CN111523778A - 基于粒子群算法和梯度提升树的电网运行安全评估方法 - Google Patents
基于粒子群算法和梯度提升树的电网运行安全评估方法 Download PDFInfo
- Publication number
- CN111523778A CN111523778A CN202010280274.6A CN202010280274A CN111523778A CN 111523778 A CN111523778 A CN 111523778A CN 202010280274 A CN202010280274 A CN 202010280274A CN 111523778 A CN111523778 A CN 111523778A
- Authority
- CN
- China
- Prior art keywords
- particle
- tree
- power grid
- value
- model
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims description 48
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 16
- 230000001052 transient effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract 1
- 230000002265 prevention Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004940 physical analysis method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005262 decarbonization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于粒子群算法和梯度提升树的电网运行安全评估方法，包括：收集电力系统运行数据，同时基于预想事故集进行仿真得到故障样本，形成样本集；对样本集进行特征选择，得到能用来预测电力系统状态的关键变量；结合梯度提升树与集成学习，构建在线动态安全评估模型，利用关键变量对模型进行离线训练与更新，对电力系统状态进行回归预测；将实时电力系统运行数据输入到构建的在线动态安全评估模型中，对电网进行实时动态安全评估。本发明提出的电力系统在线动态安全评估模型能够为电网提供快速高效的评估，有利于电力人员的系统维护及安全措施预防的工作，对改善电网运行的安全性与质量有着重大意义。
Description
技术领域
本发明属于电力系统安全评估领域，具体涉及一种基于粒子群算法和梯度提升树的电网运行安全评估方法。
背景技术
一方面，随着现代电力系统的持续脱碳，尤其是可再生能源发电的大规模整合，以及运输和供热部门的潜在电气化，正在极大地扩展电力系统的运行状态空间，可能的操作点的扩展使得有必要开发新颖的安全性评估方法；另一方面，电力市场的自由化在许多地区大大分散了配电和供应服务，降低了系统运营商对系统的可控制性。上述方面给电力系统的稳定可靠运行带来了前所未有的挑战。
有许多不同的标准来定义电网安全性，静态不安全因素可能是指线路过载、电压超过极限，动态不安全因素可能是发电机转子角度不稳定或电压不稳定。系统安全评估方法可以分为物理分析方法和数据驱动方法。对电力系统建模进行非线性微分方程的时域仿真是最简单的物理分析方法，由于该方法需要有关故障期间和之后的网络配置的详细信息，加大了计算负担，使得仿真结果不及时；基于李雅普诺夫稳定性或能量函数原理的瞬时能量函数是另一种物理分析方法，该方法难以确定在给定的一组断层中动能和势能的水平。对大型电力系统而言，跨越多个工作点并针对大量潜在突发事件进行动态稳定性评估是很难的。
数据驱动方法不需要网络配置信息和电力系统参数来预测瞬态不稳定性。目前采用数据驱动方法对电力系统进行动态安全评估更为广泛。随着相量测量单元(PhasorMeasurement Units，PMUs)的广泛采用，来自系统过去历史的真实数据的涌入为通过人工智能方法构建可靠的系统安全规则也提供了宝贵的机会。机器学习技术如人工神经网络、支持向量机、决策树和长短期记忆网络已被广泛用于电力系统的动态安全评估。
目前的电力系统动态安全评估方法仍存在以下缺陷和困难：
(1)传统的关系探索工具，在进行相关性检测时，存在或多或少的高估或低估问题，使得选择的特征不够准确；
(2)传统的数据驱动方法难以兼顾运算速度和运算精度。现有的各种暂态稳定分析方法为处理DSA(Dynamic Security Assessment)问题做出了贡献，但是还不能很好地满足在线动态安全评估的要求。
发明内容
本发明的技术问题是现有的电力系统动态安全评估方法在进行相关性检测时，存在或多或少的高估或低估问题，使得选择的特征不够准确；现有的电力系统暂态稳定分析方法不能很好地满足在线动态安全评估的要求。
本发明的目的是解决上述问题，提供一种基于粒子群算法和梯度提升树的电网运行安全评估方法，采用优化算法从特征中确定关键变量，利用梯度提升树与集成学习，构建在线动态安全评估模型，高效地评估系统运行时的安全状况，提高电力系统安全运行水平。
