CN112069727A

CN112069727A - 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

Info

Publication number: CN112069727A
Application number: CN202010842323.0A
Authority: CN
Inventors: 王利利; 毛玉宾; 于琳琳; 李甜甜; 刘万勋; 邢鹏翔; 蒋小亮
Original assignee: State Grid Corp of China SGCC; Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Priority date: 2020-08-20
Filing date: 2020-08-20
Publication date: 2020-12-11
Anticipated expiration: 2040-08-20
Also published as: CN112069727B

Abstract

本发明公开了一种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，包括如下步骤：基于NGBoost集成学习模型构建暂态稳定分类器；利用暂态稳定数据集对暂态稳定分类器进行迭代训练，建立暂态稳定评估模型；采用暂态稳定评估模型对电力系统的暂态稳定状态进行在线评估，输出暂态稳定评估结果及其可信度；将暂态稳定评估结果的可信度与可信度阈值进行比较，若暂态稳定评估结果的可信度大于可信度阈值认为暂态稳定评估结果可信，否则，采集下一工频周期的数据重新进行评估。本发明利用暂态稳定评估模型可以实现对电力系统运行状态的时序评估，在较短的评估周期内便可得到海量样本的高可信度评估结果，方便调度员基于可信的评估结果，快速把握电力系统暂态稳定水平。

Description

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

技术领域

本发明属于电力系统安全技术领域，具体涉及一种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。

背景技术

随着我国交直流混联规模不断扩大，风电、光伏等间歇性新能源大规模并网，以及电力电子装置的广泛应用，系统运行方式多样化，运行机理愈加复杂，给电力系统安全稳定分析与控制带来了巨大挑战。暂态稳定破坏往往会引发大规模停电事故，在故障后快速、准确对系统稳定性做出预判，为后续稳定控制提供依据，具有重要意义。

传统的暂态稳定分析方法包括时域仿真法和直接法。时域仿真方法用一组非线性微分代数方程描述电力系统，并通过数值积分方法求解这些方程。由于求解非线性方程涉及的计算量大，导致运算时间长，无法满足暂态稳定在线评估对快速性的要求。直接法是一种基于能量观点的暂态稳定性分析方法，由于在实际大电网中需要对模型进行大量的简化，计算结果过于保守，且计算精度低。

近年来，人工智能技术的理论日渐成熟，引起了相关学者的关注，在研究领域大量人工技能技术被运用于暂态稳定评估，例如BP神经网络、支持向量机、深度置信网络、卷积神经网络等。值得注意的是，已有研究往往关注于算法的应用和性能的提升。然而，随着新能源接入比例持续的攀升，电力系统时变特性凸显。此时，基于人工智能技术对电网暂态稳定性进行评估，无法对模型的评估结果有绝对的信任。因此，在进行暂态稳定评估时，除了获取暂态稳定评估结果，更希望得到评估结果的可信度，以帮助调度员制定控制措施。

发明内容

针对传统暂态稳定分析方法运算时间长、计算精度低，基于人工智能技术的评估方法无法对评估结果进行可信度评价的问题，本发明提出了一种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，可以实现事故下的输入数据与输出暂态稳定结果的非线性映射，提高模型的泛化能力并实现可信度评价。

为解决以上技术问题，本发明所采用的技术方案如下：

一种具备高可信度的电力系统暂态稳定智能化评估方法，包括如下步骤：

S1，基于NGBoost集成学习模型构建暂态稳定分类器；

S2，利用暂态稳定数据集对暂态稳定分类器进行迭代训练，建立暂态稳定评估模型；

S3，采用暂态稳定评估模型对电力系统的暂态稳定状态进行在线评估，输出暂态稳定评估结果及对应的可信度；

S4，将暂态稳定评估结果的可信度与可信度阈值进行比较，若暂态稳定评估结果的可信度大于可信度阈值认为暂态稳定评估结果可信，否则，返回步骤S3采集下一工频周期的数据重新进行评估。

