CN111401749A - 一种基于随机森林与极限学习回归的动态安全评估方法 - Google Patents

一种基于随机森林与极限学习回归的动态安全评估方法 Download PDF

Info

Publication number
CN111401749A
CN111401749A CN202010187421.5A CN202010187421A CN111401749A CN 111401749 A CN111401749 A CN 111401749A CN 202010187421 A CN202010187421 A CN 202010187421A CN 111401749 A CN111401749 A CN 111401749A
Authority
CN
China
Prior art keywords
power system
extreme learning
random forest
learning regression
variables
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
Application number
CN202010187421.5A
Other languages
English (en)
Inventor
刘明怡
刘礼煌
毛丹
史若原
欧琳琳
王欣怡
张琦
张婧怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202010187421.5A priority Critical patent/CN111401749A/zh
Publication of CN111401749A publication Critical patent/CN111401749A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Neurology (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于随机森林与极限学习回归的在线动态安全评估方案，具体包括以下步骤：(1)利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构建动态安全指标，形成原始样本集(2)采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，得到关键变量；(3)利用关键变量训练极限学习回归机，得到映射关系；(4)通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系统实时动态安全的评估。该方案实现了对电力系统进行快速、高效的实时安全评估，有利于维持电力系统的稳定运行。

Description

一种基于随机森林与极限学习回归的动态安全评估方法
技术领域
本发明属于电力系统动态安全评估领域，具体涉及随机森林、基尼指数、极限学习回归拟合、单隐含 层前馈神经网络算法。
背景技术
现代电力系统是世界上最复杂的人工系统之一，它的运行是为了维持连续的发电、输电和配电，但是， 电力系统的运行不可避免地会遭受各种干扰和故障，根据干扰和故障的严重程度，电力系统可能会失去安 全性，可能导致灾难性的后果，例如大范围的停电。随着电力系统规模的不断增大，电力系统的安全运行 面临着前所未有的挑战。为了避免灾难性局面的出现和适应电力系统规模的扩大，快速准确地对电力系统 的状态进行评估是研究人员关注的重点之一，在线动态安全评估对于维持电力系统安全稳定的运行具有重要意义。
一般而言，电力系统安全可以分为静态安全和动态安全，前者检查在扰动后状态下是否存在传输线过 载和总线过电压，而后者则研究在系统动态运行期间是否违反稳定性标准。从数学的角度来看，静态安全 问题可以通过一组代数方程建模，并进行快速计算，而动态安全问题则以大量非线性微分代数方程出现， 计算量大，维数高，快速准确地计算难以实现。
近年来，随着相量测量单元的广泛采用，来自系统过去历史的真实数据的大量涌入为通过人工智能方 法构造更可靠的系统安全检测方案提供了宝贵的机会。基于人工智能和基于数据挖掘技术的数据驱动方法 已被确定为快速、准确、信息丰富的动态安全评估极具潜力的方向。目前机器学习技术例如：支持向量机、 人工神经网络、决策树和长短期记忆已被广泛应用于电力系统在线动态安全评估。
然而，现有方法仍存在以下不足：
(1)一些常用的互信息和关系探索的工具，在进行相关性检测的时候，或多或少的存在高估或低估 的问题，使得特征选择不够准确，选择的关键变量不足以用于下一步的分类或者回归训练。同时，难以在 运算效率和关键特征子集质量间找到一个很好的平衡点。
(2)一些传统数据驱动方法在应用于电力系统在线动态安全评估时，存在一些局限性，比如运算效 率较低、容易过拟合、难以用于大量数据的分析等。
