CN111814394A - 一种基于相关性和冗余性检测的电力系统安全评估方法 - Google Patents

一种基于相关性和冗余性检测的电力系统安全评估方法 Download PDF

Info

Publication number
CN111814394A
CN111814394A CN202010614331.XA CN202010614331A CN111814394A CN 111814394 A CN111814394 A CN 111814394A CN 202010614331 A CN202010614331 A CN 202010614331A CN 111814394 A CN111814394 A CN 111814394A
Authority
CN
China
Prior art keywords
power system
feature
correlation
redundancy
dynamic
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
Application number
CN202010614331.XA
Other languages
English (en)
Other versions
CN111814394B (zh
Inventor
刘颂凯
刘礼煌
陈少雄
毛丹
张涛
李文武
李欣
郭攀锋
刁良涛
江进波
曹成
王丰
李丹
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 CN202010614331.XA priority Critical patent/CN111814394B/zh
Publication of CN111814394A publication Critical patent/CN111814394A/zh
Application granted granted Critical
Publication of CN111814394B publication Critical patent/CN111814394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于相关性和冗余性检测的电力系统安全评估方法，包括以下步骤；步骤1：基于电力系统历史运行数据和大量预想事故下的动态仿真，构建包含大量电力系统运行变量和动态安全分类标签的原始数据库；步骤2：对原始数据库进行特征选择，从大量运行变量中选出与类标签相关度高的变量作为关键特征，形成高效数据库；步骤3：结合遗传算法和BP神经网络，构建电力系统动态安全评估模型，利用高效数据库对评估模型进行离线训练与更新；步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)实时测量数据，利用评估模型，对电力系统进行在线动态安全评估。本发明能够快速实现电力系统稳定性的判别，同时保证较高的准确性和可靠性，满足电力系统在线评估要求。

