CN111585277A - 一种基于混合集成模型的电力系统动态安全评估方法 - Google Patents
一种基于混合集成模型的电力系统动态安全评估方法 Download PDFInfo
- Publication number
- CN111585277A CN111585277A CN202010425322.6A CN202010425322A CN111585277A CN 111585277 A CN111585277 A CN 111585277A CN 202010425322 A CN202010425322 A CN 202010425322A CN 111585277 A CN111585277 A CN 111585277A
- Authority
- CN
- China
- Prior art keywords
- power system
- model
- vector
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000010354 integration Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 230000001360 synchronised effect Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于混合集成模型的电力系统动态安全评估方法,包括以下步骤:步骤1:构建相应的动态安全指标,建立包含若干电力系统运行变量和相应安全指标的初始样本集;步骤2:构建高效样本集;步骤3:得到能准确评估电力系统运行状况的动态安全评估模型;步骤4:基于同步向量测量装置的实时监测数据,选定关键特征变量数据输入DSA模型,实现电力系统的在线DSA。本发明的目的是为了提供一种泛化能力很好的电力系统动态安全评估方法,该方法具有评估快速、准确的特点,有利于电网工作人员及时采取有效的预防控制措施,能有效避免电力系统故障造成损失。
Description
技术领域
本发明属于电力系统动态安全评估领域,具体涉及一种基于混合集成模型的电力系统动态安全评估方法。
背景技术
随着我国社会和经济的飞速发展,电力系统行业也随之发生了重大变革,人们对电力系统的依赖性越来越强。伴随着电力系统的快速发展,大规模可再生能源的接入和电力系统广域互联,电力系统的安全稳定问题变得尤为突出。系统的安全控制和动态安全评估具有不可忽视的重要性,如何在广域、短时间内使用最有效的控制决策,已成为提高电力系统动态稳定性的关键问题。而时效性和准确性是实施控制决策过程中最重要的两个方面,这就需要一个能够实现在线应用的电力系统动态安全评估(Dynamic SecurityAssessment,DSA)方法。
随着广域监测系统(Wide Area Measurement Systems,WAMS)的发展,WAMS被广泛应用于电力系统的动态安全评估当中,并且基于WAMS的电力系统动态安全评估的研究进行的如火如荼。目前研究电力系统动态安全评估的方法主要包括时域仿真法、直接法和人工智能法等。传统的时域仿真法评估准确高但计算耗时长;直接法能快速提供动态安全评估结果,但只能给出近似结果,且难以用于复杂电力系统。因此传统方法对当前局面下的电力系统的适用性受到挑战,使得基于人工智能的动态安全评估方法被看作最具有前景的方法。
随着机器学习技术的发展,越来越多的智能算法被用于电力系统动态安全评估中,如人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support VectorMachine,SVM)、决策树(Decision Tree,DT)、随机森林(Random Forest,RF)等,并且这些方法都取得了不错的进展。但是这些方法在以下三个方面仍然存在着优化的空间:①评估模型的泛化能力普遍较低,难以适应多变的电力系统的要求;②在评估的速度方面,参数调整过程相对比较复杂,降低了评估的速度;③在评估的精度方面,虽然部分智能算法能获得较高的精度,但仍存在提升的空间。
授权公告为CN110889255A的专利文献公开了一种基于级联深度森林的电力系统暂态稳定评估方法。该发明通过构建仿真模型,并利用电力系统分析软件进行时域仿真得到样本集;随机选择样本集中的50%作为训练集,其余50%构成测试集;根据训练集训练级联深度森林模型,实现暂态稳定评估。它的缺点是针对大数据的学习能力较低,泛化能力不足,适用性存在局限性。
综上所述,目前的针对电力系统动态安全评估的方法,难以在泛化能力、评估精度和评估速度方面同时具有出色的性能,对于多变复杂的电力系统,上述评估方法在适用性方面仍然存在着问题。
发明内容
本发明的目的是为了提供一种泛化能力很好的电力系统动态安全评估方法,该方法具有评估快速、准确的特点,有利于电网工作人员及时采取有效的预防控制措施,能有效避免电力系统故障造成损失。
为了实现上述发明的目的,采用了以下方案:
一种基于混合集成模型的电力系统动态安全评估方法,包括以下步骤:
步骤1:基于电力系统历史运行数据和多种故障仿真产生的仿真数据,构建相应的动态安全指标,建立包含若干电力系统运行变量和相应安全指标的初始样本集;
步骤2:基于所获得的初始样本集,通过特征选择方法筛选出关键特征,构建高效样本集;
步骤3:基于多个极限学习机(Extreme Learning Machine,ELM)和随机向量泛函链接网络(Random Vector Functional link Network,RVFL)构成的混合集成模型,利用高效样本集对混合集成模型进行离线训练及更新,得到能准确评估电力系统运行状况的动态安全评估(Dynamic Security Assessment,DSA)模型;
步骤4:基于同步向量测量装置的实时监测数据,选定关键特征变量数据输入DSA模型,实现电力系统的在线DSA。
在步骤1中,基于电力系统历史运行数据和一系列预想事故集仿真的仿真数据,构建包含大量系统运行变量的样本集,并构建相应的暂态稳定裕度(Transient StabilityMargins,TSMs)指标,形成初始样本集;
TSM指标的构建如公式(1)所示:
式中:CCTi为电力系统某个位置在事故i下的极限切除时间;ACTi为故障点在事故i下的实际切除时间;TSMi为该位置的暂态稳定裕度;
基于构建的TSMs指标,建立相应的安全分类规则,设置适当且可接受的阈值α来区分样本的状态,安全分类规则的构建如公式(2)所示:
在步骤2中,首先对初始样本集进行预处理,采用最大最小法对样本集数据进行归一化处理,使原始数据映射到[0,1]之间,以降低DSA模型训练过程的负担,该方法的函数形式如公式(3)所示:
式中:Xi'为某一运行变量经过归一化处理后的值;Xi该运行变量的原始值;Xi_min为初始样本中该运行变量的最小值;Xi_max为初始样本中该运行变量的最大值。
在数据进行归一化处理之后,利用相关性探索工具包括套袋最近邻预测独立性检验(Bagging Nearest-Neighbor Prediction IndependenceTest,BNNPT)和最大信息系数(Maximal Information Coefficient,MIC)来进行数据降维。
采用BNNPT算法进行特征选择,它包括以下步骤:
(1)对于两个长度为M的向量X和Y,首先基于X构造M行,K列的参数矩阵,作为套袋邻域结构,定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素,且neigh(i,j)不等于i,其中neigh(i,j)通过以下方法确定:从向量X中随机抽取m个元素,将距离元素Xi最近的元素命名为Xnearest,且同时neigh(i,j)=nearest。当邻域结构被构造完成,则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi,如公式(4)所示。
Hi=sum(YNeigh(i,j),j)/bags (4)
式中:bags为矩阵构建的最近邻域结构个数;
(2)计算平方误差SE=||H-Y||2,采用SE检验用X预测Y的准确性,以SE为检验统计量进行排列检验,并对Y中的元素进行多次随机重复测试。计算SErandom≤SE的概率记为P值;
(3)筛选出P值排名靠前的5%的特征作为关键特征量,构成新的关键特征集。
采用MIC方法进行特征选择,基于MIC值的大小将特征进行排序,选择MIC值靠前的5%的特征作为关键特征集,MIC的计算公式如公式(5)所示:
式中:a,b是在X轴和Y轴方向上的划分格子的个数,本质上就是对样本变量构成的散点图进行a列b行网格化;I(x;y)是变量x,y之间的互信息;B(n)是变量,通常设置为n0.6。MIC的取值范围为0到1,并且具有以下属性:
(1)对于趋于无噪声的具有线性关系的两变量,其MIC值趋于1;
(2)对于无噪声的具有线性关系的两变量,其MIC值趋于1;
(3)对于无线性关系的两变量,其MIC值趋于0。
结合BNNPT和MIC的特征选择结果,选择合适的具有高度线性相关性的特征变量构建高效样本集。
在步骤3中,基于构建的高效样本集,采用五倍交叉验证法分为训练集和测试集,并将其输入基于多个ELM和RVFL的混合集成DSA模型中进行训练,得到可信的电力系统DSA模型;在步骤4中,基于PMUs的实时监测数据,选择关键变量数据作为DSA模型的输入,通过对实时数据的安全评估来判断系统的运行状况,以实现电力系统的在线DSA。
一种降低数据维度的方法,先采用BNNPT算法进行特征选择,再采用MIC方法进行特征选择,最后结合两种方法的特征选择结果选取合适的样本进行动态安全评估模型的训练。在采用BNNPT算法进行特征选择时,它包括以下步骤:
(1)对于两个长度为M的向量X和Y,首先基于X构造M行,K列的参数矩阵,作为套袋邻域结构,定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素,且neigh(i,j)不等于i,其中neigh(i,j)通过以下方法确定:从向量X中随机抽取m个元素,将距离元素Xi最近的元素命名为Xnearest,且同时neigh(i,j)=nearest。当邻域结构被构造完成,则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi,如公式(6)所示。
Hi=sum(YNeigh(i,j),j)/bags (6)
式中:bags为矩阵构建的最近邻域结构个数;
(2)计算平方误差SE=||H-Y||2,采用SE检验用X预测Y的准确性,以SE为检验统计量进行排列检验,并对Y中的元素进行多次随机重复测试。计算SErandom≤SE的概率记为P值;
(3)筛选出P值排名靠前的5%的特征作为关键特征量,构成新的关键特征集。
在采用MIC方法进行特征选择时,基于MIC值的大小将特征进行排序,选择MIC值靠前的5%的特征作为关键特征集;MIC的计算公式如公式(7)所示:
式中:a,b是在X轴和Y轴方向上的划分格子的个数,本质上就是对样本变量构成的散点图进行a列b行网格化;I(x;y)是变量x,y之间的互信息;B(n)是变量,通常设置为n0.6;MIC的取值范围为0到1,并且具有以下属性:
(1)对于趋于无噪声的具有线性关系的两变量,其MIC值趋于1;
(2)对于无噪声的具有线性关系的两变量,其MIC值趋于1;
(3)对于无线性关系的两变量,其MIC值趋于0;
结合BNNPT和MIC的特征选择结果,选择合适的具有高度线性相关性的特征变量构建高效样本集。
一种获得可信的电力系统动态安全评估模型的方法,构建高效样本集,并基于构建的高效样本集,采用五倍交叉验证法分为训练集和测试集,并将其输入基于多个ELM和RVFL的混合集成DSA模型中进行训练,得到可信的电力系统DSA模型;在将其输入基于多个ELM和RVFL的混合集成DSA模型中进行训练时,在具有n维输入向量和m维目标向量时,若极限学习机的隐藏层节点数为则具有个隐藏节点的ELM的输出函数可以在数学上建模,如以下公式(8)所示:
式中:βi是从第i个隐藏节点到输出节点的权重向量;g为激励函数;wi是将输入节点链接到第i个节点的权重向量;xj是N个实例中第j个实例的输入向量;bi是第i个节点的阈值;ti是第j个实例的目标向量。
随机向量泛函链接网络的独特之处在于其直接的输入—输出连接,类似于极限学习机格式,随机向量泛函链接网络的输出权值可以通过公式(9)求解:
ti=hi Tβ,i=1,2,...,P (9)
式中:t为实例目标向量;h表示输入层节点与隐藏层中随机特征的并置向量形式;β表示输出权重向量;P为输入实例数。
对于混合集成DSA模型的训练,主要过程分为两步:离线训练阶段和更新阶段。在离线训练阶段,利用电力系统历史运行数据进行DSA模型的离线训练;在更新阶段,主要更新步骤如下:
(1)当电力系统运行过程中产生了新的运行工况时,若所产生的工况包含在离线数据库中,则选出对应的模型用于新工况;
(2)若所产生的工况不包含在离线数据库中,则对新工况建立新数据集来训练新的模型,将新的模型用于新工况的评估。
采用上述技术方案,能带来以下技术效果:
(1)利用BNNPT和MIC进行特征选择,通过将两种方法的选择结果进行整合,能更加有效地筛选出与安全分类指标高度相关的运行变量,有效降低了样本数据的维度,同时避免特征冗余情况,显著减轻了DSA模型的训练负担;
(2)提出了一种新型的DSA模型,该模型采用多个ELM和多个RVFL混合集成,以此实现电力系统DSA。该模型的评估过程中不需要进行任何耗时的网络参数调整,评估速度快速,并且通过将这两种神经网络集成,使得评估模型具有良好的泛化能力;
(3)采用混合集成的方法,通过将多个ELM和RVFL网络的评估结果进行整合,最终的输出结果采用多数投票的规则,极大程度的提高了评估结果的准确度,符合现代电力系统安全评估精度的要求。
附图说明
图1是本发明整体方案流程图;
图2是本发明提出的混合集成学习框架;
图3是本发明中ELM和RVFL的结构图。
具体实施方式
下面结合附图和实例对本发明作进一步说明:
一种基于混合集成模型的电力系统动态安全评估方法,其整体方案和具体框架如图1和图2所示,包括以下步骤:
步骤1:基于电力系统历史运行数据和多种故障仿真产生的仿真数据,构建相应的动态安全指标,建立包含大量电力系统运行变量和相应安全指标的初始样本集;
步骤2:基于所获得的初始样本集,通过特征选择方法筛选出关键特征,构建高效样本集;
步骤3:基于多个ELM和RVFL构成的混合集成模型,利用高效样本集对混合集成模型进行离线训练及更新,得到能准确评估电力系统运行状况的DSA模型;
步骤4:基于PMUs的实时监测数据,选定关键特征变量数据输入DSA模型,实现电力系统的在线DSA。
在步骤1中,基于电力系统历史运行数据和一系列预想事故集仿真的仿真数据,构建包含大量系统运行变量的样本集,并构建相应的TSMs指标,形成初始样本集。
TSM指标的构建如公式(1)所示:
式中:CCTi为电力系统某个位置在事故i下的极限切除时间;ACTi为故障点在事故i下的实际切除时间;TSMi为该位置的暂态稳定裕度。