本发明的技术方案是基于粒子群算法和梯度提升树的电网运行安全评估方法，基于粒子群算法和梯度提升树的电网运行安全评估方法，包括以下步骤：
步骤1：获取电力系统运行信息，基于预想事故集进行故障仿真，确定动态安全指标，形成原始样本集；
步骤2：利用基于粒子群算法的特征选择方法，对原始样本集进行特征选择，得到能用来预测电力系统状态的关键变量；
步骤3：结合梯度提升树与集成学习，构建在线动态安全评估模型，利用关键变量对模型进行离线训练与更新，对电力系统状态进行回归预测；
步骤4：通过从广域量测系统服务器接收实时电力系统运行数据，输入到构建的评估模型中对电力系统有关数据进行实时回归预测，完成对电网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，考虑多种影响电力系统运行的因素：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：
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，利用二进粒子群优化算法进行特征选择步骤如下：
步骤2-1：把可能与动态安全评估相关的量作为待选量，初始化粒子的位置和速度；
步骤2-2：将粒子的位置和速度根据迭代公式进行迭代；
步骤2-3：将迭代结果代入优化目标函数得出适应值，用来衡量解的优劣性；通过群体中粒子之间的合作与竞争产生的群体智能指导优化搜索，找出具有最优预测结果的特征集。
在步骤2-1中，根据提出的二进粒子群优化算法，粒子的位置代表优化问题的解，其编码采用二进制方式，即粒子位置的每一维分量为0或1；粒子的速度为位置变化的概率，即粒子速度的每一维分量代表对应的位置维分量选择0或1的概率，粒子的速度通过Sigmoid函数约束到区间[0,1]上。假设在一个D维空间进行搜索，随机初始化一个由m个粒子组成的群体，第i个粒子的位置Xi可表示为{xi1,xi2,…,xiD}；相应的飞行速度Vi可表示为{vi1,vi2,…,viD}。在步骤2-2中，每一次迭代过程中，粒子通过两个极值来更新自己的速度和位置：(1)个体极值Pi：粒子自身迄今为止所搜索到的最优解，表示为{pi1,pi2,…,piD}；(2)全局极值Pg：群体迄今为止所搜索到的最优解，表示为{pg1,pg2,…,pgD}。每次迭代粒子的速度更新规则如下：
位置更新规则如下：
S(vid)＝1/(1+exp(-vid)) (4)
式中：w是惯性权重，用来控制前面的速度对当前速度的影响，取值范围为[0.8,1.2]；c1、c2是加速因子，通常设为2；r1、r2是均匀分布在[0,1]区间上的随机数；rand()是均匀分布在区间[0,1]上的随机数；S(vid)是Sigmoid函数。
迭代的终止条件为最大迭代次数或粒子群迄今为止搜索到的最优位置满足最佳适应值的阈值。
在步骤2-3中，利用1和0分别代表一个特征的选择和不选，粒子群中每个粒子代表一个待选择的特征集，通过计算每个粒子的适应度值更新个体极值Pi和全局极值Pg，计算每个粒子的适应度值时，结合梯度提升树使用该特征集对所对应的样本集对电网安全状态进行预测评估，评估正确率作为该粒子的适应度，最终找出具有最优结果的特征集。
在步骤3中，构建梯度提升树模型，获得关键变量与相应的TSM值之间的映射关系，离线训练时，首先对关键变量采用公式(5)进行归一化处理，以减轻机器计算负担；
式中，xi为该运行变量的原始值；xi-max为所获取样本中该变量的最大值；xi-min为所获取样本中该变量的最小值；
为某运行变量经过归一化处理后的值。
通过式(5)使所有变量的值都在0至1内变化。评估模型的输入为经特征选择后的高效样本集，输出为对应的TSM值。TSM为暂态稳定裕度，定义为：
在步骤3中，离线训练的过程为：
(1)初始化：第0次迭代初始化梯度提升树模型F0(x)为定值，即：
其中，x为关键变量；yi为在情况i下的暂态稳定裕度值；L(yi,c)为损失函数；n为样本数；c为决策树的参数；
(2)计算残差：对于每一个样本(xi,yi)，利用公式(8)计算残差。
利用{(xi,rm,i)}i＝1,2,…,N训练出第m棵回归树Tm，其叶节点划分的区域为Rm,j,j＝1,2,…,J。针对第m次迭代，第m棵回归树hm-1(x)的模型识别结果F(x)取上一棵回归树的输出Fm-1(x)，然后计算残差rim。
(3)计算输出值：对于回归树Tm的每一个节点，利用公式(9)计算其输出值。
(4)进行迭代更新：由上述初始化、残差计算、输出值计算过程得到的结果对提升回归树进行迭代更新，得到第m次更新模型为：
式中I(x∈Rm,j)表示输入特征x属于叶节点划分的区域Rm,j,j＝1,2,…,J；
经过最大迭代次数更新模型，得到最终提升回归树为：
(5)超参数优化过程：针对梯度提升树模型进行超参数优化，从Boosting框架的参数空间和决策树的参数空间中寻找最适合该回归问题的参数组合。
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。
与现有技术相比，本发明达到的有益效果在于：
(1)本发明采用二进制粒子群算法和利用梯度提升树计算适应度相结合的方法进行特征选择，解决了单一二进制粒子群算法需要适应度函数求解适应度以及梯度提升树单独用于电力系统安全评估时向量维数高、冗余量过多使得回归模型性能退化、计算精度降低的问题；
(2)本发明构建梯度提升树时对Boosting框架和弱学习器(回归树)的参数进行超参数优化，使得该模型能对电力系统安全状态进行更精确的预测；
