CN112419098A - 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 - Google Patents
基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 Download PDFInfo
- Publication number
- CN112419098A CN112419098A CN202011457735.9A CN202011457735A CN112419098A CN 112419098 A CN112419098 A CN 112419098A CN 202011457735 A CN202011457735 A CN 202011457735A CN 112419098 A CN112419098 A CN 112419098A
- Authority
- CN
- China
- Prior art keywords
- reference set
- training
- information entropy
- extended
- real
- 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 93
- 238000012216 screening Methods 0.000 title claims abstract description 69
- 238000004088 simulation Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 244
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 142
- 238000012360 testing method Methods 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000002271 resection Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 238000005520 cutting process Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 5
- 238000002679 ablation Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 241000283073 Equus caballus Species 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 160
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013074 reference sample Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011438 discrete method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，包括：将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集输入对应信息熵函数得到扩充信息熵；基于预设规则处理所有扩充信息熵筛选出可选待加入训练样本；扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数。本发明提供的方法，实现了提高电网安全稳定仿真的准确性，并避免盲目加入相同类型的样本导致的计算资源浪费。
Description
技术领域
本发明涉及电网安全稳定仿真技术领域，尤其涉及一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法。
背景技术
电力系统动态安全分析在电力系统运行调度中起着重要作用。传统的动态安全分析方法存在精度、速度不足等缺点，在实际应用中受限制。因此，近年来数据驱动方法得到广泛研究。
现有的数据驱动方法中，都遵循着“样本生成离线训练在线评估”这一流程。其中，“样本生成”是动态安全分析区别于其他数据驱动应用领域的一个重要环节，也是一个可以提升模型准确性的步骤。然而，现有的方法中并没有将“样本”和“模型”很好地结合起来。一方面，样本对模型的作用机理不明确，模型“透明性”较差；另一方面，缺乏模型对样本生成的指导。总结来说，现有数据驱动方法没有形成“样本模型”闭环。
因此，如何避免现有的用于电网安全稳定仿真的样本生成采用“样本生成离线训练在线评估”方式带来的随机选择样本导致模型训练的准确率低下统一类型样本反复使用造成的计算资源的浪费，仍然是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，用以解决现有的用于电网安全稳定仿真的样本生成采用“样本生成离线训练在线评估”方式带来的随机选择样本导致模型训练的准确率低下统一类型样本反复使用造成的计算资源的浪费的缺陷，通过在已知仿真模型的基础上根据对应于该仿真模型对应的概率模型计算预测值的信息熵这种“模型指导样本生成”方法，用于描述模型的不确定程度，推导出扩充样本时某测试点的安全稳定信息熵变化，判定扩充的样本点是否为远离原有样本集需要加入的特殊样本，使得扩充的样本能提高电网安全稳定仿真的准确性，并避免了盲目加入相同类型的样本导致的计算资源浪费。
本发明提供一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，该方法包括：
将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；
基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，所述基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型，具体包括：
基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系，具体包括：
基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系；