Description

一种基于相关性和冗余性检测的电力系统安全评估方法
技术领域
本发明涉及电力系统动态安全评估领域，具体涉及一种基于相关性和冗余性检测的电力系统安全评估方法。
背景技术
随着经济的快速发展，现代电力系统的规模越来越大，结构性也日趋复杂，各个区域电力系统之间的联系也越来越紧密。大规模互联电力系统虽然可以大大提升系统运行的经济性，但也使得局部故障对电力系统的影响显著增大。近些年来，由于风能、太阳能等可再生能源日益融入现代电力系统，其间歇性和不可控性给电力系统的安全运行带来了大量挑战。因此，寻求一种快速准确、适应实时性要求的在线动态安全评估方法是十分有必要的。
传统上，电力系统动态安全评估方法主要是基于机理分析的方法，其中基于非线性微分方程的时域仿真法是最直接的基于的机理分析方法，它以系统中各元件的模型为基础，根据各元件之间的拓扑关系形成全系统模型，先形成一组联立的微分代数方程组，然后再逐步交替地求解微分和代数方程来判别系统在大扰动下能否保持同步运行。这种方法计算结果对系统模型和参数的准确性依赖强烈，且计算量过大，耗时多，难以满足在线动态安全评估要求；此外，还提出了一种新的机理分析的方法-李亚普洛夫暂态能量函数法，它通过构造类似于“能量”的标量函数(即李雅普诺夫函数)来判断系统的稳定性，但在实际电力系统中，很难确定给定故障集下的动能和势能水平。目前，电力系统动态安全评估方法主要是基于数据驱动的方法，如支持向量机(Support Vector Machine，SVM)、人工神经网络(Artificial Neural Network，ANN)、决策树(Decision Tree，DT)、极限学习机(ExtremeLearning Machine，ELM)、随机森林等。这些方法虽然有着许多优势，但也存在着适应电网拓扑结构变化能力差，模型泛化能力不足，模型参数选择困难，容易陷入局部极小点等问题。
授权公告号为CN104578048A的专利文献公开了一种枚举组合相继故障集的暂态安全稳定在线快速评估方法，该方法考虑电网运行状态变化的暂稳裕度估算，对相继故障组合的第一个故障后稳定运行状态下第二个故障的暂稳裕度进行估算；然后，根据暂稳裕度估算值由小到大顺序对相继故障集进行排，优先对排序在前位的相继故障组合，进行针对第一个故障后稳定运行状态下第二个故障的暂稳量化评估，直至排序号连续的多个相继故障组合的暂稳裕度大于0，则直接判定排序在其后的相继故障组合都是暂态安全稳定的，实现枚举组合相继故障集的暂稳在线快速评估。但该技术在动态评估时显现出评估精度不高的问题。
发明内容
为了解决上述问题，本发明的目的是提出一种基于相关性和冗余性检测的电力系统安全评估方法。该方法能够快速实现电力系统稳定性的判别，同时保证较高的准确性和可靠性，满足电力系统在线评估要求。
为了实现上述发明目的，采用以下技术方案：
一种基于相关性和冗余性检测的电力系统安全评估方法，包括以下步骤：
步骤1：基于电力系统历史运行数据和若干预想事故下的动态仿真，构建包含若干电力系统运行变量和动态安全分类标签的原始数据库；
步骤2：对原始数据库进行特征选择，从若干运行变量中选出与类标签相关度高的变量作为关键特征，形成高效数据库；
步骤3：结合遗传算法(Genetic Algorithm，GA)和BP神经网络(BackPropagationNeural Network，BPNN)，构建电力系统动态安全评估模型，利用高效数据库对评估模型进行离线训练与更新；
步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)实时测量数据，利用评估模型，对电力系统进行在线动态安全评估。
在步骤1中，利用动态安全分类规则，构建动态安全指标以及分类标签，如公式(1)、(2)所示：
Figure BDA0002563232890000021
Figure BDA0002563232890000022
式中：TSM为暂态稳定裕度；CCT为电力系统发生故障时临界切除时间；ACT为故障点实际切除时间；α为自定义阈值；标签1表示安全状态；标签0表示不安全状态。
在步骤2中，对原始数据库中的各种运行变量进行z-score标准化处理，以去除数据的单位限制，z-score标准化如公式(3)所示：
Figure BDA0002563232890000023
式中：xi为某运行变量的原始值；
Figure BDA0002563232890000024
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，对于原始数据库中的大量电力系统运行变量，利用最大相关最小冗余准则(Max-Relevance Min-Redundancy，MRMR)来进行特征选择，选取与分类标签相关度高的变量作为关键特征；首先利用类标签与候选特征的互信息来表述相关，利用候选特征与已选特征间的互信息的平均值来表述冗余，然后利用排序思想对相关部分和冗余部分进行处理，实现基于最大相关和最小冗余准则的特征选择，其具体过程如下所示：
(1)互信息是MRMR算法中相关度与冗余度的计算基础，如公式(4)所示：
Figure BDA0002563232890000031
式中：p(x)、p(y)和p(x,y)分别为变量x和y的概率密度和联合概率密度。
I(fi；c)为候选特征fi与类标签c之间的互信息，表示该特征fi和类标签c之间的相关程度，其值越大，表明特征与类标签越相关。计算候选特征集X中的特征fi与类标签c之间的互信息，选取具有最大互信息的特征fj，放入集合S中。
(2)验证已选特征数是否大于设定阈值N，如果已选特征值小于N，则计算候选特征fi与已选特征fj间互信息的平均值，如公式(5)所示：