在步骤S2中，所述建立暂态稳定评估模型包括如下步骤：

S21，基于电力系统历史数据和时预仿真数据建立暂态稳定数据集，所述暂态稳定数据集包括输入数据和输出数据；

S22，通过主成分分析法将高维度的输入数据压缩至低维，建立新的暂态稳定数据集；

S23，将新的暂态稳定数据集随机划分为训练数据集和验证数据集；

S24，利用训练数据集对暂态稳定分类器进行迭代训练建立暂态稳定评估模型；

S25，利用验证数据集判断步骤S24中得到的暂态稳定评估模型是否满足电力系统精度要求。

在步骤S21中，所述输入数据包括线路有功功率P和无功功率Q、母线电压幅值V和母线相角θ，所述输出数据包括系统暂态稳定状态，系统暂态稳定状态包括稳定和失稳。

在步骤S22中，所述建立新的暂态稳定数据集包括如下步骤：

S22.1，通过主成分分析法将原始的输入数据进行降维，计算降维后各新输入数据的贡献率，设置贡献率阈值；

S22.2，计算前K个新输入数据的累计贡献率；

S22.3，将步骤S22.2的累计贡献率与贡献率阈值进行比较，若累计贡献率大于贡献率阈值，则将前K个新输入数据作为新的暂态稳定数据集，否则，更新K重新计算累计贡献率，直至累计贡献率大于贡献率阈值。

在步骤S25中，所述判断暂态稳定评估模型是否满足电力系统精度要求是通过准确率P_acc和召回率P_rec两个性能评价指标进行，且对应的计算公式分别为：

式中，TP表示被准确评估的稳定样本数，TN表示被准确评估的不稳定样本数，FP表示被错误评估的稳定样本数，FN表示被错误评估的不稳定样本数；

当准确率P_acc和召回率P_rec均满足电力系统精度要求时，则执行步骤S3；否则，返回步骤S24重新对暂态稳定评估模型进行训练。

在步骤S3中，所述对电力系统的暂态稳定状态进行在线评估包括如下步骤：

S31，利用PMU监测装置采集实时输入数据，通过主成分分析法将高维度的实时输入数据压缩至低维；

S32，将降维后的实时输入数据输入暂态稳定评估模型，得到当前状态下的暂态稳定评估结果及对应的可信度。

一种具备高可信度的电力系统暂态稳定智能化评估系统包括暂态稳定数据集构建模块、暂态稳定分类器建立模块、降维模块、暂态稳定评估模型建立模块、暂态稳定评估模型评估模块、暂态稳定评估模型在线预测模块、可信度评估模块，所述暂态稳定分类器建立模块与暂态稳定评估模型建立模块相连接，暂态稳定数据集构建模块与降维模块相连接，降维模块分别与暂态稳定评估模型建立模块、暂态稳定评估模型评估模块和暂态稳定评估模型在线预测模块相连接，且暂态稳定评估模型建立模块与暂态稳定评估模型评估模块相连接；所述暂态稳定评估模型在线预测模块与可信度评估模块相连接。

本发明的有益效果：

本发明基于NGBoost算法构建了暂态稳定分类器，实现了电力系统暂态稳定的时序评估以及可信度评价；通过主成分分析法对输入数据进行降维，在尽可能保留原始特征信息的同时减轻了模型的计算量；结合可信度阈值，利用暂态稳定评估模型可以实现对电力系统运行状态的时序评估，在较短的评估周期内便可得到海量样本的高可信度评估结果，方便调度员基于可信的评估结果，快速把握电力系统暂态稳定水平，并提前采取控制措施以维持电力系统同步运行；实现了对多重不确定因素海量故障下的暂态稳定性评估，预测精度高，可准确识别出电力系统的不稳定运行状态，为紧急控制措施的制定留有更多的时间裕度，切实保障了电力系统的正常运行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为NGBoost集成学习结构图。

图2为暂态稳定评估模型的建立、离线训练和在线评估流程图。

图3为新英格兰10机39节点系统图。

图4为基于主成分分析法所获主成分的累计贡献率。

图5为本发明的整体流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了使本发明的技术方案更加清楚，对本发明所用到特征降维方法以及NGBoost集成学习方法进行解释。