基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，所述基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述已有训练参考集合中真实潮流参数和真实极限切除时间之间的关系，具体包括：
通过如下公式确定所述扩充参考集中任一真实极限切除时间
的加权系数
其中，Xtest为输入的潮流参数，Xtest为D维行向量，
为所述扩充参考集中第i个训练参考真实样本的真实潮流参数，
为D维行向量，i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，κMD(·)为马氏核函数，γ为平滑参数，DM(·)为马氏距离，M为大小D×D的正定矩阵；
对应地，所述基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值，具体包括：
通过如下公式确定输出的极限切除时间预测值
其中，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，
与
对应，
为所述已有训练参考集合，
为输入潮流参数Xtest情况下所述扩充参考集中任一真实极限切除时间
的加权系数，i＝1,2,…,Ntrain，Ntrain为所述已有训练参考集合中训练参考真实样本的总数。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，所述基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型，具体包括：
通过如下公式基于所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系确定所述极限切除时间预测值的概率模型
其中，X和Y均为离散变量，x为输入潮流参数，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，i＝i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，
为输入潮流参数x情况下所述扩充参考集中任一真实极限切除时间
的加权系数，pi(x)为X取值x时极限切除时间的概率分布列。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，所述基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的参考潮流参数集合，具体包括：
基于信息熵计算方法通过如下公式确定所述确定性模型输出极限切除时间预测值
的信息熵ψ(X)：
其中，最终展开的ψ(X)函数中的变量包括输入所述确定性模型的潮流参数x、所述马氏核函数中的平滑参数γ和正定矩阵参数M、以及所述扩充参考集中的参考潮流参数集合XTRAIN,i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数。
根据本发明提供的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，所述基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集，具体包括：
按照所述扩充信息熵的数值大小从小到大对所有待加入训练样本排序形成序列，筛选所述序列中的前N个待加入训练样本加入已有训练参考集形成扩充后的样本集，N为第一预设正整数；或者，
将所述已有训练参考集输入所述信息熵函数得到所述任一测试潮流参数的原始信息熵；
基于所述扩充信息熵与所述原始信息熵的差值确定所述任一待加入训练样本的增熵；
按照所述增熵的数值大小从小到大对所有待加入训练样本排序形成增熵序列，筛选所述增熵序列中的前Q个增熵小于0的待加入训练样本加入已有训练参考集形成扩充后的样本集，Q为第二预设正整数。
本发明还提供一种基于安全信息熵的电网安全稳定仿真样本筛选扩充装置，包括：
信息熵单元，用于将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；
筛选单元，用于基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的步骤。
本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，通过将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。由于用于筛选可选待加入训练样本的扩充信息熵是基于由电网安全稳定分析的确定性模型确定的信息熵函数计算得到的，通过样本对该确定性模型的作用机理，以及该确定性模型的概率输出结果，使用了在已知仿真模型的基础上根据对应于该仿真模型对应的概率模型计算预测值的信息熵这种“模型指导样本生成”方法，用于描述模型的不确定程度，推导出扩充样本时某测试点的安全稳定信息熵变化，判定系统稳定点和不稳定点随着扩充的样本点是否会更加泾渭分明，使得扩充该样本点后系统的混乱程度降低。因此，本发明提供的方法，实现了让扩充后的样本集进行电网仿真来提高电网安全稳定仿真的准确性，并避免了盲目加入相同类型的样本导致的计算资源浪费。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的流程示意图；
图2为本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充装置的结构示意图；
图3为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
现有的用于电网安全稳定仿真的样本生成普遍存在采用“样本生成离线训练在线评估”方式带来的随机选择样本导致模型训练的准确率低下统一类型样本反复使用造成的计算资源的浪费的问题。下面结合图1描述本发明的一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法。图1为本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的流程示意图，如图1所示，该方法包括：