Figure BDA0002563232890000032
式中：S和|S|分别为已选特征集合及其包含的特征数目；I(fi；fj)为候选特征fi和已选特征fj之间的互信息；r为fi和fj互信息的平均值，表示该特征与已选特征间的冗余程度，其值越大，表明候选特征与已选特征越冗余。
然后利用MRMR准则计算公式(6)：
Figure BDA0002563232890000033
对Φ(fi)进行排序，若Φ(fi)最大值所对应的特征只有一个，则选取对应特征；若Φ(fi)最大值所对应的特征不止一个，则从对应特征中选取与类标签具有最大互信息的特征。
(3)重复上述步骤，直到所选取的特征等于所设定的阈值N。
在步骤3中，利用GA对BPNN的权值进行初始化，获取近似最优权值；基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，构建电力系统动态安全评估模型。
在步骤3中，利用GA对BPNN权值初始化的具体步骤如下所示：
(1)对BPNN所要优化的连接权值以实数的形式进行编码，并且各连接权值以概率分布e-|r|随机分布；
(2)采用BPNN的期望输出和实际输出的均方根误差，作为遗传算法的适应度函数。此外，用轮盘赌选择策略，选择适应度良好的个体，并且使用自适应交叉和突然变异算子保持种群个体的多样性，防止发生早熟现象；
(3)当均方根误差值小于所设定的阈值ε或是遗传算法的迭代达到设置的最大迭代次数M，则终止遗传算法，此时所求的结果为接近最佳结果的连接权值。
在步骤3中，基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，将关键特征作为输入，安全分类标签作为输出，构建关键特征和动态安全分类标签之间的映射关系。
在步骤3中，利用新工况产生的新数据来对模型进行重新训练，从而获得相应的动态安全评估模型。
在步骤4中，基于PMU实时测量数据，选择对应的特征，利用训练好的动态安全评估模型，对电力系统进行在线动态安全评估。
采用上述技术方案，能带来以下技术效果：
(1)利用MRMR对大量电力系统运行变量进行特征选择，选出关键变量，降低了数据维度，减少计算负担；
(2)利用遗传算法的全局择优能力，解决了BPNN由于随机选取初始权值导致陷入局部极小值的缺陷。
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本发明方法流程图；
图2本发明中MRMR特征选择方法流程图；
图3本发明中提出的动态安全评估模型示意图；
具体实施方式
一种基于相关性和冗余性检测的电力系统安全评估方法，如图1所示，包括以下步骤：
步骤1：基于电力系统历史运行数据和大量预想事故下的动态仿真，构建包含大量电力系统运行变量和动态安全分类标签的原始数据库；
步骤2：对原始数据库进行特征选择，从大量运行变量中选出与类标签相关度高的变量作为关键特征，形成高效数据库；
步骤3：结合GA和BPNN，构建电力系统动态安全评估模型，如图2所示，利用高效数据库对评估模型进行离线训练与更新；
步骤4：基于同步PMU实时测量数据，利用评估模型，对电力系统进行在线动态安全评估。
在步骤1中，利用动态安全分类规则，构建动态安全指标以及分类标签，如公式(1)、(2)所示：
Figure BDA0002563232890000051
Figure BDA0002563232890000052
式中：TSM为暂态稳定裕度；CCT为电力系统发生故障时临界切除时间；ACT为故障点实际切除时间；α为自定义阈值；标签1表示安全状态；标签0表示不安全状态。
在步骤2中，对原始数据库中的各种运行变量(如各节点的电压幅值、相角；各发电机的有功、无功功率；各节点之间的潮流、有功/无功损失等)进行z-score标准化处理，以去除数据的单位限制，z-score标准化如公式(3)所示：
Figure BDA0002563232890000053
式中：xi为某运行变量的原始值；
Figure BDA0002563232890000054
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。
原始数据库中通常包含很多变量，其中有些变量与目标能力无关或影响很小。变量过多时，神经网络很难正常工作，而且会增加过拟合的可能性，因此在输入数据进行训练之前，需要根据目标能力对变量进行精简，选择合适的特征变量，作为输入参数。
对于原始数据库中的大量电力系统运行变量，利用MRMR准则来进行特征选择，选取与分类标签相关度高的变量作为关键特征。如图3所示，首先利用类标签与候选特征的互信息来表述相关，利用候选特征与已选特征间的互信息的平均值来表述冗余，然后利用排序思想对相关部分和冗余部分进行处理，实现基于最大相关和最小冗余准则的特征选择，其具体过程如下所示：
(1)互信息是MRMR算法中相关度与冗余度的计算基础，如公式(4)所示：
Figure BDA0002563232890000061
式中：p(x)、p(y)和p(x,y)分别为变量x和y的概率密度和联合概率密度。
I(fi；c)为候选特征fi与类标签c之间的互信息，表示该特征fi和类标签c之间的相关程度，其值越大，表明特征与类标签越相关。计算候选特征集X中的特征fi与类标签c之间的互信息，选取具有最大互信息的特征fj，放入集合S中。
(2)验证已选特征数是否大于设定阈值N，如果已选特征值小于N，则计算候选特征fi与已选特征fj间互信息的平均值，如公式(5)所示：
Figure BDA0002563232890000062