主成分分析方法(Principal Component Analysis,PCA)，是一种优异的数据降维方法，其主要思想是将原始高维度特征映射到K维度的低维特征空间，以实现对数据特征的降维处理，其中，K维度的全新特征称为主成分。

PCA采用一组正交向量对原特征进行特征变换，故新特征z是原特征x的线性组合：

式中，a₁₁,a₁₂,…,a_KG均表示常数系数，且a_k1 ²+a_k2 ²+…+a_kG ²＝1，k＝1,2,3,…,K，K表示降维后的新特征的维度，G表示原始高维度特征的维度，x₁,x₂,…,x_G表示原始高维度特征，z₁,z₂,…,z_K均表示降维后的新特征。

基于PCA的暂态稳定特征降维的方法如下所示：

1)假设原始暂态稳定输入特征向量X为：X＝{x₁,x₂,…,x_G}。

2)对所有原始暂态稳定输入特征进行中心化处理

式中，x_i'表示对第i个输入特征x_i中心化处理后的输入特征，x_i表示第i个输入特征。

3)计算原始暂态稳定输入特征的协方差矩阵

式中，X′表示对输入特征中心化处理后的暂态稳定输入特征矩阵，D表示暂态稳定输入特征的协方差矩阵。

4)对协方差矩阵D进行特征分解，并将分解后的特征值λ₁,λ₂,…,λ_G进行排序λ₁≥λ₂≥…≥λ_G。分别计算第i个输入特征的贡献率I_i：

5)计算选择前K个输入特征的累积贡献率；若累积贡献率大于预先设定的阈值，选择前K个特征值对应的特征向量构成投影矩阵A＝(a₁,a₂,…,a_K)；其中，a₁,a₂,…,a_K表示前K个特征值所对应的特征向量。

6)将原始暂态稳定输入特征投影到低维度特征空间：

Z＝X′A； (5)

式中，Z表示降维后的暂态稳定输入特征。

自然梯度提升算法(Natural Gradient Boosting,NGBoost)是集成学习最新的研究成果之一，为了实现概率预测而提出。NGBoost使用自然梯度来学习参数，然后让每个基学习器拟合这个自然梯度。经过多次迭代计算，得到各训练阶段的比例因子和弱学习器。结合初始参数θ⁽⁰⁾，可得到NGBoost最终条件分布的参数θ，达到概率预测的目的。NGBoost主要由基础学习器、评分标准和概率分布组成，如图1所示。

在解释NGBoost算法之前，首先概述评分规则及其相应的诱导散度。

一个合适的评分规则S将预测概率分布P和一个真实值y作为输入，并为预测赋值S(P,y)，使结果的真实分布的期望得到最好的分数。若评分规则S是适当的：

式中，E_y～Q表示结果分布的期望，Q表示结果y的真实分布，P表示概率分布函数；

采用对数评分L(也称MLE)作为评分规则：

L(θ,y)＝-log P_θ(y)； (7)

式中，L(·)表示评分规则，P_θ(·)表示参数化的概率分布；

式(5)中

表示评分规则所诱导的散度，则由MLE推导出的散度D_L为：

式中，Q(y)表示结果y的真实分布，P(y)表示结果y的概率分布。

NGBoost算法的具体步骤如下：

1)将降维后的暂态稳定输入特征C与对应的系统运行状态Y组成数据集U＝{(c₁,y₁),(c₂,y₂),…,(c_n,y_n)}，C＝[z₁,z₂,...z_K]，其中，n表示数据集U中的样本数量，c_j表示第j个样本对应的暂态稳定输入特征向量，y_j表示第j个样本对应的系统运行状态。