步骤110，将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入信息熵函数得到任一测试潮流参数的扩充信息熵。
具体地，本发明提出一种选择特定样本扩充原有用于电网安全稳定分析仿真的样本集的方法，即样本不再是随机采集，只要采集到就加入样本集进行扩充，希望靠大量样本的训练提高仿真的准确性，原先的随机加入方式没有考虑样本的独特性，即不考虑原有样本集是否已经存在此种类型的样本，再次加入除了增加仿真训练的计算量，对于仿真的准确率没有任何帮助。因此，本发明对于即将加入原有样本集起扩充作用的样本进行挑选，筛选出相对于原有样本集中的样本特殊的样本，即不与原有样本集中的样本类型相同或者相近导致样本相似度过高达不到训练仿真效果。筛选方式就是将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入信息熵函数得到任一测试潮流参数的扩充信息熵，进一步说明，信息熵函数为已经构建的函数，其构建方式会在下面步骤中描述，对于试图加入已有训练参考集中的每一个待加入训练样本，让其分别与已有训练参考集进行结合，得到各自对应的扩充参考集，然后将任一测试潮流参数作为测试点，即将所述任一测试潮流参数和扩充参考集输入已经构建好的所述扩充参考集对应的信息熵函数，得到统一测试潮流参数条件下每个扩充参考集的扩充信息熵，即每个待加入训练样本都会得到一个其对应扩充参考集的信息熵函数计算出的扩充信息熵。下文会描述信息熵函数中的变量包括输入确定性模型的潮流参数(即输入的任一测试潮流参数)，所述马氏核函数中的平滑参数和正定矩阵参数(这两个参数也是基于扩充参考集进行电网安全稳定分析的确定性模型训练完成后确定的该模型的训练时神经网络中调整结束优化完成的待调参数)，扩充参考集中的真实潮流参数集合。因此，每个计算出来的扩充信息熵都指示了输入该信息熵函数的扩充参考集在已有训练参考集这个测试点处的模型确定性，即可以通过扩充信息熵数值大小推导出扩充某样本得到的扩充参考集在某已有训练参考集这个测试点的安全稳定信息熵变化，判定系统稳定点和不稳定点随着扩充的样本点是否会更加泾渭分明，使得扩充该样本点后系统的混乱程度降低。
步骤120，基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
具体地，计算出扩充信息熵后就可以根据熵值的大小进行可加入样本的挑选了，计算出的扩充信息熵用于标志电网安全稳定分析的确定性模型的不确定程度，而不确定程度越高，越井盖在该点补充数据，因此，扩充信息熵的数值越大，越应该被选择为可加入样本。上文中的基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待出可加入样本，其中，预设规则有两种可能，一是直接对扩充信息熵的大小进行从小到大的排序，选择序列前面N个作为被选中的用于扩充样本集的可加入样本，二是除了保证扩充信息熵大，还要保证选中的可加入样本在用扩充参考集计算的扩充信息熵减去同一测试潮流参数下用已有训练参考集(即扩充前的原始样本集)计算的原始信息熵的差值小于0，即不仅需要扩充信息熵的数值小，还需要保证加入该待加入样本后使得扩充后样本集的在原始样本集作为点的稳定性比扩充前的原始样本集的稳定性高，即该样本的加入可以引入新类型的样本，帮助提高仿真的准确率。此处需要说明的是本发明提供的电网安全稳定分析的确定性模型的测试是在已有的输入测试潮流参数和对应极限切除时间标签的基础上，还需要利用该确定性模型携带的参考样本集(本发明中在测试扩充参考集的不确定性时指的是扩充参考集)，而所述确定性模型的训练之所以需要携带参考样本集是因为本发明提供的确定性模型训练方法不是常规的预测网络直接使用样本进行训练，而是样本训练过程中预测网络计算的是输入样本与其他参考数据之间的关联性进行输出预测值的计算，关联性通过计算距离确定，距离的计算方法此处不作具体限定，可以是欧式距离、曼哈顿距离和马式距离等等，然后基于概率统计思想将其与每个参考数据之间的关联性作为加权系数得到最终预测网络输出的预测值。预测模型训练完成后，故在其投入使用时，也需要将它训练过程中使用到的确定性模型进行携带，因为实际在使用该确定性模型时，输入采集的潮流参数，同样需要经过训练时候的确定性模型对应的预测网络的计算流程进行计算得到输出的预测值，该计算流程中还是一样要计算输入潮流参数与其他参考数据之间的关联性，然后基于概率统计思想将其与每个参考数据之间的关联性作为加权系数得到最终预测网络输出的预测值，唯一的区别就是预测网络中待调参数已经调整结束优化完成变成一个固定的数值。而本发明基于仿真训练构建的确定性模型，提取出极限切除时间预测值的概率模型，然后根据信息熵的计算原理在所述概率模型的基础上确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，通过将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。由于用于筛选可选待加入训练样本的扩充信息熵是基于由电网安全稳定分析的确定性模型确定的信息熵函数计算得到的，通过样本对该确定性模型的作用机理，以及该确定性模型的概率输出结果，使用了在已知仿真模型的基础上根据对应于该仿真模型对应的概率模型计算预测值的信息熵这种“模型指导样本生成”方法，用于描述模型的不确定程度，推导出扩充样本时某测试点的安全稳定信息熵变化，判定系统的稳定点和不稳定点随着扩充的样本点的加入是否更加泾渭分明，加入的扩充样本点是否让系统混乱程度降低。因此，本发明提供的方法，实现了让扩充后的样本集进行电网仿真来提高电网安全稳定仿真的准确性，并避免了盲目加入相同类型的样本导致的计算资源浪费。
在上述实施例的基础上，该方法中，
所述基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型，具体包括：
基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系。