基于构建的TSMs指标,建立相应的安全分类规则,设置适当且可接受的阈值α来区分样本的状态,安全分类规则的构建如公式(2)所示:
在步骤2中,首先对初始样本集进行预处理,采用最大最小法对样本集数据进行归一化处理,使原始数据映射到[0,1]之间,以降低DSA模型训练过程的负担。该方法的函数形式如公式(3)所示:
式中:Xi'为某一运行变量经过归一化处理后的值;Xi该运行变量的原始值;Xi_min为初始样本中该运行变量的最小值;Xi_max为初始样本中该运行变量的最大值。
在数据进行归一化处理之后,利用相关性探索工具包括BNNPT和MIC来进行特征选择,以降低数据的维度。
采用BNNPT算法进行特征选择,算法的流程如下:
(1)对于两个长度为M的向量X和Y,首先基于X构造M行,K列的参数矩阵,作为套袋邻域结构。定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素,且neigh(i,j)不等于i,其中neigh(i,j)通过以下方法确定:从向量X中得到一套袋mtry值,将距离元素Xi最近的元素命名为Xnearest,且同时neigh(i,j)=nearest。当邻域结构被构造完成,则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi,如公式(4)所示。
Hi=sum(YNeigh(i,j),j)/bags (4)
式中:bags为矩阵构建的最近邻域结构个数。
(2)计算平方误差SE=||H-Y||2,采用SE检验用X预测Y的准确性,以SE为检验统计量进行排列检验,并对Y中的元素进行多次随机重复测试。计算SErandom≤SE的概率记为P值。
(3)筛选出P值排名靠前的5%的特征作为关键特征量,构成新的关键特征集。
采用MIC方法进行特征选择,基于MIC值的大小将特征进行排序,选择MIC值靠前的5%的特征作为关键特征集。MIC的计算公式如公式(5)所示:
式中:a,b是在X轴和Y轴方向上的划分格子的个数,本质上就是对样本变量构成的散点图进行a列b行网格化;I(x;y)是变量x,y之间的互信息;B(n)是变量,通常设置为n0.6。MIC的取值范围为0到1,并且具有以下属性:
(1)对于趋于无噪声的具有线性关系的两变量,其MIC值趋于1;
(2)对于无噪声的具有线性关系的两变量,其MIC值趋于1;
(3)对于无线性关系的两变量,其MIC值趋于0。
结合BNNPT和MIC的特征选择结果,选择合适的具有高度线性相关性的特征变量构建高效样本集。
在步骤3中,基于构建的高效样本集,采用五倍交叉验证法分为训练集和测试集,并将其输入基于多个ELM和RVFL的混合集成DSA模型中进行训练,得到可信的电力系统DSA模型。ELM和RVFL的网络结构如图3所示。对于具有n维输入向量和m维目标向量的实例,具有个隐藏节点的ELM的输出函数可以在数学上建模,如公式(6)所示:
式中:βi是从第i个隐藏节点到输出节点的权重向量;g为激励函数;wi是将输入节点链接到第i个节点的权重向量;xj是N个实例中第j个实例的输入向量;bi是第i个节点的阈值;ti是第j个实例的目标向量。
在ELM理论中,w和b可以随机分配,则未知变量矢量仅保留β。这样,通过最小化输出和目标值之间的训练误差,可以确定隐藏层的输出,从而大大简化了训练过程。更具体的说,公式(6)可以写成如公式(7)所示的紧凑格式:
Hβ=T (7)
式中:H为隐藏层输出矩阵,由输入权值和输入向量决定;其中T=[t1,t2,...,tN]。
RVFL的独特之处在于其直接的输入—输出连接,类似于ELM格式,RVFL的输出权值可以通过公式(8)求解:
ti=hi Tβ,i=1,2,...,P (8)
式中:t为实例目标向量;h表示输入层节点与隐藏层中随机特征的并置向量形式;β表示输出权重向量;P为输入实例数。
对于混合集成DSA模型的训练,训练过程分为两步:离线训练阶段和更新阶段。在离线训练阶段,利用电力系统历史运行数据进行DSA模型的离线训练;在更新阶段,主要更新步骤如下:
(1)当电力系统运行过程中产生了新的运行工况时,若所产生的工况包含在离线数据库中,则选出对应的模型用于新工况;
(2)若所产生的工况不包含在离线数据库中,则对新工况建立新数据集来训练新的模型,将新的模型用于新工况的评估。
在步骤4中,基于PMUs的实时监测数据,选择关键变量数据作为DSA模型的输入,通过对实时数据的安全评估来判断系统的运行状况,以实现电力系统的在线DSA。
实施例:
本发明在一个IEEE 39节点和一个1648节点系统进行了测试,其中IEEE 39节点系统包含39个节点及10台发电机。1648节点系统包含1648个节点、313台发电机和2294条传输线等系统元件。本发明测试是在一台装有Intel Core i7处理器和8GB内存的计算机上进行的,并获取了测试结果。通过PSS/E软件进行线路中一系列故障的模拟,并结合电力系统历史运行数据,IEEE 39节点系统获取了4215个样本,1648节点系统获取了8936个样本,测试过程采用五倍交叉验证法进行验证。