发明内容
针对上述问题与不足，本发明提出一种基于随机森林与极限学习回归的电力系统在线动态安全评估方 案。本发明采用的采用随机森林的算法、基于基尼指数和变量重要性评分可以实现对变量进行快速、准确 的特征选择。结合极限学习回归构造高效的动态安全评估模型，实现对电力系统状态的实时在线评估，为 大规模下的电力系统运行人员提供一种新的评估方案。
为了实现上述发明目的，本文提出以下技术方案：
步骤1：利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构 建动态安全指标，形成原始样本集；
步骤2：采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，对原始样本集依据排 名进行特征选择，形成关键变量集；
步骤3：将随机森林选出的关键变量发送到极限学习回归机进行训练，特征选择过程与极限学习回归 过程共同构成电力系统动态安全评估模型；
步骤4：通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系 统实时动态安全的评估。
在步骤1中，建立原始样本集时，从电网公司存储的电力系统历史运行数据以及基于预想事故集的时 域仿真中获取样本，其中，从基于预想事故集的时域仿真中获取样本，考虑影响电力系统运行的因素有： 发电机因故障停止运行、切除输电线路、发生短路故障。
在步骤1中构建动态安全指标如下：
Figure BDA0002414678350000021
式中：CCT为电力系统中某位置发生故障下的极限切除时间；ACT为故障点的实际切除时间；TSM为暂 态稳定裕度。
对于回归评估，采用以上公式(1)构建的连续性指标，经过回归分析，得到电力系统在某情况下对 应的TSM值。
在步骤2中，首先对变量根据公式(2)进行归一化处理，以减轻机器计算负担。
Figure BDA0002414678350000022
式中：
Figure BDA0002414678350000023
为某变量经过归一化处理后的值；xi为该运行变量的原始值；xi-min为所获取样本中该变量 的最小值；xi-max为所获取样本中该变量的最大值；通过此式使所有变量的值都在0至1内变化。
在步骤2中，利用随机森林进行特征重要性度量，给出一系列特征的重要性降序排名，根据需要，选 择所有变量前0.1％个运行变量作为关键变量。
将变量重要性评分(Variable Important Measures,VIM)用VIM来表示，基尼指数用GI来表示， 假设有m个特征X1,X2,X3,…,Xm，利用随机森林算法给特征排序过程包括：
(1)从原始样本集中用有抽样放回(bootstrap)方法选取一定的样本作为一个训练集，并由此构建 n棵决策树，每棵树最大限度地生长，不做任何裁剪；
(2)基尼指数的计算公式为：
Figure BDA0002414678350000031
其中，K表示有K个类别，pmk表示节点m中类别k所占的比例；
计算特征Xj在节点m的重要性，即节点m分枝前后的基尼指数变化量为：
Figure BDA0002414678350000032
其中，GIl和GIr分别表示分枝后两个新节点的基尼指数；
(3)计算特征Xj在第i棵树中的重要性值：如果特征Xj在决策树i中出现的节点在集合M中，那 么Xj在第i棵树中的重要性定义为：
Figure BDA0002414678350000033
假设该随机森林中共有n棵树，则：
Figure BDA0002414678350000034
(4)计算特征Xj的重要性值：将所有求得的重要性评分归一化处理得特征Xj的重要性值。归一化 公式为：
Figure BDA0002414678350000035
(5)对得到的所有特征的重要性值进行降序排序。
在步骤3中，将步骤2得到的关键变量和训练样本集发送给极限学习回归机进行离线训练，得到隐含 的关键变量和相应的TSM之间的映射关系。训练样本为{X1,X2,…,Xm,Y}，其中Xi(i∈1,…,m)代表由 同种运行变量经归一化后所构成的列向量，Y代表相应的动态安全指标构成的列向量。
在步骤3中，采用单隐含层前馈神经网络对关键变量和TSM值进行非线性映射。极限学习机回归拟合 令神经网络隐含层的激活函数为无限可微函数，从而能够实现对隐含层节点参数的随机选择和调整，进而 使该神经网络从复杂的非线性系统转化为简单的线性系统，实现训练速度快、准确率较高的目的。
在步骤3中，极限学习回归的步骤为：
(1)构建网络结构，设置激活函数：极限学习回归的网络结构由输入层、隐含层和输出层组成：输 入层有n个神经元，对应输入变量；隐含层有a个节点；输出层设置为1个输出变量，设置隐含层激活函 数为g(x)；
(2)随机选择输入层第i个变量与隐含层各个节点之间的连接权值w＝[wi1,wi2,…,win]T、隐含层神 经元的阈值b＝[b1,b2,…,ba]T。隐含层节点与输出层的连接权值通过求解最小二乘解确定，如式(8)所 示；