具体地，所述确定性模型训练过程中其对应的预测网络计算的是输入样本与其他参考数据之间的关联性，即需要衡量输入的样本潮流参数与扩充参考集中的真实潮流参数之间的关联性，要计算输入的测试潮流参数会得到怎样的CCT预测值，则需要考察测试潮流参数与扩充参考集中任一参考真实潮流参数之间的关联性，如此可知测试潮流参数对应的CCT预测值与扩充参考集中所有参考真实CCT值的关联性，进一步需要基于预设标准来规定关联性的衡量方法。本发明中选择马式距离来衡量，基于马式距离构建的高斯核即为高斯核函数的变种，因其距离函数由高斯核函数中的欧式距离变为马氏距离，故可以称之为马氏核函数，采用马氏核函数构建的核回归称为马氏核回归。此处需要用马氏核函数进行测试潮流参数和真实参考潮流参数之间距离的计算，是因为样本和真实值都属于高维向量，简单的欧式距离通常是在二范数环境下使用可以精准衡量两参数之间的差距，对于高维向量采用核函数进行计算更精准，虽然会由于核的维度高导致计算量的增加。
在上述实施例的基础上，该方法中，
所述基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系，具体包括：
基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系；
基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值。
具体地，通过计算输入的潮流参数(即测试潮流参数)与扩充参考集中各个参考真实潮流参数之间的输入关联性，确定输出的CCT预测值与扩充参考集中各个参考真实CCT之间的输出关联性，而所述输出关联性转换为具体的数值即为扩充参考集中任一真实极限切除时间的加权系数，使得输出的极限切除时间预测值可以基于所有真实极限切除时间的加权系数和所有真实极限切除时间进行加权计算得到。而关联性转换为具体的数值选择马式距离来衡量，基于马式距离构建的高斯核即为高斯核函数的变种，因其距离函数由高斯核函数中的欧式距离变为马氏距离，故可以称之为马氏核函数，采用马氏核函数构建的核回归称为马氏核回归。
在上述实施例的基础上，该方法中，
所述基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述已有训练参考集合中真实潮流参数和真实极限切除时间之间的关系，具体包括：
通过如下公式确定所述扩充参考集中任一真实极限切除时间
的加权系数
其中，Xtest为输入的潮流参数，Xtest为D维行向量，
为所述扩充参考集中第i个训练参考真实样本的真实潮流参数，
为D维行向量，i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，κMD(·)为马氏核函数，γ为平滑参数，DM(·)为马氏距离，M为大小D×D的正定矩阵；
对应地，所述基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值，具体包括：
通过如下公式确定输出的极限切除时间预测值
其中，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，
与
对应，
为所述已有训练参考集合，
为输入潮流参数Xtest情况下所述扩充参考集中任一真实极限切除时间
的加权系数，i＝1,2,…,Ntrain，Ntrain为所述已有训练参考集合中训练参考真实样本的总数。
具体地，基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述已有训练参考集合中真实潮流参数和真实极限切除时间之间的关系即基于马氏核回归方法的电力系统安全稳定分析的确定性模型的构建。该模型主要用于在给定故障下，构建输入潮流参数为x，输出为极限切除时间预测值的模型。如上文中的公式，其中，Xtest为输入的潮流参数，Xtest为D维行向量，
为所述扩充参考集中第i个训练参考真实样本的真实潮流参数，
为D维行向量，i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，κMD(·)为马氏核函数，γ为平滑参数，DM(·)为马氏距离，M为大小D×D的正定矩阵，
Xtest均为D维行向量，上述向量中的每个元素都代表进行建模的电力系统的电网拓扑中潮流中的某个特征量，表1为潮流参数中各变量描述，表1如下所示：
表1潮流参数中各变量描述
将马氏距离带入马氏核函数后再将马氏核函数带入加权系数的计算公式，可以得到极限切除时间预测值的完整表达式，如下式所示：
在上述实施例的基础上，该方法中，
所述基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型，具体包括：
通过如下公式基于所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系确定所述极限切除时间预测值的概率模型
其中，X和Y均为离散变量，x为输入潮流参数，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，i＝i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，
为输入潮流参数x情况下所述扩充参考集中任一真实极限切除时间
的加权系数，pi(x)为X取值x时极限切除时间的概率分布列。
具体地，若把Xtest及其对应的CCT视为离散变量(分别表示为X和Y)，则可以得到极限切除时间预测的概率模型：
其中，
pi(x)即为X取值x时，极限切除时间的概率分布列。
在上述实施例的基础上，该方法中，
所述基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的参考潮流参数集合，具体包括：
基于信息熵计算方法通过如下公式确定所述确定性模型输出极限切除时间预测值
的信息熵ψ(X)：
其中，最终展开的ψ(X)函数中的变量包括输入所述确定性模型的潮流参数x、所述马氏核函数中的平滑参数γ和正定矩阵参数M、以及所述扩充参考集中的参考潮流参数集合XTRAIN,i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数。
具体地，1、定义电力系统安全稳定信息熵：根据前文构建的电力系统安全稳定分析概率模型，结合信息学中的信息熵定义，可以定义电力系统安全稳定信息熵的概念：
ψ(X)＝H[Y(X)]
该安全稳定信息熵即反映了模型在该测试潮流参数点X预测的不确定程度，也是模型的缺陷所在。模型不确定程度越高，越应该在该测试潮流参数点X补充数据。
因为实际上点X处的安全稳定信息熵与训练样本XTRAIN(即为所有
组成的矩阵，代表扩充参考集，i＝1,2,…,Ntrain)以及参数M、γ是有关的，因此可以把函数ψ(X)写成ψ(X,XTRAIN,M,γ)的形式，将