本发明的混合集成模型采用100个ELM和100个RVFL集成,测试过程中,采用准确率AC、精确率PR、召回率RE及PR和RE的调和平均值F1指标来评估整个DSA模型的性能。AC、PR、RE、F1的表达式如公式(9)-(12)所示:
式中:F11表示将实际是稳定状态的样本预测为稳定状态的样本数;F10表示将实际是稳定状态的样本预测为不稳定状态的样本数;F01表示将实际是不稳定状态的样本预测为稳定状态的样本数;F00表示将实际是不稳定状态的样本预测为不稳定状态的样本数。
表1为本发明中的DSA模型分别在IEEE 39节点系统和1648节点系统中的数据处理速度测试结果,结果显示本发明的模型具有较快的评估速度,符合电力系统快速评估的要求,有利于电力操作人员更快的采取措施来预防故障的发生;
表2为本发明的DSA模型在两个测试系统中的评估性能测试结果,结果显示出该模型具有较高的评估精度,符合电力系统安全评估中高精度的要求;
表3为本发明的DSA模型的评估性能与其他方法的评估性能的对比,包括ANN、SVM、DT、RF四种评估方法,结果显示本发明的混合集成DSA模型相对而言具有更高的评估精度;
表4为本发明的DSA模型在两个系统测试的拓扑结构情况;
表5为本发明的DSA模型在表4对应拓扑结构下的测试结果,结果显示该模型在两个系统中都具有较强的鲁棒性,符合现代电力系统的要求。
表1
测试系统 | 离线训练时间 | 测试集处理时间 |
IEEE 39节点系统 | 39.17秒(3372个样本) | 2.33秒(843个样本) |
1648节点系统 | 113.24秒(7149个样本) | 5.47秒(1787个样本) |
表2
测试系统 | AC | PR | RE | F<sub>1</sub> |
IEEE 39节点系统 | 0.9894 | 0.9907 | 0.9712 | 0.9809 |
1648节点系统 | 0.9861 | 0.9893 | 0.9698 | 0.9795 |
表3
表4
紧急事故 | IEEE 39节点系统 | 1648节点系统 |
1.N-1 | 线路9-39退出运行 | 线路1-130退出运行 |
2.N-1 | 3号发电机退出运行 | 51号发电机退出运行 |
3.N-2 | 线路9-39、线路4-7退出运行 | 线路1-130、线路447-448退出运行 |
4.N-2 | 线路9-39、10号发电机退出运行 | 线路1-130、51号发电机退出运行 |
5.N-2 | 线路4-7、10号发电机退出运行 | 线路447-448、360号发电机退出运行 |
表5
Claims (10)
1.一种基于混合集成模型的电力系统动态安全评估方法,其特征在于,包括以下步骤:
步骤1:基于电力系统历史运行数据和多种故障仿真产生的仿真数据,构建相应的动态安全指标,建立包含若干电力系统运行变量和相应安全指标的初始样本集;
步骤2:基于所获得的初始样本集,通过特征选择方法筛选出关键特征,构建高效样本集;
步骤3:基于多个极限学习机和随机向量泛函链接网络构成的混合集成模型,利用高效样本集对混合集成模型进行离线训练及更新,得到能准确评估电力系统运行状况的动态安全评估模型;
步骤4:基于同步向量测量装置的实时监测数据,选定关键特征变量数据输入动态安全评估模型,实现电力系统的在线动态安全评估。
4.根据权利要求3所述的基于混合集成模型的电力系统动态安全评估方法,其特征在于:在数据进行归一化处理之后,进行特征选择以降低数据的维度。
5.根据权利要求4所述的基于混合集成模型的电力系统动态安全评估方法,其特征在于,在步骤2中,基于归一化处理的数据,首先采用套袋最近邻预测独立性检验算法进行特征选择,它包括以下步骤:
(1)对于两个长度为M的向量X和Y,首先基于X构造M行,K列的参数矩阵,作为套袋邻域结构,定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素,且neigh(i,j)不等于i,其中neigh(i,j)通过以下方法确定:从向量X中随机抽取m个元素,将距离元素Xi最近的元素命名为Xnearest,且同时neigh(i,j)=nearest,当邻域结构被构造完成,则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi,如公式(4)所示,
Hi=sum(YNeigh(i,j),j)/bags (4)
式中:bags为矩阵构建的最近邻域结构个数;
(2)计算平方误差SE=||H-Y||2,采用SE检验用X预测Y的准确性,以SE为检验统计量进行排列检验,并对Y中的元素进行多次随机重复测试,计算SErandom≤SE的概率记为P值;
(3)筛选出P值排名靠前的5%的特征作为关键特征量,构成新的关键特征集。