2)初始化参数

式中，θ⁽⁰⁾表示初始参数，S(θ,y_j)表示将参数θ和第j个样本的结果y输入评分规则S得到的计算值。

3)更新预测参数和比例系数

若训练次数为m，m＝1,2,…,M，其中，M表示最大训练次数，在每一次训练过程中：

31)对于第j个样本，基于该样本的预测结果参数计算评分规则MLE的自然梯度

式中，

为评分规则MLE的自然梯度，I_L(·)表示费希尔信息量，

表示第m-1次训练时利用第j个样本数据计算得到的参数；

I_L(θ)是关于P_θ的预测值所带来的费希尔信息量，定义为：

式中，

表示预测结果对应概率分布的期望。

32)利用基础学习器f进行拟合

式中，f^(m)表示第m次训练得到的一组基学习器，fit表示通过迭代学习建立c与g的映射关系；

基础学习器f输出的是自然梯度的投影，而该投影梯度通过一个比例系数ρ进行放缩。

33)计算比例系数

式中，ρ^(m)表示第m次训练得到的比例系数，ρ表示比例系数。

34)更新预测参数

式中，η为学习率，

表示第m次训练时利用第j个样本数据计算得到的参数。

4)得到各迭代阶段的比例因子和基础学习器{ρ^(m),f^(m)}^M。

5)通过组合更新每一阶段的参数来得到最终条件分布的参数，产生概率密度为P_θ(y|c)的概率预测。

式中，P_θ(c)表示输入特征c的概率预测结果，θ表示NGBoost最终条件概率分布的参数，c表示PCA降维后的新输入特征向量。

利用NGBoost算法预测结果所对应的概率来量化可信度。定义P(Y₀|c)表示样本被预测为失稳的概率，P(Y₁|c)表示样本被预测为稳定的概率，其中，Y₀表示NGBoost算法所预测的系统状态为不稳定，Y₁表示NGBoost算法所预测的系统状态为稳定，且P(Y₁|c)+P(Y₀|c)＝1，则可信度R表示为：

R＝max{P(Y₁|c),P(Y₀|c)}； (16)

可信度R的范围为50％～100％，其值越大，表明预测结果的可靠性越高。

本发明提出的一种具备高可信度的电力系统暂态稳定智能化评估方法，选取故障切除时获取的线路有功/无功功率、母线电压幅值以及相角作为输入特征数据，为了避免“维度爆炸问题”，通过PCA对原始高维度特征进行降低维度处理，构建基于NGBoost集成学习模型的暂态稳定分类器，便于实现模型的概率化预测，将降维处理后的特征作为新的输入数据传递给暂态稳定评估模型，基于暂态稳定数据集训练暂态稳定评估模型，完成训练的暂态稳定评估模型可用于电力系统的实时暂态稳定状态预测，并提供对应的可信度。仅当所预测结果对应的可信度大于预先设定的可信度阈值时，才认为暂态稳定评估模型的评估结果是可靠的，否则利用下一工频周期监测的数据重新评估。本发明所提出的方法能有效表征复杂电力系统函数，建立优异的输入特征数据与输出暂态稳定状态间的非线性映射关系，预测精度高，且可准确识别出不稳定运行状态。

实施例1：一种具备高可信度的电力系统暂态稳定智能化评估方法，如图2和图5所示，包括如下步骤：

S1，基于NGBoost集成学习模型构建暂态稳定分类器，以实现暂态稳定状态预测以及可信度评价；

S2，利用暂态稳定数据集对暂态稳定分类器进行离线迭代训练，建立暂态稳定评估模型；

暂态稳定评估模型可以反映输入数据与输出系统运行状态之间的非线性映射关系，建立暂态稳定评估模型包括如下步骤：

S21，通过收集电力系统历史数据或者时域仿真数据构建暂态稳定数据集；

所述暂态稳定数据集包括输入数据和输出数据，输入数据包括线路有功功率P和无功功率Q、母线电压幅值V、母线相角θ；输出数据包括系统暂态稳定状态，系统暂态稳定状态包括稳定和失稳。