Figure BDA0002414678350000041
(3)计算决策函数：具有a个隐含层节点的极限学习回归拟合模型的决策函数表示为：
Figure RE-GDA0002495710380000042
在步骤4中，广域量测系统能对电力系统运行的动态过程进行检测和监控，通过该系统可以收集到电 力系统实时的运行数据，该数据是区别于历史数据和仿真数据的实时运行数据，能对模型进行更新。将实 时数据添加到回归算法中，更新输入和输出结果之间的映射关系，使得该模型对该电力系统具有更好的适 应性。
与现有技术比，本发明达到的有益效果在于：
(1)本发明采用随机森林里面的变量重要性度量进行特征选择，基于基尼指数和变量重要性评分对 特征重要性排序，克服了传统关系探索工具在特征选择中高估或者低估的问题，加快了特征选择速度。同 时随机森林算法具有分析复杂相互作用分类特征的能力，对于噪声数据和存在缺失值的数据具有很好的鲁 棒性，并且具有较快的学习速度。
(2)本发明采用的极限学习回归机用于探索输入量和指标间的映射关系，同时回归分析指标预测值。 极限学习回归机是一种新颖的机器学习算法，该算法随机选择单隐含层前馈神经网络中的输入层与隐含层 间的连接权值以及隐含层神经元阈值，与传统的回归预测模型相比，具有学习效率高、泛化能力强的优点。
(3)本发明将随机森林和极限学习回归相结合，共同构造实时、高效的DSA模型，实现了对大数据 的降维，节省了离线训练的时间，同时提供了高效、准确的回归预测结果。在输入数据时，也考虑到了一 些影响电力系统的因素，使得模型具有更好的鲁棒性。
附图说明
图1是本发明提出的电力系统在线动态安全评估框架图；
图2是本发明基于随机森林进行特征选择的流程图；
图3是本发明基于单隐含层前馈神经网络的结构图。
具体实施方法
下面结合附图对本发明作进一步说明。
本发明提出一种基于随机森林与极限学习回归的动态安全评估方法，如图1所示，所述方法包括以下 步骤：
步骤1：利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构 建动态安全指标，形成原始样本集；
步骤2：采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，对原始样本集依据排 名进行特征选择，形成关键变量集；
步骤3：将随机森林选出的关键变量发送到极限学习回归机进行训练，特征选择过程与极限学习回归 过程共同构成电力系统动态安全评估模型；
步骤4：通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系 统实时动态安全的评估。
在步骤1中，建立原始样本集时，从电网公司存储的电力系统历史运行数据以及基于预想事故集的时 域仿真中获取样本，其中，从基于预想事故集的时域仿真中获取样本，考虑影响电力系统运行的因素有： 发电机因故障停止运行、切除输电线路、发生短路故障。
在步骤1中，构建动态安全指标如下：
Figure BDA0002414678350000051
式中：CCT为电力系统中某位置发生故障下的极限切除时间；ACT为故障点的实际切除时间；TSM为暂 态稳定裕度。
在步骤2中，首先对变量根据公式(2)进行归一化处理，以减轻机器计算负担。
Figure BDA0002414678350000052
式中：
Figure BDA0002414678350000053
为某变量经过归一化处理后的值；xi为该运行变量的原始值；xi-min为所获取样本中该变量 的最小值；xi-max为所获取样本中该变量的最大值；通过此式使所有变量的值都在0至1内变化。
在步骤2中，利用随机森林进行特征重要性度量，输入为原始样本集，经过特征选择过程，给出一系 列特征的重要性降序排名，根据需要，选择所有变量前0.1％个运行变量作为关键变量，此时即完成了特征 选择过程。
在步骤2中，将变量重要性评分(VariableImportantMeasures,VIM)用VIM来表示，基尼指数用 GI来表示，假设有m个特征X1,X2,X3,…,Xm，利用随机森林算法给特征排序过程如图2所示，包括：
(1)从原始样本集中用有抽样放回(bootstrap)方法选取一定的样本作为一个训练集，并由此构建 n棵决策树，每棵树最大限度地生长，不做任何裁剪；
(2)基尼指数的计算公式为：
Figure BDA0002414678350000061
其中，K表示有K个类别，pmk表示节点m中类别k所占的比例；
计算特征Xj在节点m的重要性，即节点m分枝前后的基尼指数变化量为：
Figure BDA0002414678350000062
其中，GIl和GIr分别表示分枝后两个新节点的基尼指数；
(3)计算特征Xj在第i棵树中的重要性值：如果特征Xj在决策树i中出现的节点在集合M中，那 么Xj在第i棵树中的重要性定义为：