式中：S和|S|分别为已选特征集合及其包含的特征数目；I(fi；fj)为候选特征fi和已选特征fj之间的互信息；r为fi和fj互信息的平均值，表示该特征与已选特征间的冗余程度，其值越大，表明候选特征与已选特征越冗余。
然后利用MRMR准则计算公式(6)：
Figure BDA0002563232890000063
对Φ(fi)进行排序，若Φ(fi)最大值所对应的特征只有一个，则选取对应特征；若Φ(fi)最大值所对应的特征不止一个，则从对应特征中选取与类标签具有最大互信息的特征。
(3)重复上述步骤，直到所选取的特征等于所设定的阈值N。
在步骤3中，利用GA良好的全局择优性能，对BPNN的权值进行初始化，获取近似最优权值，以解决BPNN由于随机选取初始权值导致易陷入局部极小值的缺陷。基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，构建电力系统动态安全评估模型。
利用GA对BPNN权值初始化的具体步骤如下所示：
(1)对BPNN所要优化的连接权值以实数的形式进行编码，并且各连接权值以概率分布e-|r|随机分布；
(2)采用BPNN的期望输出和实际输出的均方根误差，作为遗传算法的适应度函数。此外，用轮盘赌选择策略，选择适应度良好的个体，并且使用自适应交叉和突然变异算子保持种群个体的多样性，防止发生早熟现象；
(3)当均方根误差值小于所设定的阈值ε或是遗传算法的迭代达到设置的最大迭代次数M，则终止遗传算法。此时所求的结果为接近最佳结果的连接权值。
基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，将关键特征作为输入，安全分类标签作为输出，构建关键特征和动态安全分类标签之间的映射关系。
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/负载的功率分布等等)，基于离线训练阶段训练好的动态安全评估模型可能无法对系统新的运行工况提供可靠的动态安全评估结果。因此，需要利用新工况产生的新数据来对模型进行重新训练，从而获得相应的动态安全评估模型。
在步骤4中，基于PMU实时测量数据，选择对应的特征，利用训练好的动态安全评估模型，对电力系统进行在线动态安全评估。
实施例：
本发明在一个IEEE 30节点系统中进行了测试。IEEE 30节点系统包含30个节点，6台发电机和41条传输线。仿真软件采用PSS/E，发电机模型为六阶模型，负载模型为恒阻抗模型。模拟三相短路故障，故障切除时间为1秒，生成了6000个样本，其中80％的样本用于训练，剩下20％的样本用于测试。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。
采用准确率(Acc)，精确度(Pre)，召回率(Rec)以及F1值来评价模型的性能，如公式(7)-(10)所示：
Figure BDA0002563232890000071
Figure BDA0002563232890000072
Figure BDA0002563232890000073
Figure BDA0002563232890000074
式中：T11，T01，T10，T00分别表示将稳定样本判定为稳定个数，不稳定样本判定为稳定个数，稳定样本判定为不稳定个数及不稳定样本判定为不稳定个数；Acc表示正确分类样本数占总样本数的比值；Pre表示稳定样本的“查准率”；Rec表示稳定样本的“查全率”；F1值表示Pre与Rec的调和平均值，是对两个指标的综合考量。
对本发明中动态安全评估模型的性能进行了一系列测试，测试结果如表1所示。由表1可以看出，该模型具有较高的准确性和计算效率。
表1
测试系统 A<sub>cc</sub> P<sub>re</sub> R<sub>ec</sub> F<sub>1</sub> 训练时间 测试时间
IEEE 30节点系统 0.9863 0.9882 0.9679 0.9779 37.03秒 3.08秒
为了进一步验证该模型的优越性，本文利用SVM、RF、DT分别进了动态安全评估，训练样本与BPNN训练样本一致。各模型的评估结果如表2所示。由表2可以看出，本文所提出的动态安全评估模型具有较高的准确性。
为了检验模型对于未知拓扑情况的适应性，在网络结构改变的情况下进行动态安全评估，评估结果如表3所示。由表3可以看出，该动态安全评估模型具有较强的鲁棒性。
表2
不同模型的性能对比结果
模型 A<sub>cc</sub> P<sub>re</sub> R<sub>ec</sub> F<sub>1</sub>
SVM 0.9478 0.9903 0.8071 0.8894
RF 0.9622 0.9776 0.8668 0.9189
DT 0.9601 0.9514 0.8820 0.9154
GA-BPNN 0.9863 0.9882 0.9679 0.9779
表3
本发明中评估模型在不同拓扑结构下的性能测试结果
紧急事故 事故类型 A<sub>cc</sub> P<sub>re</sub> R<sub>ec</sub> F<sub>1</sub>
3号发电机退出运行 N-1 0.9858 0.9877 0.9772 0.9824
线路6-7断开 N-1 0.9861 0.9880 0.9681 0.9779
线路8-28断开 N-1 0.9860 0.9878 0.9684 0.9780
线路6-7、8-28断开 N-2 0.9857 0.9875 0.9773 0.9824
3号发电机退出运行、线路8-28断开 N-2 0.9855 0.9873 0.9780 0.9826