(3)将特征选择与回归器相结合，构造实时、精确、高效的动态安全评估模型。特征选择过程实现了对数据的降维，节省了离线训练的时间，使得回归过程更加高效。从电网公司获取样本以及利用PSS\E软件进行故障仿真从而获得仿真数据，都丰富了原始样本集，同时考虑了影响电力系统运行的因素，给予模型更好的鲁棒性。
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是本发明提出的动态安全评估模型框架图。
图2是本发明基于粒子群算法的特征选择框图。
图3是本发明梯度提升树和参数优化的流程图。
图4是IEEE 39节点算例系统的拓扑图。
具体实施方式
如图1所示，基于粒子群算法和梯度提升树的电网运行安全评估方法，包括以下步骤，
步骤1：获取电力系统运行信息，基于预想事故集进行故障仿真，确定动态安全指标，形成原始样本集；
步骤2：利用基于粒子群算法的特征选择方法，对原始样本集进行特征选择，得到能用来预测电力系统状态的关键变量，如图2所示；
步骤3：结合梯度提升树与集成学习，构建在线动态安全评估模型，利用关键变量对模型进行离线训练与更新，对电力系统状态进行回归预测；
步骤4：通过从广域量测系统服务器接收实时电力系统运行数据，输入到构建的评估模型中对电力系统有关数据进行实时回归预测，完成对电网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，考虑多种影响电力系统运行的因素：发电机因故障停止运行、切除输电线路、发生短路故障。构建动态安全指标如下：
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，利用二进粒子群优化算法进行特征选择步骤如下：
步骤2-1：把可能与动态安全评估相关的量作为待选量，初始化粒子的位置和速度；
步骤2-2：将粒子的位置和速度根据迭代公式进行迭代；
步骤2-3：将迭代结果代入优化目标函数得出适应值，用来衡量解的优劣性；通过群体中粒子之间的合作与竞争产生的群体智能指导优化搜索，找出具有最优预测结果的特征集。
在步骤2-1中，根据提出的二进粒子群优化算法，粒子的位置代表优化问题的解，其编码采用二进制方式，即粒子位置的每一维分量为0或1；粒子的速度为位置变化的概率，即粒子速度的每一维分量代表对应的位置维分量选择0或1的概率，粒子的速度通过Sigmoid函数约束到区间[0,1]上。假设在一个D维空间进行搜索，随机初始化一个由m个粒子组成的群体，第i个粒子的位置Xi可表示为{xi1,xi2,…,xiD}；相应的飞行速度Vi可表示为{vi1,vi2,…,viD}。在步骤2-2中，每一次迭代过程中，粒子通过两个极值来更新自己的速度和位置：(1)个体极值Pi：粒子自身迄今为止所搜索到的最优解，表示为{pi1,pi2,…,piD}；(2)全局极值Pg：群体迄今为止所搜索到的最优解，表示为{pg1,pg2,…,pgD}。每次迭代粒子的速度更新规则如下：
位置更新规则如下：
S(vid)＝1/(1+exp(-vid)) (4)
式中：w是惯性权重，用来控制前面的速度对当前速度的影响，通常的取值范围为[0.8,1.2]；c1、c2是加速因子通常设为2；r1、r2是均匀分布在[0,1]区间上的随机数；rand()是均匀分布在区间[0,1]上的随机数；S(vid)是Sigmoid函数。
迭代的终止条件为最大迭代次数或粒子群迄今为止搜索到的最优位置满足最佳适应值的阈值。
在步骤2-3中，利用1和0分别代表一个特征的选择和不选，粒子群中每个粒子代表一个待选择的特征集，通过计算每个粒子的适应度值更新个体极值Pi和全局极值Pg，计算每个粒子的适应度值时，结合梯度提升树使用该特征集对所对应的样本集对电网安全状态进行预测评估，评估正确率作为该粒子的适应度，最终找出具有最优结果的特征集。该特征集为关键变量，通过该特征集可以在较高预测准确率上预测出整个电力系统的运行安全状态。
在步骤3中，构建梯度提升树模型，获得关键变量与相应的暂态稳定裕度值之间的映射关系，离线训练时，首先对关键变量采用公式(5)进行归一化处理，以减轻机器计算负担；
式中：
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。
通过式(5)使所有变量的值都在0至1内变化。评估模型的输入为经特征选择后的高效样本集，输出为对应的TSM值。TSM为暂态稳定裕度，定义为：
如图3所示，步骤3中，离线训练的过程为：
(1)初始化：第0次迭代初始化梯度提升树模型F0(x)为定值，即：
其中，x为关键变量；yi为在情况i下的暂态稳定裕度值；L(yi,c)为损失函数；n为样本数；c为决策树的参数；
(2)计算残差：对于每一个样本(xi,yi)，利用公式(8)计算残差。
利用{(xi,rm,i)}i＝1,2,…,N训练出第m棵回归树Tm，其叶节点划分的区域为Rm,j,j＝1,2,…,J。针对第m次迭代，第m棵回归树hm-1(x)的模型识别结果F(x)取上一棵回归树的输出Fm-1(x)，然后计算残差rim。
(3)计算输出值：对于回归树Tm的每一个节点，利用公式(9)计算其输出值。
(4)进行迭代更新：由上述初始化、残差计算、输出值计算过程得到的结果对提升回归树进行迭代更新，得到第m次更新模型为：
式中：I(x∈Rm,j)表示输入特征x属于叶节点划分的区域Rm,j,j＝1,2,…,J；