S22，通过主成分分析法将原始高维度的输入数据压缩至低维，建立新的暂态稳定数据集；

主成分分析法对输入数据进行降维可以在避免维度爆炸问题的同时，使信息损失最小化；所述建立新的暂态稳定数据集包括如下步骤：

S22.1，通过主成分分析法将原始的输入数据进行降维，计算降维后各新输入数据的贡献率，并通过电力系统手工设置贡献率阈值；

S22.2，分别计算前K个新输入数据的累计贡献率，且K为整数；

S22.3，将步骤S22.2的累计贡献率与贡献率阈值进行比较，若累计贡献率大于贡献率阈值，则将前K个新输入数据作为新的暂态稳定数据集，否则，更新K重新进行计算累计贡献率，直至累计贡献率大于贡献率阈值；所述贡献率阈值是参考累计贡献率和暂态稳定评估模型的评估结果而设定，以使新的暂态稳定数据集包含尽可能更多的信息。

S24，利用训练数据集对暂态稳定分类器进行离线迭代训练建立暂态稳定评估模型；

将输入数据作为输入特征，输出数据作为系统运行状态，系统运行状态即为暂态稳定状态或暂态失稳状态，将输入数据和输出数据传输给暂态稳定分类器，暂态稳定分类器通过离线迭代训练可建立输入特征和输出暂态稳定状态间的映射关系，建立暂态稳定评估模型；

S25，利用验证数据集判断步骤S24中得到的暂态稳定评估模型是否满足电力系统精度要求；

所述判断暂态稳定评估模型是否满足电力系统精度要求是通过准确率P_acc和召回率P_rec两个性能评价指标进行评估，且对应的计算公式分别为：

通过将验证数据集的输入数据输入暂态稳定评估模型，利用暂态稳定评估模型输出对应的评估结果，然后再将评估结果与原始验证数据集中的输出数据进行比较，实现了对暂态稳定评估模型的性能评估，如果满足电力系统的精度要求，则执行步骤S3，如果不满足精度要求，则返回步骤S24，重新对暂态稳定评估模型进行训练，若对暂态稳定评估模型重新训练后仍不能达到精度要求，还可以返回步骤S22，通过增加降维后的维度的方法，更新的暂态稳定数据集。

S3，基于步骤S2的暂态稳定评估模型，对电力系统的暂态稳定状态进行实时预测，输出暂态稳定评估结果及评估结果所对应的可信度；

S31：基于PMU监测装置，获取实时输入数据，通过主成分分析法将高维度的实时输入数据压缩至低维；

S32：将低维度数据传输给已完成离线训练的暂态稳定评估模型中，得到实时暂态稳定评估结果以及评估结果所对应的可信度。

S4，将暂态稳定评估结果的可信度与可信度阈值进行比较，若暂态稳定评估结果的可信度大于可信度阈值认为暂态稳定评估结果可信，否则，返回步骤S3采集下一工频周期的数据重新评估系统运行状态，也即暂态稳定状态；

所述可信度阈值包括稳定的可信度阈值以及失稳的可信度阈值。

另外，在采用暂态稳定评估模型进行分析后，若事故后系统不能维持稳定运行状态，及时向调度中心预警；为维持暂态稳定评估模型的强泛化能力和鲁棒性，还可以通过系统将最新的监测数据和对应的系统运行状态数据反馈到暂态稳定数据集，更新暂态稳定评估模型。

为了验证本发明的可行性以及有效性，在新英格兰10机39节点系统上开展算例分析。其中，计算程序都是在计算机上使用Aanconda中的spyder平台编译完成的，电脑配置为：CPU Intel Core i5-4200，内存8GB。

以新英格兰10机39节点系统为测试系统，如图3所示，该系统包含了39条母线，10台发电机和46条线路，其中39号母线上连接的机组为平衡机。通过改变负荷水平、发电机出力、故障发生位置和故障切除时间，得到具有多样性的暂态稳定数据集；利用PSD-BPA平台进行离线仿真。

样本获取：设置负荷水平从75％-120％，间隔为5％，并相应调节发电机有功出力和无功出力，以保证潮流收敛。故障位置设置在线路0％、25％、50％或75％处；在仿真第10个周波开始发生故障，而故障切除时间为0.1s和0.2s；仿真总时长为20s。最后得到的样本总数为3668，其中稳定样本2695个，不稳定样本973个，以8:2的比例随机划分训练数据集和测试数据集。