Claims (9)

1.一种基于相关性和冗余性检测的电力系统安全评估方法，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若干预想事故下的动态仿真，构建包含若干电力系统运行变量和动态安全分类标签的原始数据库；
步骤2：对原始数据库进行特征选择，从若干运行变量中选出与类标签相关度高的变量作为关键特征，形成高效数据库；
步骤3：结合遗传算法(Genetic Algorithm，GA)和BP神经网络(BackPropagationNeural Network，BPNN)，构建电力系统动态安全评估模型，利用高效数据库对评估模型进行离线训练与更新；
步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)实时测量数据，利用评估模型，对电力系统进行在线动态安全评估。
2.根据权利要求1所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤1中，利用动态安全分类规则，构建动态安全指标以及分类标签，如公式(1)、(2)所示：
Figure FDA0002563232880000011
Figure FDA0002563232880000012
式中：TSM为暂态稳定裕度；CCT为电力系统发生故障时临界切除时间；ACT为故障点实际切除时间；α为自定义阈值；标签1表示安全状态；标签0表示不安全状态。
3.根据权利要求1所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤2中，对原始数据库中的各种运行变量进行z-score标准化处理，以去除数据的单位限制，z-score标准化如公式(3)所示：
Figure FDA0002563232880000013
式中：xi为某运行变量的原始值；
Figure FDA0002563232880000014
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。
4.根据权利要求1所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤2中，对于原始数据库中的大量电力系统运行变量，利用最大相关最小冗余准则(Max-Relevance Min-Redundancy，MRMR)来进行特征选择，选取与分类标签相关度高的变量作为关键特征；首先利用类标签与候选特征的互信息来表述相关，利用候选特征与已选特征间的互信息的平均值来表述冗余，然后利用排序思想对相关部分和冗余部分进行处理，实现基于最大相关和最小冗余准则的特征选择，其具体过程如下所示：
(1)互信息是MRMR算法中相关度与冗余度的计算基础，如公式(4)所示：
Figure FDA0002563232880000021
式中：p(x)、p(y)和p(x,y)分别为变量x和y的概率密度和联合概率密度；
I(fi；c)为候选特征fi与类标签c之间的互信息，表示该特征fi和类标签c之间的相关程度，其值越大，表明特征与类标签越相关；计算候选特征集X中的特征fi与类标签c之间的互信息，选取具有最大互信息的特征fj，放入集合S中；
(2)验证已选特征数是否大于设定阈值N，如果已选特征值小于N，则计算候选特征fi与已选特征fj间互信息的平均值，如公式(5)所示：
Figure FDA0002563232880000022
式中：S和|S|分别为已选特征集合及其包含的特征数目；I(fi；fj)为候选特征fi和已选特征fj之间的互信息；r为fi和fj互信息的平均值，表示该特征与已选特征间的冗余程度，其值越大，表明候选特征与已选特征越冗余；
然后利用MRMR准则计算公式(6)：
Figure FDA0002563232880000023
对Φ(fi)进行排序，若Φ(fi)最大值所对应的特征只有一个，则选取对应特征；若Φ(fi)最大值所对应的特征不止一个，则从对应特征中选取与类标签具有最大互信息的特征；
(3)重复上述步骤，直到所选取的特征等于所设定的阈值N。
5.根据权利要求1所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤3中，利用GA对BPNN的权值进行初始化，获取近似最优权值；基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，构建电力系统动态安全评估模型。
6.根据权利要求5所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤3中，利用GA对BPNN权值初始化的具体步骤如下所示：
(1)对BPNN所要优化的连接权值以实数的形式进行编码，并且各连接权值以概率分布e-|r|随机分布；
(2)采用BPNN的期望输出和实际输出的均方根误差，作为遗传算法的适应度函数；此外，用轮盘赌选择策略，选择适应度良好的个体，并且使用自适应交叉和突然变异算子保持种群个体的多样性，防止发生早熟现象；
(3)当均方根误差值小于所设定的阈值ε或是遗传算法的迭代达到设置的最大迭代次数M，则终止遗传算法，此时所求的结果为接近最佳结果的连接权值。
7.根据权利要求5或6所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤3中，基于GA求得的近似最优权值，利用经过特征选择的高效数据库对BPNN进行离线训练，将关键特征作为输入，安全分类标签作为输出，构建关键特征和动态安全分类标签之间的映射关系。
8.根据权利要求7所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤3中，利用新工况产生的新数据来对模型进行重新训练，从而获得相应的动态安全评估模型。
9.根据权利要求1所述的一种基于相关性和冗余性检测的电力系统安全评估方法，其特征在于，在步骤4中，基于PMU实时测量数据，选择对应的特征，利用训练好的动态安全评估模型，对电力系统进行在线动态安全评估。
CN202010614331.XA 2020-06-30 2020-06-30 一种基于相关性和冗余性检测的电力系统安全评估方法 Active CN111814394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010614331.XA CN111814394B (zh) 2020-06-30 2020-06-30 一种基于相关性和冗余性检测的电力系统安全评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010614331.XA CN111814394B (zh) 2020-06-30 2020-06-30 一种基于相关性和冗余性检测的电力系统安全评估方法

