)表示第t棵分类回归树模型；函数F(x；w)表示GBDT模型的预测值；x是输入数据样本，w是分类回归树的参数，α是每棵树的权重。将x映射到空间y时，通过最小化损失函数求解最优模型：

LightGBM使用GOSS作为采样算法，即误差较大(梯度绝对值)的样本被保留，误差小的样本被随机选择，同时给予误差小的样本一个常数权重。通过此方式，GOSS更关注未训练好的样本，同时不会过多改变原始数据的分布。在子集A和子集B的特征上分割实例的方差增益由公式(4)定义：

式中：L1和L2分别由公式(5)和公式(6)计算，子集A由前a个大梯度样本组成，Ac表示剔除a个大梯度样本后的样本，子集B由任意个b×|Ac|的子集组成。在梯度增强的每次迭代中，相对于GBDT模型的输出，损失函数的负梯度表示为gi，Al＝{xi∈A:xij≤d}，Ar＝{xi∈A:xij>d},Bl＝{xi∈B:xij≤d},Br＝{xi∈B:xij>d}，n为输入样本x的维度，a，b和d是常数。

LightGBM不仅通过GOSS优化训练样本，还通过EFB来提取特征，以此来进一步提升网络训练速度。由于高维度数据的特征空间一般是稀疏的，稀疏特征中的互斥特征被EFB绑定在一起形成新的特征，然后根据这些特征构造直方图。

采用直方图算法对连续特征值进行离散化来构造直方图，如图1所示。在遍历训练数据时，对直方图中每个离散值的累积统计量进行统计，以确定最优分割点，有效降低了内存消耗和时间复杂度。

LightGBM采用leaf-wise生长策略，如图2所示。它可以理解为在每个分裂节点上选择最有利的叶子节点进行生长，以避免无利的节点分裂，节省计算资源。同时，利用最大深度限制树的生长，从而控制网络的复杂度，避免过拟合问题。在提高网络训练速度的同时，保证了LightGBM模型的泛化能力。

贝叶斯优化算法是近年来兴起的基于概率分布的优化算法。首先，必须选择一个先验函数，用以假设被优化函数的分布，此步骤选用高斯过程(Gaussian Processes)。其次，通过提取函数(Acquisition Function)从模型后验分布中构造效用函数，确定下一个点进行评估。

选用POI(Probability of Improvement)函数作为提取函数，这种方法基本思想是让下一步选取的点能提升最大值的概率最大，若目前已找到的最大值为f(x+)，则提取函数公式如下：

式中：f(x)为被优化函数，

是正态累计分布函数，ε是目标值，δ(x)是标准差。

贝叶斯优化的目标是找到候选集S中被优化函数f(x)的全局最大值或最小值，然后生成相应的参数最优组合：

X^*＝arg_x∈Smaxf(x) (8)

本发明中，被优化函数f(x)为不同参数LightGBM测试的准确率。将LightGBM的参数作为被优化函数f(x)的输入数据，并选择准确率的最大值作为优化目标。

LightGBM记录了单棵树中输入特征的分割次数，对所有树中的分割次数求和，可得到输入特征的重要程度值。在一般情况下，重要性得分衡量的是模型构建过程中特征的价值。在LightGBM中，一个特性用于构建决策树的次数越多，它就越重要。

本发明提出的一种基于贝叶斯优化LightGBM的电力系统暂态稳定评估方法，选取故障发生时获取的母线电压U、母线相角θ、线路有功功率P、无功功率Q作为输入特征。通过选择特征重要程度高的特征作为输入数据来降低数据维度和利用贝叶斯可实现快速确定LightGBM的最佳参数，其中，重要程度高的特征是指暂态稳定数据集内单个数据分裂次数占所有数据分裂总次数的比值大于设定阈值的数据。训练好的LightGBM可运用于电力系统暂态稳定评估。基于贝叶斯优化的LightGBM方法选择重要特征，极大降低了数据维度，有效剔除冗余数据。此方法具有强大的非线性映射能力、能够有效表征复杂函数、预测精度高，泛化能力强，可准确预测不稳定样本。同时，较好地解决传统神经网络算法过拟合、局部最优等难以解决的问题。