Figure BDA0002414678350000063
假设该随机森林中共有n棵树，则：
Figure BDA0002414678350000064
(4)计算特征Xj的重要性值：将所有求得的重要性评分归一化处理得特征Xj的重要性值。归一化 公式为：
Figure BDA0002414678350000065
(5)对得到的所有特征的重要性值进行降序排序，选择前0.1％作为关键变量集。
在步骤3中，将步骤2得到的关键变量和训练样本集发送给极限学习回归机进行离线训练时，输入为 关键变量集，输出为相应的TSM值，得到隐含的关键变量和相应的TSM之间的映射关系。训练样本为 {X1,X2,…,Xm,Y}，其中Xi(i∈1,…,m)代表由同种运行变量经归一化后所构成的列向量，Y代表相应 的动态安全指标构成的列向量。
图1中步骤3，采用单隐含层前馈神经网络对关键变量和TSM值进行非线性映射。极限学习机回归拟 合令神经网络隐含层的激活函数为无限可微函数，从而能够实现对隐含层节点参数的随机选择和调整，进 而使该神经网络从复杂的非线性系统转化为简单的线性系统，实现训练速度快、准确率较高的目的。
在步骤3中，极限学习回归的步骤如图3所示为：
(1)构建网络结构，设置激活函数：极限学习回归的网络结构由输入层、隐含层和输出层组成：输 入层有n个神经元，对应输入变量；隐含层有a个节点；输出层设置为1个输出变量，设置隐含层激活函 数为g(x)；
(2)随机选择输入层第i个变量与隐含层各个节点之间的连接权值w＝[wi1,wi2,…,win]T、隐含层神 经元的阈值b＝[b1,b2,…,ba]T。隐含层节点与输出层的连接权值通过求解最小二乘解确定，如式(8)所 示；
Figure BDA0002414678350000071
(3)计算决策函数：具有a个隐含层节点的极限学习回归拟合模型的决策函数表示为：
Figure RE-GDA0002495710380000072
通过该极限学习回归，可以得到相应的TSM的值，即公式(9)中的y，即可通过计算RSME的值判断 系统的稳定性。当RSME>0.9时，系统判断为稳定，否则，即为不稳定。
在步骤4中，电力系统在运行时受广域量测系统的监控，该系统是以同步向量测量技术为基础，以电 力系统动态过程检测、分析和控制为目标的实时监控系统。通过该系统可以收集到电力系统实时的运行数 据，该数据是区别于历史数据和仿真数据的实时运行数据，能对模型进行更新。将实时数据添加到回归算 法中，更新输入和输出结果之间的映射关系，使得该模型对该电力系统具有更好的适应性。
实施例：
本发明提出的方法在IEEE 39节点算例系统中进行了测试，该节点系统由10台发电机、39个节点和 46条线路所组成。本次测试包括本发明方法所述的所有步骤，在一台装有Intel Core i7处理器和8GB 内存的计算机上执行。
通过从电网公司收集电力系统历史运行数据以及基于一系列故障进行仿真，本次测试共得到4851个 样本，利用选取变量重要性评分排名前0.1％的变量构建样本集。采用十重样本划分法，将样本大致分为十 个部分，每次取其中一部分作为测试样本集，剩下的为训练样本集，重复十次测试，直到精度的均值和标 准差趋于稳定。
本次测试采用残差平方误差(R2)和均方根误差(Root Mean Square Error,RMSE)指标检验模型 的性能，R2、RMSE的定义如下：
Figure BDA0002414678350000073
Figure BDA0002414678350000081
式中：S是样本集，n是样本的数量，xi是优化的输入特征量，yi是相应的TSM值，d(xi)是评估值，
Figure BDA0002414678350000082
是yi的均值。通常，R2越大表明模型性能越好，RMSE越小，代表模型的误差越小。
表1是本发明所提出的方案的测试所需要的时间以及模型性能测试结果。根据测试结果可知R2接近 于1而RMSE接近于0，该结果表明本发明提出的模型具有较好的性能。同时，预测时间为2.25秒(578 个样本)，根据实际同步相量测量单元的数据采集速度，处理一个系统快照的时间要小于0.033秒，由已 知，该模型处理速度符合要求，能实现本发明的目的。
表1
Figure BDA0002414678350000083
为了验证模型适应电力系统拓扑变化的鲁棒性，本次测试对该IEEE39节点测试系统的拓扑关系进行 了一定的改变，利用改变后该系统的新样本对该模型进行测试，结果如表2所示。结果表明该模型具有较 好的鲁棒性。
表2
Figure BDA0002414678350000084
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作 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 (10)