经过最大迭代次数更新模型，得到最终提升回归树为：
(5)超参数优化过程：针对梯度提升树模型进行超参数优化，从Boosting框架的参数空间和决策树的参数空间中寻找最适合该回归问题的参数组合。Boosting框架的参数有决策树数量M、学习步长γm、子采样率和损失函数。决策树参数包括最大特征数、最大深度、划分最小样本数、叶节点最小样本数、最大叶节点数等。训练梯度提升树模型时采用并行网格搜索，针对参数空间进行寻优。
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。利用广域量测系统进行数据的实时更新从而对模型进行更新，增大了鲁棒性。
实施例选择IEEE39节点算例进行了测试。IEEE39节点系统包括：39个节点、10台发电机、46条传输线等系统元件，如图4所示。本发明基于电网历史数据和利用PSS\E软件进行仿真得到仿真数据，共获得了4798个样本。并行化参数网格搜索的系统平台为OSX系统。本次测试包含本发明方法所述所有步骤，在一台装有Intel Core i7处理器和8GB内存的计算机上进行测试，并获得了测试结果。
采用五重交叉验证方法，在不失一般性的情况下评估所提出方法的鲁棒性，样本数据被随机分为5个子集，称为“折叠”，折叠是互斥的，并且大小相等。将折叠表示为D1,D2,…,D5,然后将训练和测试迭代执行5次。在第i次迭代中，将数据集合Di用作测试数据集，将所有剩余样本数据集合用作训练数据集。
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：
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，
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，一般可接受的精度为R2≥0.9。
表1是本发明所提出的方法的测试所需的时间以及模型性能的测试结果。根据测试结果可知R2＝0.9886接近于1，RMSE接近于0，因此，本发明提出的模型具有较好的性能。预测时间为3.37秒(959个样本)，在实际应用中,PMU数据的处理时间应小于0.033秒，表的测试结果表明本发明方法模型的处理速度可以满足实时在线评估的要求。
表1实施例的模型性能的测试结果表
为了证明本发明方法模型的优良性能，梯度提升树(Gradient BoostingRegression Tree,GBRT)与其他常用的几个分类器分别对测试的IEEE39节点系统进行检验，结果如表1所示。对比的回归器包括回归树(Regression Tree,RT)、支持向量机(Support Vector Machine，SVM)和神经网络(Artificial Neural Network，ANN)。
表2实施例的回归器与其他回归器性能对比表
| 分类器 | R<sup>2</sup> | RMSE | 离线训练时间 |
| GBRT | 0.9886 | 0.0124 | 30.07秒 |
| RT | 0.9649 | 0.0218 | 31.02秒 |
| ANN | 0.9789 | 0.0169 | 29.87秒 |
| SVM | 0.9608 | 0.0230 | 30.49秒 |
上述结果表明，本发明方法采用的梯度提升树(Gradient Boosting RegressionTree,GBRT)回归器具有相对较好的性能。
为了验证电力系统实际运行时，拓扑关系变化对系统运行的影响以及本发明方法所建立的模型适应电力系统拓扑变化的鲁棒性，在IEEE39节点系统中改变测试系统的拓扑关系，生成对应的样本用于本次测试。拓扑关系变化及最终预测性能如表3所示。
Claims (10)
1.基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，包括以下步骤，
步骤1：收集电力系统运行数据，同时基于预想事故集进行仿真得到故障样本，形成样本集；
步骤2：对样本集进行特征选择，得到能用来预测电力系统状态的关键变量；
步骤3：结合梯度提升树与集成学习，构建在线动态安全评估模型，利用关键变量对模型进行离线训练与更新，对电力系统状态进行回归预测；
步骤4：将实时电力系统运行数据输入到构建的在线动态安全评估模型中，对电网进行实时动态安全评估。
2.根据权利要求1所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤1还包括构建动态安全指标，安全指标的计算式如下：
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。
3.根据权利要求1所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤2中，采用粒子群算法对样本集进行特征选择，具体步骤如下，
步骤2-1：把可能与动态安全评估相关的量作为待选量，初始化粒子的位置和速度；
步骤2-2：将粒子的位置和速度根据迭代公式进行迭代；
步骤2-3：将迭代结果代入优化目标函数得出适应值，用来衡量解的优劣性；通过群体中粒子之间的合作与竞争产生的群体智能指导优化搜索，找出具有最优分类结果的特征集。