6.根据权利要求4所述的基于混合集成模型的电力系统动态安全评估方法,其特征在于,在对归一化处理后的数据采用套袋最近邻预测独立性检验算法进行特征选择的同时,采用最大信息系数方法进行特征选择,基于最大信息系数值的大小将特征进行排序,选择最大信息系数值靠前的5%的特征作为关键特征集,最大信息系数的计算公式如公式(5)所示:
式中:a,b是在X轴和Y轴方向上的划分格子的个数,本质上就是对样本变量构成的散点图进行a列b行网格化;I(x;y)是变量x,y之间的互信息;B(n)是变量,通常设置为n0.6,最大信息系数的取值范围为0到1,并且具有以下属性:
(1)对于趋于无噪声的具有线性关系的两变量,其最大信息系数值趋于1;
(2)对于无噪声的具有线性关系的两变量,其最大信息系数值趋于1;
(3)对于无线性关系的两变量,其最大信息系数值趋于0,
结合套袋最近邻预测独立性检验和最大信息系数的特征选择结果,选择合适的具有高度线性相关性的特征变量构建高效样本集。
7.根据权利要求1所述的基于混合集成模型的电力系统动态安全评估方法,其特征在于:在步骤3中,基于构建的高效样本集,采用五倍交叉验证法分为训练集和测试集,并将其输入基于多个极限学习机和随机向量泛函链接网络的混合集成动态安全评估模型中进行训练,得到可信的电力系统动态安全评估模型;在步骤4中,基于PMUs的实时监测数据,选择关键变量数据作为动态安全评估模型的输入,通过对实时数据的安全评估来判断系统的运行状况,以实现电力系统的在线动态安全评估。
8.一种降低数据维度的方法,其特征在于:先采用套袋最近邻预测独立性检验算法进行特征选择,再采用最大信息系数方法进行特征选择,最后结合两种方法的特征选择结果选取合适的样本进行动态安全评估模型的训练,在采用套袋最近邻预测独立性检验算法进行特征选择时,它包括以下步骤:
(1)对于两个长度为M的向量X和Y,首先基于X构造M行,K列的参数矩阵,作为套袋邻域结构,定义Xneigh(i,j)为X向量中元素Xi的第j个套袋的最近邻元素,且neigh(i,j)不等于i,其中neigh(i,j)通过以下方法确定:从向量X中随机抽取m个元素,将距离元素Xi最近的元素命名为Xnearest,且同时neigh(i,j)=nearest,当邻域结构被构造完成,则对于向量Y中每个元素Yi可以得到套袋最近邻预测器Hi,如公式(6)所示,
Hi=sum(YNeigh(i,j),j)/bags (6)
式中:bags为矩阵构建的最近邻域结构个数;
(2)计算平方误差SE=||H-Y||2,采用SE检验用X预测Y的准确性,以SE为检验统计量进行排列检验,并对Y中的元素进行多次随机重复测试,计算SErandom≤SE的概率记为P值;
(3)筛选出P值排名靠前的5%的特征作为关键特征量,构成新的关键特征集。
9.根据权利要求8所述的降低数据维度的方法,其特征在于:采用最大信息系数方法进行特征选择,基于最大信息系数值的大小将特征进行排序,选择最大信息系数值靠前的5%的特征作为关键特征集;最大信息系数的计算公式如公式(7)所示:
式中:a,b是在X轴和Y轴方向上的划分格子的个数,本质上就是对样本变量构成的散点图进行a列b行网格化;I(x;y)是变量x,y之间的互信息;B(n)是变量,通常设置为n0.6;最大信息系数的取值范围为0到1,并且具有以下属性:
(1)对于趋于无噪声的具有线性关系的两变量,其最大信息系数值趋于1;
(2)对于无噪声的具有线性关系的两变量,其最大信息系数值趋于1;
(3)对于无线性关系的两变量,其最大信息系数值趋于0;
结合套袋最近邻预测独立性检验和最大信息系数的特征选择结果,选择合适的具有高度线性相关性的特征变量构建高效样本集。
10.一种获得可信的电力系统动态安全评估模型的方法,其特征在于,构建高效样本集,并基于构建的高效样本集,采用五倍交叉验证法分为训练集和测试集,并将其输入基于多个极限学习机和随机向量泛函链接网络的混合集成动态安全评估模型中进行训练,得到可信的电力系统动态安全评估模型;在将其输入基于多个极限学习机和随机向量泛函链接网络的混合集成动态安全评估模型中进行训练时,对具有n维输入向量和m维目标向量的实例,若极限学习机的隐藏层节点数为则具有个隐藏节点的极限学习机的输出函数可以在数学上建模,如以下公式(8)所示:
式中:βi是从第i个隐藏节点到输出节点的权重向量;g为激励函数;wi是将输入节点链接到第i个节点的权重向量;xj是N个实例中第j个实例的输入向量;bi是第i个节点的阈值;ti是第j个实例的目标向量,
随机向量泛函链接网络的输出权值可以通过公式(9)求解:
ti=hi Tβ,i=1,2,...,P (9)
式中:t为实例目标向量;h表示输入层节点与隐藏层中随机特征的并置向量形式;β表示输出权重向量;P为输入实例数,
对于混合集成DSA模型的训练,主要过程分为两步:离线训练阶段和更新阶段,在离线训练阶段,利用电力系统历史运行数据进行DSA模型的离线训练;在更新阶段,主要更新步骤如下:
(1)当电力系统运行过程中产生了新的运行工况时,若所产生的工况包含在离线数据库中,则选出对应的模型用于新工况;