1.一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于，包括以下步骤：
步骤1：利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构建动态安全指标，形成原始样本集；
步骤2：采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，对原始样本集依据排名进行特征选择，形成关键变量集；
步骤3：将随机森林选出的关键变量发送到极限学习回归机进行训练，特征选择过程与极限学习回归过程共同构成电力系统动态安全评估模型；
步骤4：通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系统实时动态安全的评估。
2.根据权利要求1所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤1中，建立原始样本集时，从电网公司存储的电力系统历史运行数据以及基于预想事故集的时域仿真中获取样本，其中，从基于预想事故集的时域仿真中获取样本，考虑影响电力系统运行的因素有：发电机因故障停止运行、切除输电线路、发生短路故障。
3.根据权利要求1或2所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤1中，构建动态安全指标如下：
Figure FDA0002414678340000011
式中：CCT为电力系统中某位置发生故障下的极限切除时间；ACT为故障点的实际切除时间；TSM为暂态稳定裕度。
4.根据权利要求1所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤2中，首先对变量根据公式(2)进行归一化处理，以减轻机器计算负担；
Figure FDA0002414678340000012
式中：
Figure FDA0002414678340000013
为某变量经过归一化处理后的值；xi为该运行变量的原始值；xi-min为所获取样本中该变量的最小值；xi-max为所获取样本中该变量的最大值；通过此式使所有变量的值都在0至1内变化。
5.根据权利要求1所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤2中，利用随机森林进行特征重要性度量，给出一系列特征的重要性降序排名，根据需要，选择所有变量前0.1％个运行变量作为关键变量。
6.根据权利要求1或5所述的一种基于随机森林与极限学习回归的动态安全评估方法，将变量重要性评分用VIM来表示，基尼指数用GI来表示，假设有m个特征X1,X2,X3,…,Xm，利用随机森林算法给特征排序过程包括：
(1)从原始样本集中用有抽样放回方法选取一定的样本作为一个训练集，并由此构建n棵决策树，每棵树最大限度地生长，不做任何裁剪；
(2)基尼指数的计算公式为：
Figure FDA0002414678340000021
其中，K表示有K个类别，pmk表示节点m中类别k所占的比例；
计算特征Xj在节点m的重要性，即节点m分枝前后的基尼指数变化量为：
Figure FDA0002414678340000022
其中，GIl和GIr分别表示分枝后两个新节点的基尼指数；
(3)计算特征Xj在第i棵树中的重要性值：如果特征Xj在决策树i中出现的节点在集合M中，那么Xj在第i棵树中的重要性定义为：
Figure FDA0002414678340000023
假设该随机森林中共有n棵树，则：
Figure FDA0002414678340000024
(4)计算特征Xj的重要性值：将所有求得的重要性评分归一化处理得特征Xj的重要性值；归一化公式为：
Figure FDA0002414678340000025
(5)对得到的所有特征的重要性值进行降序排序。
7.根据权利要求1所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤3中，将步骤2得到的关键变量和训练样本集发送给极限学习回归机进行离线训练，得到隐含的关键变量和相应的TSM之间的映射关系，TSM为暂态稳定裕度，训练样本为{X1,X2,…,Xm,Y}，其中Xi(i∈1,…,m)代表由同种运行变量经归一化后所构成的列向量，Y代表相应的动态安全指标构成的列向量。
8.根据权利要求1或7所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤3中，采用单隐含层前馈神经网络对关键变量和TSM值进行非线性映射，TSM为暂态稳定裕度；极限学习机回归拟合令神经网络隐含层的激活函数为无限可微函数，从而能够实现对隐含层节点参数的随机选择和调整，进而使该神经网络从复杂的非线性系统转化为简单的线性系统，实现训练速度快、准确率较高的目的。
9.根据权利要求8所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤3中，极限学习回归的步骤为：
(1)构建网络结构，设置激活函数：极限学习回归的网络结构由输入层、隐含层和输出层组成：输入层有n个神经元，对应输入变量；隐含层有a个节点；输出层设置为1个输出变量，设置隐含层激活函数为g(x)；
(2)随机选择输入层第i个变量与隐含层各个节点之间的连接权值w＝[wi1,wi2,…,win]T、隐含层神经元的阈值b＝[b1,b2,…,ba]T；隐含层节点与输出层的连接权值通过求解最小二乘解确定，如式(8)所示；
Figure RE-FDA0002495710370000031
(3)计算决策函数：具有a个隐含层节点的极限学习回归拟合模型的决策函数表示为：
Figure RE-FDA0002495710370000032
10.根据权利要求1所述的一种基于随机森林与极限学习回归的动态安全评估方法，其特征在于：在步骤4中，广域量测系统能对电力系统运行的动态过程进行检测和监控，通过该系统可以收集到电力系统实时的运行数据，该数据是区别于历史数据和仿真数据的实时运行数据，能对模型进行更新；将实时数据添加到回归算法中，更新输入和输出结果之间的映射关系，使得该模型对该电力系统具有更好的适应性。
CN202010187421.5A 2020-03-17 2020-03-17 一种基于随机森林与极限学习回归的动态安全评估方法 Pending CN111401749A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010187421.5A CN111401749A (zh) 2020-03-17 2020-03-17 一种基于随机森林与极限学习回归的动态安全评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010187421.5A CN111401749A (zh) 2020-03-17 2020-03-17 一种基于随机森林与极限学习回归的动态安全评估方法