4.根据权利要求3所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤2-1中，粒子的位置代表优化问题的解，其编码采用二进制方式，即粒子位置的每一维分量为0或1；粒子的速度为位置变化的概率，即粒子速度的每一维分量代表对应的位置维分量选择0或1的概率，粒子的速度通过Sigmoid函数约束到区间[0,1]上；假设在D维空间进行搜索，随机初始化由m个粒子组成的群体，第i个粒子的位置Xi表示为{xi1,xi2,…,xiD}；相应的飞行速度Vi表示为{vi1,vi2,…,viD}。
5.根据权利要求4所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤2-2中，每一次迭代过程中，粒子通过两个极值来更新自己的速度和位置：1)个体极值Pi：粒子自身迄今为止所搜索到的最优解，表示为{pi1,pi2,…,piD}；2)全局极值Pg：群体迄今为止所搜索到的最优解，表示为{pg1,pg2,…,pgD}；
每次迭代粒子的速度更新规则如下：
位置更新规则如下：
S(vid)＝1/(1+exp(-vid)) (4)
式中，w是惯性权重，用来控制前面的速度对当前速度的影响；c1、c2是加速因子；r1、r2是均匀分布在[0,1]区间上的随机数；rand()是均匀分布在区间[0,1]上的随机数；S(vid)是Sigmoid函数；
迭代的终止条件为最大迭代次数或粒子群迄今为止搜索到的最优位置满足最佳适应值的阈值。
6.根据权利要求5所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤2-3中，特征选择时，分别利用1、0表示选择特征、不选择特征作为关键变量，粒子群中每个粒子代表一个待选择的特征集，通过计算每个粒子的适应度值更新个体极值Pi和全局极值Pg，计算每个粒子的适应度值时，结合梯度提升树使用该特征集对所对应的样本集对电网安全状态进行预测评估，评估正确率作为该粒子的适应度，最终找出具有最优结果的特征集。
7.根据权利要求2所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤3中，构建梯度提升树模型，获得关键变量与相应的暂态稳定裕度值之间的映射关系，离线训练时，首先对关键变量进行归一化处理，如下
式中，xi为该运行变量的原始值；xi-max为所获取样本中该变量的最大值；xi-min为所获取样本中该变量的最小值；
为某运行变量经过归一化处理后的值；
通过式(5)使所有变量的值都在0至1内变化；评估模型的输入为经特征选择后的高效样本集，输出为对应的暂态稳定裕度值。
8.根据权利要求2所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤3中，离线训练的过程包括：
1)初始化：第0次迭代初始化梯度提升树模型F0(x)为定值，
式中，x为关键变量；yi为在情况i下的暂态稳定裕度值；L(yi,c)为损失函数；n为样本数；c为决策树的参数；
2)计算残差：对于每一个样本(xi,yi)，残差的计算式如下
利用{(xi,rm,i)}i＝1,2,…,N训练出第m棵回归树Tm，其叶节点划分的区域为Rm,j,j＝1,2,…,J；针对第m次迭代，第m棵回归树hm-1(x)的模型识别结果F(x)取值为上一棵回归树的输出Fm-1(x)，然后计算残差rm,i；
3)计算输出值：对于回归树Tm的每一个节点，输出值的计算式如下
4)进行迭代更新：由上述初始化、残差计算、输出值计算过程得到的结果对提升回归树进行迭代更新，得到第m次更新模型为：
式中I(x∈Rm,j)表示输入特征x属于叶节点划分的区域Rm,j,j＝1,2,…,J；
经过最大迭代次数更新模型，得到最终提升回归树为：
5)超参数优化过程：针对梯度提升树模型进行超参数优化，从Boosting框架的参数空间和决策树的参数空间中寻找最适合该回归问题的参数组合。
9.根据权利要求1所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，所述基于预想事故集进行仿真得到故障样本，从基于预想事故集的时域仿真中获取样本，仿真考虑多种影响电力系统运行的因素，包括发电机因故障停止运行、切除输电线路、发生短路故障。
10.根据权利要求1-9任意一项所述的基于粒子群算法和梯度提升树的电网运行安全评估方法，其特征在于，步骤4中，所述实时电力系统运行数据，从广域量测系统服务器获取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010280274.6A CN111523778A (zh) | 2020-04-10 | 2020-04-10 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010280274.6A CN111523778A (zh) | 2020-04-10 | 2020-04-10 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111523778A true CN111523778A (zh) | 2020-08-11 |
Family