暂态稳定分类器：在spyder平台中搭建可以实现分类任务的NGBoost集成学习模型，将NGBoost集成学习模型应用到电力系统暂态稳定评估任务中，即为暂态稳定分类器。

暂态稳定原始特征数据为所有线路有功/无功功率、所有母线电压幅值以及相角，维度数为170。为了减少计算量，降低模型的复杂度，通过PCA进行特征降维，记录降维数对应的各主成分的贡献率，如图4所示。从图4可以发现前60个主成分的累计贡献率已经达到99.43％，降维后的主成分保留了原始特征的绝大部分信息，故选择将170维特征压缩至60维，在保证模型的良好性能前提下减少了计算量，提高了评估速度。

为了验证NGBoost集成学习方法的有效性，采用决策树DT、卷积神经网络CNN作为对比算法，对相同的数据进行训练和测试。为了分析NGBoost抗噪音干扰能力，在样本中加入不同程度的高斯白噪音，得到结果如表1和表2所示。

表1不同噪声强度对准确率的影响

表2不同噪声强度对召回率的影响

从表1和表2中可以看出，在没有噪音的条件下，基于NGBoost进行暂态稳定评估的准确率高达98.10％，分别比卷积神经网络CNN和决策树DT高了0.42％和2.76％；召回率高达97.30％，分别比卷积神经网络CNN和决策树DT高了0.95％和5.63％。这体现了暂态稳定评估模型良好的泛化能力，可以准确识别系统的不稳定运行状态。当高斯白噪音的信噪比为50dB时，决策树DT的准确率和召回率均开始下降，而卷积神经网络CNN和NGBoost受影响不大。随着噪音的干扰程度进一步加强，各模型的预测性能都开始下降。当信噪比达到20dB时，NGBoost暂态稳定评估模型模型所得准确率依然超过97.70％，召回率保持在96.30％以上，而卷积神经网络CNN的召回率仅有94.19，对系统不稳定样本的识别能力显著下降。决策树DT作为浅层神经网络，预测精度低，抗噪音干扰能力弱，在信噪比达到20dB时准确率和召回率均低于90％。由以上可知，在数据中加入噪音的干扰后，其他机器学习方法预测性能显著下降，不能准确识别不稳定样本，而NGBoost暂态稳定评估模型模型依旧能保持优异的评估性能，因此，本发明与其它常用的暂态稳定评估方法相比，具有更高的泛化能力，对不稳定样本的识别能力更强。

在进行暂态稳定评估时，仅得到对系统状态的评估结果是远远不够的。由于大规模新能源接入带来的随机性和波动性，基于机器学习方法进行暂态评估时，无法对模型的评估结果有绝对的信任。因此，对评估结果的可信度进行评价是不可或缺的。在本发明中，通过对输出结果进行概率化预测，并结合可信度阈值来得到可靠的评估结果。定义P(Y₀|c)，P(Y₁|c)分别表示样本被预测为失稳、稳定的概率，且P(Y₁|c)+P(Y₀|c)＝1，则可信度R表示为：

R＝max{P(Y₁|c),P(Y₀|c)}； (17)

分别设定稳定和失稳的阈值(R₁，R₀)，当P(Y₀|c)≥R₀，认为将系统运行状态评估为失稳是可信的；当P(Y₁|c)≥R₁，则认为将系统运行状态评估为稳定是可信的。设置合适的阈值，使得准确率和召回率尽可能高，且需要评估的周期减少。从暂态稳定数据集中随机抽取588个样本作为测试数据集，其余作为训练数据集。通过多次试验，将稳定阈值R₁设置为96.5％，将失稳阈值R₀设置为95.5％。为了加速判断周期，至第二工频周期开始，阈值每次减1％。

表3时序暂态稳定评估结果

从表3可以看出，基于NGBoost暂态稳定评估模型的可信度是非常高的，仅在第一个工频周期，就可以得到95.91％的可信的暂态稳定评估结果，且准确率高达99.11％。截止至第四个工频周期，可以得到全部可信的暂态稳定评估结果，评估周期是极短的。通过基于NGBoost暂态稳定评估模型对电力系统运行状态进行时序评估，不仅可以得到实时的暂态稳定评估结果，更可以得到评估结果对应的可信度，为调度员采取控制措施提供了更多的参考信息。