本发明提出的一种贝叶斯优化LightGBM的暂态稳定评估系统主要分为两个模块：基于贝叶斯优化的LightGBM离线训练模块和扰动事故后电力系统暂态稳定在线评估模块，如图3所示。

其中，离线训练模块的主要功能是根据训练样本，离线获取训练好的贝叶斯优化的LightGBM，以便在线应用。其主要是通过兼顾历史数据库和离线时域仿真数据，得到具有多样性的大数据样本集并提取所需输入输出特征变量；对数据进行归一化处理；选择特征重要程度高的特征构建低维度数据集，然后将低维度数据分为训练样本数据和测试样本数据，并利用训练样本数据对网络进行训练，采用贝叶斯优化确定LightGBM的最佳参数，以提高贝叶斯优化的LightGBM的预测准确率和泛化能力。

扰动事故后电力系暂态稳定评估的在线模块的主要功能是在线获取扰动事故后电力系统暂态稳定评估所需数据，并对数据进行预处理并输入已经离线训练好的LightGBM中，得到暂态稳定评估结果。为了进一步提升LightGBM的鲁棒性和泛化能力，可将在线评估得到的输入与输出数据反馈到离线训练样本中去，丰富历史数据库。

下面以具体实施例的方式，进一步对本发明内容进行说明。

为了验证本发明所提供基于贝叶斯优化LightGBM的暂态稳定评估方法的可行性以及有效性，在新英格兰10机39节点系统上开展算例测试。

计算程序都是在个人计算机上使用python编写完成，电脑配置为：CPU IntelCore i5-7400，内存8GB。

以新英格兰10机39节点系统为算例测试系统，如图4所示，该系统包含了10台发电机，39条母线(39号母线上的发电机为等值机)和46条线路，额定频率为50Hz。利用PSD-BPA进行时域仿真计算。设置80％、90％、100％、110％和120％五个负荷水平，同时适当改变同步发电机的有功出力和无功出力，使母线电压维持在正常水平。设置在线路中0％和50％处发生三相短路故障，故障开始时间为1.0s，故障切除时间考虑为0.08s、0.10s、0.14和0.18s。仿真时长设为4s。

电力系统的稳定状态是通过使用暂态稳定指数(TSI),η,定义的:

式中：|Δδ|max是任意两台发电机的最大相对功角差。如果η>0，则认为电力系统处于稳定运行状态；否则认为电力系统是不稳定的。

因此，用4s末所有发电机中最大相对功角差是否超过360°来判断故障后电力系统的暂态稳定状态。记录故障后10个周波的数据，最后一共生成17000个数据样本，按14:3的比例划分训练样本和测试样本。

利用上述的样本训练贝叶斯优化的LightGBM，记录每个特征重要程度值。为了降低特征维度，将特征重要程度值转换到[0，1]区间，然后剔除特征重要程度值低于0.05的特征，其余特征按其重要程度值降序排序，如图5所示。利用贝叶斯优化确定LightGBM的最佳参数，确保LightGBM处于最佳运行状态，所选出的重要程度高的特征是有效的。

利用训练完成的LightGBM对测试样本进行预测，从离线训练时间、在线评估时间、准确率Ac、召回率Rec和精度Pre对贝叶斯优化的LightGBM效果进行分析。

通过与时域仿真方法相比，基于贝叶斯优化LightGBM的方法极大的减少评估时间，贝叶斯优化LightGBM的在线评估时间仅为0.83s(仅为时域在线仿真耗时的0.052％)，可实现多重复杂不确定因素“组合数爆炸”下的暂态稳定的在线评估。贝叶斯优化LightGBM的准确率和召回率都达到99％以上，可满足在线暂态稳定评估的要求，具体结果如表1所示。