pi(x)的完整表达式带入信息熵计算式ψ(X)＝H[Y(X)]中，得到如下推导过程：
在上面公式中，为了表示方便，用pi表示pi(x)，κi表示
同时我们定义了几个子项：ψE(X,XTRAIN,M,γ)、ψK(X,XTRAIN,M,γ)与ψD(X,XTRAIN,M,γ)，它们也均为(X,XTRAIN,M,γ)的函数，其定义表达式如下所示：
其中，最终展开的ψ(X)函数中的变量包括输入所述确定性模型的潮流参数x、所述马氏核函数中的平滑参数γ和正定矩阵参数M、以及所述扩充参考集中的参考潮流参数集合XTRAIN,i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数。
di可以看做X和
之间的“等效距离”，κi可以看做X和
之间的“相似度”。ψD(X,XTRAIN,M,γ)相当于对等效距离以pi加权，也即“平均等效距离”。因此某点X的安全稳定信息熵可以视作由两项组成：
1、ψD(X,XTRAIN,M,γ)：所有训练样本(XTRAIN)与X之间的平均等效距离的γ倍；
2、ln[ψK(X,XTRAIN,M,γ)]：所有训练样本(XTRAIN)与X之间的总相似度的自然对数。
在上述实施例的基础上，该方法中，
所述基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集，具体包括：
按照所述扩充信息熵的数值大小从小到大对所有待加入训练样本排序形成序列，筛选所述序列中的前N个待加入训练样本加入已有训练参考集形成扩充后的样本集，N为第一预设正整数；或者，
将所述已有训练参考集输入所述信息熵函数得到所述任一测试潮流参数的原始信息熵；
基于所述扩充信息熵与所述原始信息熵的差值确定所述任一待加入训练样本的增熵；
按照所述增熵的数值大小从小到大对所有待加入训练样本排序形成增熵序列，筛选所述增熵序列中的前Q个增熵小于0的待加入训练样本加入已有训练参考集形成扩充后的样本集，Q为第二预设正整数。
具体地，第一种预设规则为直接比较扩充信息熵的数值大小选择出可选待加入训练样本加入已有训练参考集形成扩充后的样本集，下面具体描述第二种预设规则，即基于所述扩充信息熵与所述原始信息熵的差值确定所述任一待加入训练样本的增熵进行增熵的数值大小来选择出可选待加入训练样本加入已有训练参考集形成扩充后的样本集：
假设由于增加了一个待加入训练样本，使得XTRAIN-origin变为XTRAIN-add(相当于矩阵多了一行)，从而引起X处的安全稳定信息熵发生变化，变化量为：
Δψ＝ψ(X,XTRAIN-add,M,γ)-ψ(X,XTRAIN-origin,M,γ)
设置信息熵函数中三项的增量分别为：
ΔψE＝ψE(X,XTRAIN-add,M,γ)-ψE(X,XTRAIN-origin,M,γ)＝ψ′E-ψE
ΔψK＝ψK(X,XTRAIN-add,M,γ)-ψK(X,XTRAIN-origin,M,γ)＝ψ′K-ψK
ΔψD＝ψD(X,XTRAIN-add,M,γ)-ψD(X,XTRAIN-origin,M,γ)＝ψ′D-ψD
则可得：
式中：
ΔlnψK＝ln[ψK(X,XTRAIN-add,M,γ)]-ln[ψK(X,XTRAIN-origin,M,γ)]
对于全空间的安全稳定信息增量，可对全空间的安全稳定信息熵增量进行积分。由于积分在实际中难以求取，可采用离散方法：
式中，χ为验证集，ΔΨ即为全空间的安全稳定信息熵增量，它可表示为：ΔΨ(XTRAIN,XTRAIN′,M,γ)。
对于每个无标签的训练样本，均求取ΔΨ，再由小到大排序。排序靠前的样本优先计算其极限切除时间(使用仿真软件)，即优先将其变为有标签样本，并加入训练样本库，而后对模型重新进行训练。
下面对本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充装置进行描述，下文描述的基于安全信息熵的电网安全稳定仿真样本筛选扩充装置与上文描述的第一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法可相互对应参照。
图2为本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充装置的结构示意图，如图3所示，该装置包括信息熵单元210和筛选单元220，其中，
所述信息熵单元210，用于将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；
所述筛选单元220，用于基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
本发明提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充装置，通过将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。由于用于筛选可选待加入训练样本的扩充信息熵是基于由电网安全稳定分析的确定性模型确定的信息熵函数计算得到的，通过样本对该确定性模型的作用机理，以及该确定性模型的概率输出结果，使用了在已知仿真模型的基础上根据对应于该仿真模型对应的概率模型计算预测值的信息熵这种“模型指导样本生成”方法，用于描述模型的不确定程度，推导出扩充样本时某测试点的安全稳定信息熵变化，判定系统的稳定点和不稳定点随着扩充的样本点的加入是否更加泾渭分明，加入的扩充样本点是否让系统混乱程度降低。因此，本发明提供的方法，实现了让扩充后的样本集进行电网仿真来提高电网安全稳定仿真的准确性，并避免了盲目加入相同类型的样本导致的计算资源浪费。
在上述实施例的基础上，该装置中，
所述基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型，具体包括：
基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系。
在上述实施例的基础上，该装置中，
所述基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系，具体包括：
基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系；
