CN111798049B - 一种基于集成学习与多目标规划的电压稳定评估方法 - Google Patents

一种基于集成学习与多目标规划的电压稳定评估方法 Download PDF

Info

Publication number
CN111798049B
CN111798049B CN202010625422.3A CN202010625422A CN111798049B CN 111798049 B CN111798049 B CN 111798049B CN 202010625422 A CN202010625422 A CN 202010625422A CN 111798049 B CN111798049 B CN 111798049B
Authority
CN
China
Prior art keywords
voltage stability
formula
power system
extreme learning
power
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.)
Active
Application number
CN202010625422.3A
Other languages
English (en)
Other versions
CN111798049A (zh
Inventor
刘颂凯
史若原
段雨舟
晏光辉
程江洲
龚小玉
杨楠
李振华
袁波
王彦淞
程杉
粟世玮
卢云
陈曦
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 CN202010625422.3A priority Critical patent/CN111798049B/zh
Publication of CN111798049A publication Critical patent/CN111798049A/zh
Application granted granted Critical
Publication of CN111798049B publication Critical patent/CN111798049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

一种基于集成学习与多目标规划的电压稳定评估方法，步骤1：基于同步相量测量单元测量的电力系统电力运行数据，利用连续潮流法，求解电力系统P‑V曲线，构建电压稳定裕度指标，建立初始样本集；步骤2：对初始样本集进行特征选择，从大量电力系统运行变量中选出与VSM相关度高的变量作为关键特征，以此形成高效样本集；步骤3：基于高效样本集，结合集成学习和多目标规划，构建电压稳定评估模型；步骤4：基于广域测量系统的提供的实时数据，利用VSA模型，对电力系统进行在线VSA。该方法利用集成极限学习机对电力系统进行VSA，具有较强的鲁棒性和较高的精度，并结合MOP对聚合参数进行优化，进一步提高了评估模型的准确性。