表1贝叶斯优化的LightGBM与时域仿真所得结果的比较

为了进一步验证基于贝叶斯优化LightGBM的有效性，采用XGBoost、深度信念网络DBN、随机森林RF和支持向量机SVM对相同的样本集进行训练和测试，并将所得结果的与贝叶斯优化的LightGBM网络进行对比分析。表2比较了五种人工智能算法的准确率Ac、召回率Rec和精度Pre离线训练和在线评估时间。在准确率Ac、召回率Rec和精度Pre方面，与其他四种人工智能算法相比，贝叶斯优化的LightGBM具有最高的准确率(99.97％)、召回率(99.8％)和精度(100％)。此外，贝叶斯优化LightGBM的离线训练和批量暂态稳定评估时间分别只有1.381s和0.83s。该方法可以实现快速、准确的暂态稳定评估，适用于调度中心的在线应用。SVM由于结构简单，学习能力有限，准确率低(94.97％)，对不稳定样本的识别率低(召回率95.4％)。DBN对不稳定样本具有良好的识别率(召回率为99.8％)，但较长离线训练时间(190.2s)和批量暂态稳定评估时间(4.29s)严重限制了其在线应用。RF和XGBoost在处理电力系统暂态稳定数据时的准确率和精度还有待提高。

表2人工智能算法结果比较

将贝叶斯优化LightGBM的方法应用于多重复杂不确定因素“组合数爆炸”下的暂态稳定评估，速度快且具有较高的准确率。

为了分析特征选择的有效性，在选出的重要特征(图5显示的特征)的基础上，按原始数据特征的排列顺序有序地增加已经剔除的特征，测试贝叶斯优化LightGBM的准确率。结果发现增加新的特征时，准确率无显著变化，然而，当减少重要特征时，准确率却会显著下降。

为了进一步验证特征选择的优越性，我们原始数据特征的排列顺序依次添加10个特征，其测试结果如图6所示。随着重要特征个数的增加，准确率逐渐提高。此外，增加的重要特征个数越多，准确率提高越明显，重要特征基本集中在[160，170]。结果表明特征选择对稳定性评估准确率的影响是显著的，筛选足够的重要特征可以在不牺牲精度的前提下降低内存消耗，加快网络训练速度

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，包括以下步骤：

S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；所述暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P和无功功率Q；

S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；

具体地，S2包括以下子步骤：

S21：对步骤S1中获取的暂态稳定数据集内的数据进行归一化预处理；

S22：用步骤S21中归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集；

S23：将步骤S22中的低维度数据集分为训练样本数据和测试样本数据；

S24：利用步骤S23中的训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用步骤S23中的测试样本数据对已经训练好的LightGBM进行测试；

S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，将获取的数据输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。

2.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，所述S3具体包括：

S31：制定进行电力系统暂态稳定在线评估的电力系统故障集；

S32：根据步骤S31中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，并将获取的数据进行归一化处理；

S33：将步骤S32中进行归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果。

3.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

4.一种贝叶斯优化LightGBM的暂态稳定评估系统，其特征在于，包括：

数据输入模块，用于输入电力系统的暂态稳定数据，并将输入的数据传输给离线训练模块；所述数据输入模块中的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P和无功功率Q；

离线训练模块，用于接收数据输入模块传输的暂态稳定数据，并根据获取的暂态稳定数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM，并将训练好的LightGBM传输给在线评估模块；

其中，所述离线训练模块包括离线训练模块A和离线训练模块B；

离线训练模块A，用于接收数据输入模块传输的暂态稳定数据，并对获取的暂态稳定数据集内的数据进行归一化预处理，用归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集，并将新构建的低维度数据集传输给离线训练模块B；

离线训练模块B，用于接收离线训练模块A传输的低维度数据集，并将低维度数据集分为训练样本数据和测试样本数据，利用训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用测试样本数据对已经训练好的LightGBM进行测试，并将训练好的LightGBM传输给在线评估模块；

在线评估模块，用于接收离线训练模块已经训练好的LightGBM，并在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，结合离线训练模块已经训练好的LightGBM，从而得到电力系统故障后该电力系统暂态稳定评估结果。

5.根据权利要求4所述的一种贝叶斯优化LightGBM的暂态稳定评估系统，其特征在于，所述在线评估模块包括存储模块、数据处理模块、数据输出模块；

存储模块，用于存储预先制定的电力系统暂态稳定在线评估的电力系统故障集，以及离线训练模块B传输的LightGBM；

数据处理模块，用于根据存储模块中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，将获取的数据进行归一化处理；并将归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果，并将评估结果传输给数据输出模块；

数据输出模块，用于接收数据处理模块传输的评估结果，并将评估结果进行输出。

6.根据权利要求5所述的一种贝叶斯优化LightGBM的暂态稳定评估系统，其特征在于，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：

式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。

Images