基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值。
在上述实施例的基础上，该装置中，
所述基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述已有训练参考集合中真实潮流参数和真实极限切除时间之间的关系，具体包括：
通过如下公式确定所述扩充参考集中任一真实极限切除时间
的加权系数
其中，Xtest为输入的潮流参数，Xtest为D维行向量，
为所述扩充参考集中第i个训练参考真实样本的真实潮流参数，
为D维行向量，i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，κMD(·)为马氏核函数，γ为平滑参数，DM(·)为马氏距离，M为大小D×D的正定矩阵；
对应地，所述基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值，具体包括：
通过如下公式确定输出的极限切除时间预测值
其中，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，
与
对应，
为所述已有训练参考集合，
为输入潮流参数Xtest情况下所述扩充参考集中任一真实极限切除时间
的加权系数，i＝1,2,…,Ntrain，Ntrain为所述已有训练参考集合中训练参考真实样本的总数。
在上述实施例的基础上，该装置中，
所述基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型，具体包括：
通过如下公式基于所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系确定所述极限切除时间预测值的概率模型
其中，X和Y均为离散变量，x为输入潮流参数，
为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，i＝i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，
为输入潮流参数x情况下所述扩充参考集中任一真实极限切除时间
的加权系数，pi(x)为X取值x时极限切除时间的概率分布列。
在上述实施例的基础上，该装置中，
所述基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的参考潮流参数集合，具体包括：
基于信息熵计算方法通过如下公式确定所述确定性模型输出极限切除时间预测值
的信息熵ψ(X)：
其中，最终展开的ψ(X)函数中的变量包括输入所述确定性模型的潮流参数x、所述马氏核函数中的平滑参数γ和正定矩阵参数M、以及所述扩充参考集中的参考潮流参数集合XTRAIN,i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数。
在上述实施例的基础上，该装置中，
所述基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集，具体包括：
按照所述扩充信息熵的数值大小从小到大对所有待加入训练样本排序形成序列，筛选所述序列中的前N个待加入训练样本加入已有训练参考集形成扩充后的样本集，N为第一预设正整数；或者，
将所述已有训练参考集输入所述信息熵函数得到所述任一测试潮流参数的原始信息熵；
基于所述扩充信息熵与所述原始信息熵的差值确定所述任一待加入训练样本的增熵；
按照所述增熵的数值大小从小到大对所有待加入训练样本排序形成增熵序列，筛选所述增熵序列中的前Q个增熵小于0的待加入训练样本加入已有训练参考集形成扩充后的样本集，Q为第二预设正整数。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，该方法包括：将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，该方法包括：将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，该方法包括：将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；其中，所述扩充参考集对应的信息熵函数的构建流程如下：基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，包括：
将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；
基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
2.根据权利要求1所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型，具体包括：
基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系。
3.根据权利要求2所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于马氏核函数建立输入的潮流参数、输出的极限切除时间预测值和所述扩充参考集之间的关系，具体包括：
基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系；
基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值。
4.根据权利要求3所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于马式核函数构建所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述已有训练参考集合中真实潮流参数和真实极限切除时间之间的关系，具体包括：
通过如下公式确定所述扩充参考集中任一真实极限切除时间Yi train的加权系数P(Xtest,Yi train)：
其中，Xtest为输入的潮流参数，Xtest为D维行向量，
为所述扩充参考集中第i个训练参考真实样本的真实潮流参数，
为D维行向量，i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，κMD(·)为马氏核函数，γ为平滑参数，DM(·)为马氏距离，M为大小D×D的正定矩阵；