(2)若所产生的工况不包含在离线数据库中,则对新工况建立新数据集来训练新的模型,将新的模型用于新工况的评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425322.6A CN111585277B (zh) | 2020-05-19 | 2020-05-19 | 一种基于混合集成模型的电力系统动态安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425322.6A CN111585277B (zh) | 2020-05-19 | 2020-05-19 | 一种基于混合集成模型的电力系统动态安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111585277A true CN111585277A (zh) | 2020-08-25 |
CN111585277B CN111585277B (zh) | 2022-04-08 |
Family
ID=72125212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010425322.6A Active CN111585277B (zh) | 2020-05-19 | 2020-05-19 | 一种基于混合集成模型的电力系统动态安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585277B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732565A (zh) * | 2020-12-31 | 2021-04-30 | 星环信息科技(上海)股份有限公司 | 一种软件持续集成的评估方法、计算机设备及介质 |
CN114548731A (zh) * | 2022-02-17 | 2022-05-27 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于系统动力学的安防系统效能评估方法、系统和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101231706B1 (ko) * | 2011-03-03 | 2013-02-08 | 한전케이디엔주식회사 | 동적 전력전압 곡선을 이용한 계통 안정도 평가 방법 및 시스템 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
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 |
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 |
CN110428005A (zh) * | 2019-07-31 | 2019-11-08 | 三峡大学 | 一种基于伞式算法的电力系统动态安全误分类约束方法 |
-
2020
- 2020-05-19 CN CN202010425322.6A patent/CN111585277B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101231706B1 (ko) * | 2011-03-03 | 2013-02-08 | 한전케이디엔주식회사 | 동적 전력전압 곡선을 이용한 계통 안정도 평가 방법 및 시스템 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
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 |
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 |
CN110428005A (zh) * | 2019-07-31 | 2019-11-08 | 三峡大学 | 一种基于伞式算法的电力系统动态安全误分类约束方法 |
Non-Patent Citations (2)
Title |
---|
QIAOQIAO LI ET AL.: "A Hybrid Data-Driven Method for Online Power System Dynamic Security Assessment with Incomplete PMU Measurements", 《2019 IEEE POWER & ENERGY SOCIETY GENERAL MEETING (PESGM)》 * |
卢锦玲等: "极限学习机和遗传算法在暂态稳定评估特征选择中的应用", 《电力系统及其自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112732565A (zh) * | 2020-12-31 | 2021-04-30 | 星环信息科技(上海)股份有限公司 | 一种软件持续集成的评估方法、计算机设备及介质 |