实施例2：一种具备高可信度的电力系统暂态稳定智能化评估系统包括暂态稳定数据集构建模块、暂态稳定分类器建立模块、降维模块、暂态稳定评估模型建立模块、暂态稳定评估模型评估模块、暂态稳定评估模型在线预测模块、可信度评估模块，所述暂态稳定分类器建立模块与暂态稳定评估模型建立模块相连接，暂态稳定数据集构建模块与降维模块相连接，降维模块分别与暂态稳定评估模型建立模块、暂态稳定评估模型评估模块和暂态稳定评估模型在线预测模块相连接，且暂态稳定评估模型建立模块与暂态稳定评估模型评估模块相连接；所述暂态稳定评估模型在线预测模块与可信度评估模块相连接。

暂态稳定数据集构建模块用于结合时域仿真数据以及电网收集的历史数据构建多样化的暂态稳定数据集，暂态稳定分类器建立模块用于基于NGBoost算法构建暂态稳定分类器，降维模块用于对输入数据进行降维，并设定贡献率阈值；暂态稳定评估模型建立模块可以利用训练集数据对暂态稳定分类器进行训练以构建暂态稳定评估模型；暂态稳定评估模型评估模块可以基于准确率P_acc和召回率P_rec，对暂态稳定评估模型的预测性能进行评估；暂态稳定评估模型在线预测模块可以采集实时输入数据利用暂态稳定评估模型对电力系统的运行状态进行评估，并输出评估结果及其对应的可信度；通过可信度评估模块可以设定稳定以及不稳定的可信度阈值，且可信度评估模块还可用于接收暂态稳定评估模型的评估结果和评估结果所对应的可信度，并将所接收可信度与可信度阈值进行比较，判断评估结果是否可信。

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

1.一种具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，包括如下步骤：

S1，基于NGBoost集成学习模型构建暂态稳定分类器；

2.根据权利要求1所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S2中，所述建立暂态稳定评估模型包括如下步骤：

S22，通过主成分分析法将高维度的输入数据压缩至低维，以建立新的暂态稳定数据集；

3.根据权利要求2所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S21中，所述输入数据包括线路有功功率P和无功功率Q、母线电压幅值V和母线相角θ，所述输出数据包括系统暂态稳定状态，系统暂态稳定状态包括稳定和失稳。

4.根据权利要求2或3所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S22中，所述建立新的暂态稳定数据集包括如下步骤：

S22.2，计算前K个新输入数据的累计贡献率；

5.根据权利要求4所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S25中，所述判断暂态稳定评估模型的评估是否满足电力系统精度要求是通过准确率P_acc和召回率P_rec两个性能评价指标进行，且对应的计算公式分别为：

6.根据权利要求1或5所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，在步骤S3中，所述对电力系统的暂态稳定状态进行在线评估包括如下步骤：

7.根据权利要求6所述的具备高可信度的电力系统暂态稳定智能化评估方法，其特征在于，所述通过主成分分析法将高维度的输入数据压缩至低维所对应的公式为：

Z＝X′A；

式中，Z表示低维的输入数据，X′表示将高维度的输入数据中心化处理后的输入数据，A表示投影矩阵。

8.根据权利要求1或7所述的具备高可信度的电力系统暂态稳定智能化评估系统，其特征在于，包括暂态稳定数据集构建模块、暂态稳定分类器建立模块、降维模块、暂态稳定评估模型建立模块、暂态稳定评估模型评估模块、暂态稳定评估模型在线预测模块、可信度评估模块，所述暂态稳定分类器建立模块与暂态稳定评估模型建立模块相连接，暂态稳定数据集构建模块与降维模块相连接，降维模块分别与暂态稳定评估模型建立模块、暂态稳定评估模型评估模块和暂态稳定评估模型在线预测模块相连接，且暂态稳定评估模型建立模块与暂态稳定评估模型评估模块相连接；所述暂态稳定评估模型在线预测模块与可信度评估模块相连接。