对应地，所述基于所有真实极限切除时间的加权系数和所有真实极限切除时间确定输出的极限切除时间预测值，具体包括：
通过如下公式确定输出的极限切除时间预测值
其中，Yi train为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，Yi train与
对应，
为所述已有训练参考集合，P(Xtest,Yi train)为输入潮流参数Xtest情况下所述扩充参考集中任一真实极限切除时间Yi train的加权系数，i＝1,2,…,Ntrain，Ntrain为所述已有训练参考集合中训练参考真实样本的总数。
5.根据权利要求4所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型，具体包括：
通过如下公式基于所述扩充参考集中任一真实极限切除时间的加权系数、输入的潮流参数、所述扩充参考集中真实潮流参数和真实极限切除时间之间的关系确定所述极限切除时间预测值的概率模型P(Y＝Yi train|X＝x)：
P(Y＝Yi train|X＝x)＝pi(x)＝P(x,Yi train)
其中，X和Y均为离散变量，x为输入潮流参数，Yi train为所述扩充参考集中第i个训练参考真实样本的真实极限切除时间，i＝i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数，P(x,Yi train)为输入潮流参数x情况下所述扩充参考集中任一真实极限切除时间Yi train的加权系数，pi(x)为X取值x时极限切除时间的概率分布列。
6.根据权利要求5所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的参考潮流参数集合，具体包括：
基于信息熵计算方法通过如下公式确定所述确定性模型输出极限切除时间预测值
的信息熵ψ(X)：
其中，最终展开的ψ(X)函数中的变量包括输入所述确定性模型的潮流参数x、所述马氏核函数中的平滑参数γ和正定矩阵参数M、以及所述扩充参考集中的参考潮流参数集合XTRAIN,i＝1,2,…,Ntrain，Ntrain为所述扩充参考集中训练参考真实样本的总数。
7.根据权利要求1-6中任一项所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法，其特征在于，所述基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集，具体包括：
按照所述扩充信息熵的数值大小从小到大对所有待加入训练样本排序形成序列，筛选所述序列中的前N个待加入训练样本加入已有训练参考集形成扩充后的样本集，N为第一预设正整数；或者，
将所述已有训练参考集输入所述信息熵函数得到所述任一测试潮流参数的原始信息熵；
基于所述扩充信息熵与所述原始信息熵的差值确定所述任一待加入训练样本的增熵；
按照所述增熵的数值大小从小到大对所有待加入训练样本排序形成增熵序列，筛选所述增熵序列中的前Q个增熵小于0的待加入训练样本加入已有训练参考集形成扩充后的样本集，Q为第二预设正整数。
8.一种基于安全信息熵的电网安全稳定仿真样本筛选扩充装置，其特征在于，包括：
信息熵单元，用于将待加入训练样本集中的任一待加入训练样本扩充已有训练参考集作为扩充参考集输入所述扩充参考集对应的信息熵函数得到任一测试潮流参数的扩充信息熵；
筛选单元，用于基于预设规则处理所有待加入训练样本对应于所述任一测试潮流参数的扩充信息熵筛选待加入训练样本集中可选待加入训练样本加入已有训练参考集形成扩充后的样本集；
其中，所述扩充参考集对应的信息熵函数的构建流程如下：
基于马氏核函数和所述扩充参考集构建潮流参数驱动的电网安全稳定分析的确定性模型；
基于将所述确定性模型计算得到的极限切除时间预测值作为离散变量确定所述极限切除时间预测值的概率模型；
基于所述概率模型确定所述极限切除时间预测值的信息熵函数，所述信息熵函数中的变量包括输入所述确定性模型的潮流参数、所述马氏核函数中的平滑参数和正定矩阵参数、以及所述扩充参考集中的真实潮流参数集合。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于安全信息熵的电网安全稳定仿真样本筛选扩充方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011457735.9A CN112419098B (zh) | 2020-12-10 | 2020-12-10 | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011457735.9A CN112419098B (zh) | 2020-12-10 | 2020-12-10 | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112419098A true CN112419098A (zh) | 2021-02-26 |
| CN112419098B CN112419098B (zh) | 2024-01-30 |
Family
ID=74775562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011457735.9A Active CN112419098B (zh) | 2020-12-10 | 2020-12-10 | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419098B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966741A (zh) * | 2021-03-05 | 2021-06-15 | 北京理工大学 | 一种可防御拜占庭攻击的联邦学习图像分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力系统暂态稳定判断方法 |
| CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
| CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技（深圳）有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