Publications (1)

Publication Number Publication Date
CN111401749A true CN111401749A (zh) 2020-07-10

Family

ID=71436361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010187421.5A Pending CN111401749A (zh) 2020-03-17 2020-03-17 一种基于随机森林与极限学习回归的动态安全评估方法

Country Status (1)

Country Link
CN (1) CN111401749A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950853A (zh) * 2020-07-14 2020-11-17 东南大学 一种基于信息物理双侧数据的电力运行状态白名单生成方法
CN112327168A (zh) * 2020-10-31 2021-02-05 国网河北省电力有限公司雄安新区供电公司 一种基于XGBoost的电动汽车电池消耗预测方法
CN112329262A (zh) * 2020-11-24 2021-02-05 天津大学城市规划设计研究院有限公司 一种居住建筑燃气碳排放量预测方法
CN112396344A (zh) * 2020-11-30 2021-02-23 天津大学 一种基于产品质量的化工过程可靠性在线评估方法
CN113326663A (zh) * 2021-06-25 2021-08-31 沈阳工业大学 一种基于极限学习机的铁路继电器运行状态评估方法
CN113361769A (zh) * 2021-06-04 2021-09-07 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN113393023A (zh) * 2021-06-02 2021-09-14 中南民族大学 模具质量评估方法、装置、设备及存储介质
CN113887125A (zh) * 2021-08-31 2022-01-04 哈尔滨工业大学 一种复杂仿真系统运行有效性评估方法
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
CN116502155A (zh) * 2023-06-28 2023-07-28 武汉新威奇科技有限公司 一种用于数控电动螺旋压力机的安全监管系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264116A (zh) * 2019-07-31 2019-09-20 三峡大学 一种基于关系探索与回归树的电力系统动态安全评估方法
CN110417011A (zh) * 2019-07-31 2019-11-05 三峡大学 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
CN110728291A (zh) * 2019-07-12 2020-01-24 之江实验室 一种基于多中心模式下随机森林算法的特征重要性排序系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728291A (zh) * 2019-07-12 2020-01-24 之江实验室 一种基于多中心模式下随机森林算法的特征重要性排序系统
CN110264116A (zh) * 2019-07-31 2019-09-20 三峡大学 一种基于关系探索与回归树的电力系统动态安全评估方法
CN110417011A (zh) * 2019-07-31 2019-11-05 三峡大学 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