ID=71901731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010280274.6A Pending CN111523778A (zh) | 2020-04-10 | 2020-04-10 | 基于粒子群算法和梯度提升树的电网运行安全评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523778A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112290539A (zh) * | 2020-10-12 | 2021-01-29 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态电压稳定裕度预测方法及系统 |
| CN112884215A (zh) * | 2021-02-02 | 2021-06-01 | 国网甘肃省电力公司信息通信公司 | 一种基于梯度增强树人口预测模型的参数优化方法 |
| CN113033845A (zh) * | 2021-04-25 | 2021-06-25 | 广东电网有限责任公司江门供电局 | 一种电力传输资源共建共享的建设方法及装置 |
| CN113503750A (zh) * | 2021-06-25 | 2021-10-15 | 太原理工大学 | 一种直接空冷机组最佳背压确定方法 |
| CN114170039A (zh) * | 2021-11-11 | 2022-03-11 | 安徽明生恒卓科技有限公司 | 一种适应于电力行业的数据安全智能管控平台 |
| CN114240069A (zh) * | 2021-11-24 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种基于回归学习与特征挖掘的电网在线风险计算方法 |
| CN114580144A (zh) * | 2022-01-17 | 2022-06-03 | 西南交通大学 | 近场动力学问题的gpu并行实施方法 |
| CN116031879A (zh) * | 2023-02-28 | 2023-04-28 | 四川大学 | 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法 |
| CN116167527A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
| CN117350891A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于粒子群优化模型的电网安全检测方法及系统 |
| CN117741514A (zh) * | 2024-02-21 | 2024-03-22 | 山东中船线缆股份有限公司 | 一种船用线缆的状态检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力系统稳定评估及控制方法 |
| CN102917441A (zh) * | 2012-09-29 | 2013-02-06 | 北京邮电大学 | 基于粒子群算法的多模终端选择目标网络的方法 |
| 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 |
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
-
2020
- 2020-04-10 CN CN202010280274.6A patent/CN111523778A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013037A (zh) * | 2010-12-16 | 2011-04-13 | 上海电机学院 | 一种基于粒子群算法的路径搜索方法及装置 |
| CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力系统稳定评估及控制方法 |
| CN102917441A (zh) * | 2012-09-29 | 2013-02-06 | 北京邮电大学 | 基于粒子群算法的多模终端选择目标网络的方法 |
| 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 |
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 廖伟涵等: "基于四阶段预处理与GBDT的油浸式变压器故障诊断方法", 《电网技术》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112290539A (zh) * | 2020-10-12 | 2021-01-29 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态电压稳定裕度预测方法及系统 |
| CN112884215A (zh) * | 2021-02-02 | 2021-06-01 | 国网甘肃省电力公司信息通信公司 | 一种基于梯度增强树人口预测模型的参数优化方法 |
| CN113033845A (zh) * | 2021-04-25 | 2021-06-25 | 广东电网有限责任公司江门供电局 | 一种电力传输资源共建共享的建设方法及装置 |
| CN113503750A (zh) * | 2021-06-25 | 2021-10-15 | 太原理工大学 | 一种直接空冷机组最佳背压确定方法 |
| CN114170039A (zh) * | 2021-11-11 | 2022-03-11 | 安徽明生恒卓科技有限公司 | 一种适应于电力行业的数据安全智能管控平台 |
| CN114240069A (zh) * | 2021-11-24 | 2022-03-25 | 国网天津市电力公司电力科学研究院 | 一种基于回归学习与特征挖掘的电网在线风险计算方法 |
| CN114580144A (zh) * | 2022-01-17 | 2022-06-03 | 西南交通大学 | 近场动力学问题的gpu并行实施方法 |
| CN114580144B (zh) * | 2022-01-17 | 2024-05-17 | 西南交通大学 | 近场动力学问题的gpu并行实施方法 |
| CN116031879A (zh) * | 2023-02-28 | 2023-04-28 | 四川大学 | 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法 |
| CN116167527A (zh) * | 2023-04-21 | 2023-05-26 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
| CN116167527B (zh) * | 2023-04-21 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
| CN117350891A (zh) * | 2023-09-27 | 2024-01-05 | 广东电网有限责任公司 | 基于粒子群优化模型的电网安全检测方法及系统 |
| CN117741514A (zh) * | 2024-02-21 | 2024-03-22 | 山东中船线缆股份有限公司 | 一种船用线缆的状态检测方法及系统 |
| CN117741514B (zh) * | 2024-02-21 | 2024-05-07 | 山东中船线缆股份有限公司 | 一种船用线缆的状态检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108551167B (zh) | 一种基于XGBoost算法的电力系统暂态稳定判别方法 | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| 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 | |
| CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
| 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 | |
| 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 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| 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 | |
| CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
| CN108595884A (zh) | 电力系统暂态稳定性评估方法及装置 | |
| CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
| 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 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN117077546B (zh) | 基于数据驱动的电力系统负荷建模方法及其系统 | |
| 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 | |
| CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
| Dong et al. | Research on academic early warning model based on improved SVM algorithm | |
| CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
| CN111628531B (zh) | 一种针对电力系统静态电压稳定评估的数据驱动方法 | |
| CN112419098B (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 |
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 |
Application publication date: 20200811 |
|
| RJ01 | Rejection of invention patent application after publication |