| US20190188562A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Deep Neural Network Hardening Framework |
-
2020
- 2020-12-10 CN CN202011457735.9A patent/CN112419098B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881741A (zh) * | 2015-05-25 | 2015-09-02 | 清华大学 | 基于支持向量机的电力系统暂态稳定判断方法 |
| US20190188562A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Deep Neural Network Hardening Framework |
| CN108647272A (zh) * | 2018-04-28 | 2018-10-12 | 江南大学 | 一种基于数据分布的小样本扩充方法 |
| CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技（深圳）有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PENG ZHANG等: "Study on practical dynamic security region of power system based on big data", 2017 12TH IEEE CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA), pages 1996 - 1999 * |
| 张玮灵，等: "稳定域概念下考虑保守性的电力系统在线暂态稳定评估方法", 电网技术, vol. 40, no. 04, pages 992 - 998 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966741A (zh) * | 2021-03-05 | 2021-06-15 | 北京理工大学 | 一种可防御拜占庭攻击的联邦学习图像分类方法 |
| CN112966741B (zh) * | 2021-03-05 | 2022-08-02 | 北京理工大学 | 一种可防御拜占庭攻击的联邦学习图像分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112419098B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Laroche et al. | Safe policy improvement with baseline bootstrapping | |
| JP6749468B2 (ja) | 評価モデルのためのモデリング方法及び装置 | |
| CN109886388A (zh) | 一种基于变分自编码器的训练样本数据扩充方法和装置 | |
| CN108304679A (zh) | 一种自适应可靠性分析方法 | |
| KR20170052344A (ko) | 신규 물질 탐색 방법 및 장치 | |
| CN110533150B (zh) | 基于支持向量机回归模型的测试生成与重用系统及方法 | |
| CN112217207A (zh) | 一种暂态电压稳定裕度预测方法及装置 | |
| CN113434859A (zh) | 入侵检测方法、装置、设备及存储介质 | |
| CN108182448B (zh) | 一种标注策略的选择方法及相关装置 | |
| CN113806512A (zh) | 机器人对话模型的训练方法、装置、设备及存储介质 | |
| EP4273750A1 (en) | Data processing method and apparatus, computing device, and test simplification device | |
| JP2016194914A (ja) | 混合モデル選択の方法及び装置 | |
| CN112419098A (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 | |
| Baras et al. | Automatic boosting of cross-product coverage using Bayesian networks | |
| KR102152081B1 (ko) | 딥러닝 기반의 가치 평가 방법 및 그 장치 | |
| CN110955774B (zh) | 基于词频分布的文字分类方法、装置、设备及介质 | |
| CN112257332A (zh) | 一种仿真模型的评估方法及装置 | |
| CN109743200B (zh) | 基于资源特征的云计算平台计算任务成本预测方法及系统 | |
| Chandramohan et al. | Sparse approximate dynamic programming for dialog management | |
| CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
| CN115439192A (zh) | 医疗商品信息的推送方法及装置、存储介质、计算机设备 | |
| CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
| CN113449778B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
| CN110135592B (zh) | 分类效果确定方法、装置、智能终端及存储介质 | |
| CN113010687B (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 |
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 |