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950853A (zh) * 2020-07-14 2020-11-17 东南大学 一种基于信息物理双侧数据的电力运行状态白名单生成方法
CN111950853B (zh) * 2020-07-14 2024-05-31 东南大学 一种基于信息物理双侧数据的电力运行状态白名单生成方法
CN112327168A (zh) * 2020-10-31 2021-02-05 国网河北省电力有限公司雄安新区供电公司 一种基于XGBoost的电动汽车电池消耗预测方法
CN112329262A (zh) * 2020-11-24 2021-02-05 天津大学城市规划设计研究院有限公司 一种居住建筑燃气碳排放量预测方法
CN112396344A (zh) * 2020-11-30 2021-02-23 天津大学 一种基于产品质量的化工过程可靠性在线评估方法
CN113393023A (zh) * 2021-06-02 2021-09-14 中南民族大学 模具质量评估方法、装置、设备及存储介质
CN113361769A (zh) * 2021-06-04 2021-09-07 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN113361769B (zh) * 2021-06-04 2023-01-03 南方电网科学研究有限责任公司 基于prmse和crmse评价指标的稳定裕度值预测方法及装置
CN113326663A (zh) * 2021-06-25 2021-08-31 沈阳工业大学 一种基于极限学习机的铁路继电器运行状态评估方法
CN113887125A (zh) * 2021-08-31 2022-01-04 哈尔滨工业大学 一种复杂仿真系统运行有效性评估方法
CN113887125B (zh) * 2021-08-31 2024-06-04 哈尔滨工业大学 一种复杂仿真系统运行有效性评估方法
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
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
CN116502155A (zh) * 2023-06-28 2023-07-28 武汉新威奇科技有限公司 一种用于数控电动螺旋压力机的安全监管系统
CN116502155B (zh) * 2023-06-28 2023-09-19 武汉新威奇科技有限公司 一种用于数控电动螺旋压力机的安全监管系统

Similar Documents

Publication Publication Date Title
CN111401749A (zh) 一种基于随机森林与极限学习回归的动态安全评估方法
CN108551167B (zh) 一种基于XGBoost算法的电力系统暂态稳定判别方法
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
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
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN108832619A (zh) 基于卷积神经网络的电力系统暂态稳定评估方法
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
CN112200694B (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN110718910A (zh) 贝叶斯优化LightGBM的暂态稳定评估方法
CN112821424B (zh) 一种基于数据-模型融合驱动的电力系统频率响应分析方法
CN109143972A (zh) 一种基于贝叶斯与故障树的数控机床可靠性评价方法
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN112909939B (zh) 一种基于故障前后潮流特征的电力系统暂态稳定评估方法
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
CN111814284A (zh) 基于相关性检测与改进随机森林的在线电压稳定评估方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
CN113300373B (zh) 一种基于prmse评价指标的稳定裕度值预测方法及装置
Shahriyari et al. A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability‎ Assessment‎
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN111585277B (zh) 一种基于混合集成模型的电力系统动态安全评估方法
CN109684749B (zh) 一种考虑运行特性的光伏电站等值建模方法
CN116896093A (zh) 一种风电场并网振荡稳定性在线分析与优化方法
He Machine learning based method for transient stability assessment of power systems

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200710