Description

一种基于集成学习与多目标规划的电压稳定评估方法
技术领域
本发明涉及电力系统静态电压稳定评估领域，具体涉及一种基于集成学习与多目标规划的电压稳定评估方法。
背景技术
随着电力系统的不断发展以及可再生能源的接入，电力系统的规模变得越来越大，结构也越来越复杂，导致电力系统面临的压力越来越大，很多电力系统不得不运行在其稳定极限附近，事故风险率较高。因此，对电力系统进行电压稳定评估(Voltage StabilityAssessment，VSA)就变得十分重要。VSA能够判断电力系统具有多大的电压稳定裕度(Voltage Stability Margin，VSM)，利用VSM，电力系统工作人员可以采取合适的措施对电力系统进行控制，以降低事故损失。
VSA的关键是确定电压的极限点，计算电压极限点的方法有很多，主要有直接法、连续潮流法、非线性规划法等。其中，连续潮流法是一种非常有效的VSA的方法，它可以较好地克服潮流方程在极限点附近的病态，方便地考虑电力系统的约束条件，可靠地跟踪电力系统稳态运行随负荷的变化情况，得到电压稳定裕度。但连续潮流法计算非常耗时，难以满足在线安全评估的要求。
随着机器学习理论的发展，人工神经网络(Artificial Neural Network，ANN)、随机森林(Random Forest，RF)、决策树(DecisionTree，RT)、支持向量机(Support VectorMachine，SVM)等经典模型被用于VSA之中。通过离线训练，在系统运行状态和稳定水平之间建立一种映射关系，于是就可以利用实时测量数据电力系统进行VSA。这些方法虽然取得了一些成果，但仍存在很多不足，如模型的鲁棒性较差，精度不足等问题。
授权公告号为CN109462228A的专利文献公开了一种基于人工神经网络的数据在线实时电压稳定裕度评估方法及系统，该方法中建立人工神经网络模型，随机给出多组各个节点的初始运行参数，通过给出的运行参数训练该人工神经网络模型，直至获得期望的人工神经网络模型，再通过该期望的人工神经网络模型处理相量测量装置测得的节点数据，从而得到各个节点的电压幅值和相位角，再通过连续潮流算法得到电压稳定裕度。但该技术在电压稳定评估时显现出模型训练时间长且评估精度不高的问题。
发明内容
本发明的主要目的是为了解决现有电压稳定评估方法的鲁棒性较差、精度不足的问题，而提出了一种基于集成学习与多目标规划的电压稳定评估方法，该方法利用集成极限学习机(Extreme Learning Machine，ELM)对电力系统进行VSA，具有较强的鲁棒性和较高的精度，并结合多目标规划(Multi-Objective Programming，MOP)对聚合参数进行优化，进一步提高了评估模型的准确性。
一种基于集成学习与多目标规划的电压稳定评估方法，包括以下步骤：
步骤1：基于同步相量测量单元(Phasor Measurement Unit，PMU)测量的电力系统电力运行数据，利用连续潮流法，求解电力系统P-V曲线，构建电压稳定裕度(VoltageStability Margin，VSM)指标，建立初始样本集；
步骤2：对初始样本集进行特征选择，从若干电力系统运行变量中选出与VSM相关度高的变量作为关键特征，以此形成高效样本集；
步骤3：基于高效样本集，结合集成学习和多目标规划(Multi-ObjectiveProgramming，MOP)，构建电压稳定评估(Voltage Stability Assessment，VSA)模型；
步骤4：基于广域测量系统的提供的实时数据，利用VSA模型，对电力系统进行在线VSA。
在步骤1中，PMU测量的电力系统运行数据包括发电机的有功功率和无功功率、支路传输的有功功率和无功功率、节点的电压幅值和相角。
在步骤1中，基于上述电力系统运行数据，利用连续潮流法得到的电力系统P-V曲线能够形象描述节点电压随负荷增大而降低的过程，直至电压崩溃，由P-V曲线，可计算电力系统的VSM。VSM如公式(1)所示：
Figure BDA0002563239450000021
式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率。
在步骤2中，对初始样本集中的各种运行变量进行z-score标准化处理，如公式(2)所示；
Figure BDA0002563239450000031
式中：xi为某运行变量的原始值；
Figure BDA0002563239450000032
为该运行变量经过z-score标准化后的值；μ为所获取样本中该变量的均值；σ为所获取样本中该变量的标准差。
在步骤2中，利用部分互信息(Partial Mutual Information，PMI)对电力系统中各个运行变量与VSM之间的相关性进行检测，并对求得的PMI值按降序排列，选取PMI值高的运行变量作为关键特征，以此形成高效样本集。
在步骤2中，PMI如公式(3)所示：
Figure BDA0002563239450000033
式中：x，y是在z条件下的随机变量；p(x,y,z)为x，y，z的联合概率分布；PMI的取值范围为(0，1)，并具有如下性质：
(1)PMI越大，表示变量间的相关性越强；
(2)如果PMI小于0.05，则可以基本判断变量间相关性很低；
(3)如果PMI等于1，则可以基本判断变量间相关性非常高。
在步骤3中，基于特征选择后的高效样本集，将关键特征作为输入，VSM作为输出，对集成极限学习机(Extreme Learning Machine，ELM)进行离线训练；并利用聚合策略将每个ELM的输出汇合起来作为最终的评估结果；为了提高聚合性能，利用MOP选择最优的聚合参数。
在步骤3中，聚合策略如下所示：
(1)对于每个ELM的评估结果yi，如公式(4)所示：
Figure BDA0002563239450000034
式中：lbs、ubs、lbu、ubu是将yi划分为稳定，不稳定和不可信结果的边界。
(2)对于集成ELM的评估结果Y：
对于有E个ELM的集合，若其中m个ELM输出为0(不可信输出)，n个ELM输出为1(稳定)，c个ELM输出为-1(不稳定)，且m+n+c＝E，则集成ELM评估结果如公式(5)所示：
Figure BDA0002563239450000041
式中：r为自定义阈值。
在步骤3中，利用MOP求解最优聚合参数，以提高聚合性能，MOP如公式(6)所示：
Figure BDA0002563239450000042
式中：P(X)为聚合失败率；Q(X)为误分类率；NV为样本总数；ns为聚合成功的样本数；ncorrect为正确分类的样本数；nmis为误分类样本数。
一种构建电压稳定评估模型的方法，它包括以下步骤：
步骤1)基于特征选择后的高效样本集，将关键特征作为输入，VSM作为输出，对集成ELM进行离线训练；
步骤2)利用聚合策略将每个ELM的输出汇合起来作为最终的评估结果；
步骤3)利用MOP选择最优的聚合参数；
从而获得相应的评估模型。
对集成ELM训练过程如下所示：
(1)从高效样本集中随机选取u个样本；
(2)从关键特征中随机选择f个特征；
(3)随机选择激活函数和ELM的隐藏节点数目；
(4)利用上述样本、特征、激活函数和隐藏节点以迭代的方式对ELM进行训练，直到集合中的所有ELM被训练完为止。
聚合策略如下所示：
(1)对于每个ELM的评估结果yi，如公式(7)所示：
Figure BDA0002563239450000051
式中：lbs、ubs、lbu、ubu是将yi划分为稳定，不稳定和不可信结果的边界。
(2)对于集成ELM的评估结果Y：
对于有E个ELM的集合，若其中m个ELM输出为0(不可信输出)，n个ELM输出为1(稳定)，c个ELM输出为-1(不稳定)，且m+n+c＝E，则集成ELM评估结果如公式(8)所示：
Figure BDA0002563239450000052
式中：r为自定义阈值。
利用MOP求解最优聚合参数，以提高聚合性能，MOP如公式(9)所示：
Figure BDA0002563239450000053
式中：P(X)为聚合失败率；Q(X)为误分类率；NV为样本总数；ns为聚合成功的样本数；ncorrect为正确分类的样本数；nmis为误分类样本数。
由于各种电力系统运行因素的影响(如系统拓扑结构的变化，发电机/负载的功率分布等)，基于离线训练阶段训练好的VSA模型可能无法对系统新的运行工况提供可靠的评估结果。因此，需要利用新工况产生的新样本集来对模型进行重新训练，从而获得相应的评估模型。
与现有技术相比，本发明的有益效果在于：
(1)对电力系统大量运行变量进行z-score标准化处理，去除了单位限制，减少了计算负担；并利用PMI来进行相关性检测，降低了数据维度，进一步减少了计算的负担，显著提高了计算效率；
(2)利用集成模型进行VSA，降低了个体训练的随机性，增加了评估的准确性；
(3)利用MOP对其参数进行了优化，提高了聚合的性能，进一步提高了VSA的精度。
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是本发明方法流程图；
图2是本发明中多目标规划过程示意图；
图3是本发明中模型更新过程示意图；
图4是本发明中提出的VSA模型在1648节点系统中的鲁棒性测试结果示意图。
具体实施方式
一种基于集成学习与多目标规划的电压稳定评估方法，如图1所示，包括以下步骤：
一种基于集成学习与多目标规划的电压稳定评估方法，包括以下步骤：
步骤1：基于PMU测量的电力系统电力运行数据，利用连续潮流法，求解电力系统P-V曲线，构建VSM指标，建立初始样本集；
步骤2：对初始样本集进行特征选择，从大量电力系统运行变量中选出与VSM相关度高的变量作为关键特征，以此形成高效样本集；
步骤3：基于高效样本集，结合集成学习和MOP，构建VSA模型；
步骤4：基于广域测量系统的提供的实时数据，利用VSA模型，对电力系统进行在线VSA。
在步骤1中，PMU测量的电力系统运行数据包括发电机的有功功率和无功功率、支路传输的有功功率和无功功率、节点的电压幅值和相角等。
基于上述电力系统运行数据，利用连续潮流法得到的电力系统P-V曲线能够形象描述节点电压随负荷增大而降低的过程，直至电压崩溃。由P-V曲线，可计算电力系统的VSM。VSM如公式(1)所示：
Figure BDA0002563239450000071
式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率。
在步骤2中，对初始样本集中的各种运行变量进行z-score标准化处理，如公式(2)所示，来去除数据的单位限制，便于进行分析；
Figure BDA0002563239450000072
式中：xi为某运行变量的原始值；
Figure BDA0002563239450000073
为该运行变量经过z-score标准化后的值；μ为所获取样本中该变量的均值；σ为所获取样本中该变量的标准差。
利用PMI对电力系统中各个运行变量与VSM之间的相关性进行检测，并对求得的PMI值按降序排列，选取PMI值高的运行变量作为关键特征，以此形成高效样本集。
PMI如公式(3)所示：
Figure BDA0002563239450000074
式中：x，y是在z条件下的随机变量；p(x,y,z)为x，y，z的联合概率分布；PMI的取值范围为(0，1)，并具有如下性质：
(1)PMI越大，表示变量间的相关性越强；
(2)如果PMI小于0.05，则可以基本判断变量间相关性很低；
(3)如果PMI等于1，则可以基本判断变量间相关性非常高。
在步骤3中，基于特征选择后的高效样本集，将关键特征作为输入，VSM作为输出，对集成ELM进行离线训练；并利用聚合策略将每个ELM的输出汇合起来作为最终的评估结果；为了提高聚合性能，利用MOP选择最优的聚合参数，如图2所示。
对集成ELM训练过程如下所示：
(1)从高效样本集中随机选取u个样本；
(2)从关键特征中随机选择f个特征；
(3)随机选择激活函数和ELM的隐藏节点数目；
(4)利用上述样本、特征、激活函数和隐藏节点以迭代的方式对ELM进行训练，直到集合中的所有ELM被训练完为止。
聚合策略如下所示：
(1)对于每个ELM的评估结果yi，如公式(4)所示：
Figure BDA0002563239450000081
式中：lbs、ubs、lbu、ubu是将yi划分为稳定，不稳定和不可信结果的边界。
(2)对于集成ELM的评估结果Y：
对于有E个ELM的集合，若其中m个ELM输出为0(不可信输出)，n个ELM输出为1(稳定)，c个ELM输出为-1(不稳定)，且m+n+c＝E，则集成ELM评估结果如公式(5)所示：
Figure BDA0002563239450000082
式中：r为自定义阈值。
利用MOP求解最优聚合参数，以提高聚合性能，MOP如公式(6)所示：
Figure BDA0002563239450000083
式中：P(X)为聚合失败率；Q(X)为误分类率；NV为样本总数；ns为聚合成功的样本数；ncorrect为正确分类的样本数；nmis为误分类样本数。
由于各种电力系统运行因素的影响(如系统拓扑结构的变化，发电机/负载的功率分布等)，基于离线训练阶段训练好的VSA模型可能无法对系统新的运行工况提供可靠的评估结果。因此，需要利用新工况产生的新样本集来对模型进行重新训练，从而获得相应的评估模型，如图3所示。
在步骤4中，基于广域测量系统提供的电力系统实时运行数据，选择对应的关键变量，利用VSA模型，对电力系统进行在线VSA评估。
实施例：
本发明在一个IEEE 39节点系统和一个1648节点系统中进行了测试，其中IEEE 39节点系统包含39个节点和10台发电机；1648节点系统包含1648个节点、313台发电机和2249条输电线路。所有测试是在一台装有Intel Core i7处理器和8GB内存的计算机上执行的。根据功率和负荷的变化，对不同的运行状况进行采样，共采集了8000个样本，将这些样本按4：1的比例随机分为训练集和测试集。
采用残差平方误差(R2)和均方根误差(Root Mean Squared Error，RMSE)来评估评估模型的性能，R2、RMSE如公式(7)、(8)所示：
Figure BDA0002563239450000091
Figure BDA0002563239450000092
式中：Yi为实际VSM值；Yi *为模型的预测值；
Figure BDA0002563239450000093
为Yi的平均值；n为样本数量。
为了检测本发明评估模型的性能，在IEEE 39节点系统和1648节点系统中进行了测试，模型的性能测试结果如表1所示。由图中可以看出，本发明提出的VSA模型具有良好的预测性能和数据处理能力，满足在线VSA的需求。
为了进一步验证模型的优越性，本发明将DT、支持向量机(Support VectorMachine，SVM)人工神经网络(Artificial Neural Network，ANN)等经典模型分别在IEEE39节点系统和1648节点系统中进行了在线VSA。各种模型的性能对比结果如表2所示。由图中可以看出，本发明提出的VSA模型具有较高的精度。
表1
VSA模型的性能测试结果
测试系统 R<sup>2</sup> RMSE 训练时间 测试时间
39节点系统 0.9875 0.0125 40.15秒 2.34秒
1648节点系统 0.9779 0.0167 53.42秒 4.27秒
表2
本发明中评估模型与其他模型性能对比结果
Figure BDA0002563239450000101
由于电力系统的结构时刻处于变化之中，为了验证本发明中提出的模型的鲁棒性，在1648节点系统中进行了鲁棒性测试，拓扑结构变化如表3所示，测试结果如图4所示。由图中可以看出，本发明提出的VSA模型具有较好的鲁棒性。
表3 1648节点系统拓扑结构变化情况
紧急事故 事故类型
线路55-76断开 N-1
线路89-92断开 N-1
57号发电机退出运行 N-1
线路89-92、1204-1206断开 N-2
57号发电机退出运行、线路55-76断开 N-2

Claims (7)

1.一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，包括以下步骤：
步骤1：基于同步相量测量单元PMU测量的电力系统电力运行数据，利用连续潮流法，求解电力系统P-V曲线，构建电压稳定裕度VSM指标，建立初始样本集；
步骤2：对初始样本集进行特征选择，从若干电力系统运行变量中选出与电压稳定裕度VSM相关度高的变量作为关键特征，以此形成高效样本集；
步骤3：基于高效样本集，结合集成学习和多目标规划MOP，构建电压稳定评估VSA模型；
步骤4：基于广域测量系统的提供的实时数据，利用电压稳定评估VSA模型，对电力系统进行在线电压稳定评估VSA；
在步骤3中，基于特征选择后的高效样本集，将关键特征作为输入，电压稳定裕度VSM作为输出，对集成极限学习机ELM进行离线训练；并利用聚合策略将每个极限学习机ELM的输出汇合起来作为最终的评估结果；为了提高聚合性能，利用多目标规划MOP选择最优的聚合参数；
在步骤3中，聚合策略如下所示：
(1)对于每个极限学习机ELM的评估结果yi，如公式(4)所示：
Figure FDA0003582564140000011
式中：lbs、ubs、lbu、ubu是将yi划分为稳定，不稳定和不可信结果的边界；
(2)对于集成极限学习机ELM的评估结果Y：
对于有E个集成极限学习机ELM的集合，若其中m个集成极限学习机ELM输出为0代表不可信输出，n个集成极限学习机ELM输出为1代表稳定，c个集成极限学习机ELM输出为-1代表不稳定，且m+n+c＝E，则集成极限学习机ELM评估结果如公式(5)所示：
Figure FDA0003582564140000012
式中：r为自定义阈值；
在步骤3中，利用多目标规划MOP求解最优聚合参数，以提高聚合性能，多目标规划MOP如公式(6)所示：
Figure FDA0003582564140000021
式中：P(X)为聚合失败率；Q(X)为误分类率；NV为样本总数；ns为聚合成功的样本数；ncorrect为正确分类的样本数；nmis为误分类样本数。
2.根据权利要求1所述的一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，在步骤1中，同步相量测量单元PMU测量的电力系统运行数据包括发电机的有功功率和无功功率、支路传输的有功功率和无功功率、节点的电压幅值和相角。
3.根据权利要求2所述的一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，在步骤1中，基于上述电力系统运行数据，利用连续潮流法得到的电力系统P-V曲线能够形象描述节点电压随负荷增大而降低的过程，直至电压崩溃，由P-V曲线，可计算电力系统的电压稳定裕度VSM，电压稳定裕度VSM如公式(1)所示：
Figure FDA0003582564140000022
式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率。
4.根据权利要求1所述的一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，在步骤2中，对初始样本集中的各种运行变量进行z-score标准化处理，如公式(2)所示；
Figure FDA0003582564140000023
式中：xi为某运行变量的原始值；
Figure FDA0003582564140000024
为该运行变量经过z-score标准化后的值；μ为所获取样本中该变量的均值；σ为所获取样本中该变量的标准差。
5.根据权利要求4所述的一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，在步骤2中，利用部分互信息PMI对电力系统中各个运行变量与电压稳定裕度VSM之间的相关性进行检测，并对求得的部分互信息PMI值按降序排列，选取部分互信息PMI值高的运行变量作为关键特征，以此形成高效样本集。
6.根据权利要求5所述的一种基于集成学习与多目标规划的电压稳定评估方法，其特征在于，在步骤2中，部分互信息PMI如公式(3)所示：
Figure FDA0003582564140000031
式中：x，y是在z条件下的随机变量；p(x,y,z)为x，y，z的联合概率分布；部分互信息PMI的取值范围为(0，1)，并具有如下性质：
(1)部分互信息PMI越大，表示变量间的相关性越强；
(2)如果部分互信息PMI小于0.05，则可以基本判断变量间相关性很低；
(3)如果部分互信息PMI等于1，则可以基本判断变量间相关性非常高。
7.一种构建电压稳定评估模型的方法，其特征在于，它包括以下步骤：
步骤1)基于特征选择后的高效样本集，将关键特征作为输入，电压稳定裕度VSM作为输出，对集成极限学习机ELM进行离线训练；
步骤2)利用聚合策略将每个集成极限学习机ELM的输出汇合起来作为最终的评估结果；
步骤3)利用多目标规划MOP选择最优的聚合参数；
从而获得相应的评估模型；
其中，聚合策略如下所示：
(1)对于每个极限学习机ELM的评估结果yi，如公式(4)所示：
Figure FDA0003582564140000032
式中：lbs、ubs、lbu、ubu是将yi划分为稳定，不稳定和不可信结果的边界；
(2)对于集成极限学习机ELM的评估结果Y：
对于有E个极限学习机ELM的集合，若其中m个极限学习机ELM输出为0代表不可信输出，n个极限学习机ELM输出为1代表稳定，c个极限学习机ELM输出为-1代表不稳定，且m+n+c＝E，则集成极限学习机ELM评估结果如公式(5)所示：
Figure FDA0003582564140000041
式中：r为自定义阈值；
利用多目标规划MOP求解最优聚合参数，以提高聚合性能，多目标规划MOP如公式(6)所示：
Figure FDA0003582564140000042
式中：P(X)为聚合失败率；Q(X)为误分类率；NV为样本总数；ns为聚合成功的样本数；ncorrect为正确分类的样本数；nmis为误分类样本数。
CN202010625422.3A 2020-06-30 2020-06-30 一种基于集成学习与多目标规划的电压稳定评估方法 Active CN111798049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010625422.3A CN111798049B (zh) 2020-06-30 2020-06-30 一种基于集成学习与多目标规划的电压稳定评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010625422.3A CN111798049B (zh) 2020-06-30 2020-06-30 一种基于集成学习与多目标规划的电压稳定评估方法

Publications (2)

Publication Number Publication Date
CN111798049A CN111798049A (zh) 2020-10-20
CN111798049B true CN111798049B (zh) 2022-05-20

Family

ID=72810091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010625422.3A Active CN111798049B (zh) 2020-06-30 2020-06-30 一种基于集成学习与多目标规划的电压稳定评估方法

Country Status (1)

Country Link
CN (1) CN111798049B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053128B (zh) * 2017-12-25 2021-07-09 东南大学 一种基于elm和tf的电网暂态稳定快速评估方法
US11423336B2 (en) * 2018-03-29 2022-08-23 Nec Corporation Method and system for model integration in ensemble learning
CN109325613B (zh) * 2018-08-23 2021-10-15 东北大学 用平行序贯极限学习机对静态电压稳定裕度在线预测方法
US20200119556A1 (en) * 2018-10-11 2020-04-16 Di Shi Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency
CN109960860A (zh) * 2019-03-13 2019-07-02 华北电力大学 基于差分进化极限学习机的电力系统暂态稳定评估方法
CN110417011B (zh) * 2019-07-31 2022-11-08 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
CN110674984A (zh) * 2019-09-18 2020-01-10 国网浙江省电力有限公司 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法

Also Published As

Publication number Publication date
CN111798049A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
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
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
CN111478314B (zh) 一种电力系统暂态稳定评估方法
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
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN112069727B (zh) 具备高可信度的电力系统暂态稳定智能化评估系统及方法
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
CN108090615B (zh) 基于交叉熵集成学习的电力系统故障后最低频率预测方法
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN111652479A (zh) 一种针对电力系统动态安全评估的数据驱动方法
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
CN112821424A (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
CN114006413A (zh) 一种基于图神经网络的电力系统暂态稳定控制方法及系统
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
CN114006370A (zh) 一种电力系统暂态稳定分析评估方法及系统
CN111400966B (zh) 一种基于改进AdaBoost的电力系统静态电压稳定评估方法
CN105701265A (zh) 一种双馈风电机组建模方法及装置
CN111798049B (zh) 一种基于集成学习与多目标规划的电压稳定评估方法
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
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
CN115085260A (zh) 新能源场站聚合模型的振荡模式保真度评价方法

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
GR01 Patent grant
GR01 Patent grant