Publications (2)

Publication Number Publication Date
CN111814394A true CN111814394A (zh) 2020-10-23
CN111814394B CN111814394B (zh) 2023-08-25

Family

ID=72855082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010614331.XA Active CN111814394B (zh) 2020-06-30 2020-06-30 一种基于相关性和冗余性检测的电力系统安全评估方法

Country Status (1)

Country Link
CN (1) CN111814394B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362920A (zh) * 2021-06-15 2021-09-07 电子科技大学 基于临床数据的特征选择方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109378834A (zh) * 2018-11-01 2019-02-22 三峡大学 基于信息最大相关的大规模电网电压稳定裕度评估系统
CN109378835A (zh) * 2018-11-01 2019-02-22 三峡大学 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统
CN109711435A (zh) * 2018-12-03 2019-05-03 三峡大学 一种基于遗传算法的支持向量机在线电压稳定性监测方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109378834A (zh) * 2018-11-01 2019-02-22 三峡大学 基于信息最大相关的大规模电网电压稳定裕度评估系统
CN109378835A (zh) * 2018-11-01 2019-02-22 三峡大学 基于互信息冗余性最优的大规模电力系统暂态稳定评估系统
CN109711435A (zh) * 2018-12-03 2019-05-03 三峡大学 一种基于遗传算法的支持向量机在线电压稳定性监测方法
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 (1)

* Cited by examiner, † Cited by third party
Title
李扬;顾雪平;: "基于改进最大相关最小冗余判据的暂态稳定评估特征选择", 中国电机工程学报, no. 34, pages 179 - 186 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362920A (zh) * 2021-06-15 2021-09-07 电子科技大学 基于临床数据的特征选择方法及装置
CN113362920B (zh) * 2021-06-15 2023-04-18 电子科技大学 基于临床数据的特征选择方法及装置

Also Published As

Publication number Publication date
CN111814394B (zh) 2023-08-25

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
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
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
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
Liu et al. Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
CN110542819A (zh) 一种基于半监督dbnc的变压器故障类型诊断方法
CN110689069A (zh) 一种基于半监督bp网络的变压器故障类型诊断方法
CN111400966B (zh) 一种基于改进AdaBoost的电力系统静态电压稳定评估方法
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
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
Pannell et al. Machine learning approach to solving the transient stability assessment problem
CN109711435A (zh) 一种基于遗传算法的支持向量机在线电压稳定性监测方法
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
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
CN111401792A (zh) 一种基于极限梯度提升决策树的动态安全评估方法
CN116561573A (zh) 一种电压稳定评估的训练集循环分裂训练方法
CN111725802A (zh) 基于深度神经网络的交直流混联电网暂态稳定判断方法
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
CN114330571A (zh) 基于迁移学习的电力系统主导失稳模式识别方法及系统
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
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

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