CN112732565B (zh) * | 2020-12-31 | 2023-07-18 | 星环信息科技(上海)股份有限公司 | 一种软件持续集成的评估方法、计算机设备及介质 |
CN114548731A (zh) * | 2022-02-17 | 2022-05-27 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于系统动力学的安防系统效能评估方法、系统和设备 |
CN114548731B (zh) * | 2022-02-17 | 2023-10-17 | 北京市科学技术研究院城市安全与环境科学研究所 | 基于系统动力学的安防系统效能评估方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111585277B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
CN110428005B (zh) | 一种基于伞式算法的电力系统动态安全误分类约束方法 | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
CN103761690A (zh) | 基于电网系统中电压无功控制系统的评估方法 | |
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 | |
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 | |
CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
CN111652478B (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN111400966B (zh) | 一种基于改进AdaBoost的电力系统静态电压稳定评估方法 | |
Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
Lin et al. | A data-driven scheme based on sparse projection oblique randomer forests for real-time dynamic security assessment | |
CN116523493A (zh) | 配电网运行维护辅助决策分析方法、系统及存储介质 | |
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 | |
Massaoudi et al. | Short-term dynamic voltage stability status estimation using multilayer neural networks | |
Haidar et al. | An intelligent load shedding scheme using neural networks and neuro-fuzzy | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
Qiao et al. | Transient stability assessment for ac-dc hybrid systems based on bayesian optimization xgboost | |
Shi et al. | Study on stability feature extraction of power system using deep learning | |
Dharmapala et al. | Short-term voltage instability prediction using pre-identified voltage templates and machine learning classifiers | |
Wang et al. | Research on line loss prediction model based on clustering and multi prediction model fusion | |
Wang et al. | Transient Stability Evaluation of Power System based on Neighborhood Rough Set and Extreme Learning Machine [J] | |
Yang et al. | The Application of Improved AdaBoost. M1-SVM on Rapid Assessment of Distribution Network Reliability |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |