CN112508442B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112508442B CN112508442B CN202011507230.9A CN202011507230A CN112508442B CN 112508442 B CN112508442 B CN 112508442B CN 202011507230 A CN202011507230 A CN 202011507230A CN 112508442 B CN112508442 B CN 112508442B
- Authority
- CN
- China
- Prior art keywords
- transient stability
- model
- characteristic data
- interpretable
- key
- 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
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 250
- 238000010801 machine learning Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013097 stability assessment Methods 0.000 title claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 93
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 99
- 230000006870 function Effects 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000013210 evaluation model Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001687 destabilization Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q10/06—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于自动化和可解释机器学习的暂态稳定评估方法和系统,所述方法首先获取监测数据并提取出关键特征数据,将关键特征数据输入自动化和可解释机器学习模型中,由暂态稳定评估子模型对电力系统的暂态稳定状况进行评估,由可解释子模型计算各关键特征数据对评估结果的贡献度;在训练暂态稳定评估子模型时对原始数据进行筛选,提取出低维度的关键特征数据,使用贝叶斯优化模型对暂态稳定评估子模型的超参数进行自动调优,并以准确率、召回率以及ROC曲线下方面积对暂态稳定评估子模型评估性能进行评价。通过实施本发明能自动化提取关键特征数据及调整评估模型的超参数,实现电力系统暂态稳定评估,并对暂态稳定评估结果进行解释。
Description
技术领域
本发明涉及电力系统安全技术领域,尤其涉及一种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。
背景技术
随着可再生能源渗透率逐步提高以及大容量特高压直流馈入电网,大量燃煤同步发电机逐渐被替代。在直流和新能源高渗透型电网中,转动惯量显著降低,运行机理愈加复杂,给电力系统暂态稳定评估带来了前所未有的挑战。
现有技术中对电力系统进行暂态稳定评估一般采用时域仿真法或直接法。时域仿真法是用一组高维度非线性的微分方程去描述电力系统的响应过程,然后通过数值积分方法去求解。然而,时域仿真法计算复杂度高,密集的计算负担使其难以适用于实际大电网的暂态稳定评估。直接法是从能量的角度分析暂态稳定性。然而,在实际大电网中难以构造精确的能量函数,因此也无法适用。为此已有相关学者探讨机器学习应用于暂态稳定评估,例如决策树、极限学习机、长短期记忆神经网络、卷积神经网络和集成学习。区别于传统方法,基于机器学习的分析方法不需要对电力系统进行数学建模,而是通过数据驱动方式建立输入物理特征与输出暂态稳定状态间的映射关系。建立映射关系后,机器学习模型可在故障发生后快速评估系统的暂态稳定状态。尽管基于机器学习的暂态稳定评估方法已经取得了一定的发展,但仍然很难直接将其应用于实际电力系统的规划和调度中,主要原因有以下两个:(1)为了将机器学习运用暂态稳定评估,需要基于人工经验进行多次重复的手动特征选择和启发式的参数调整,操作繁琐、低效且耗时,这阻碍了机器学习在电力系统的部署和应用。(2)现有的应用于暂态稳定评估的机器学习模型可解释性较差。由于其往往通过黑箱模型建立了映射关系,电力系统调度员很难解释复杂机器学习模型的行为和理解这些模型如何做出特定决策。自动化和可解释性的缺乏严重限制了机器学习方法应用于在线暂态稳定评估。
发明内容
本发明实施例提供一种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,能自动化提取关键特征数据及调整评估模型的超参数,实现电力系统暂态稳定评估,并对暂态稳定评估结果进行解释。
本发明一实施例提供一种基于自动化和可解释机器学习的暂态稳定评估方法,包括:
获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳定状况,所述可解释子模型用于计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型的构建方法包括:从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器重新进行迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型的构建方法包括:获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
进一步的,所述计算每一所述原始特征数据的重要程度,根据每一所述原始特征数据的重要程度提取关键训练特征数据,具体包括:
根据每一所述原始特征数据在Catboost训练过程中的分割信息,通过以下公式计算每一所述原始特征数据的重要程度:
将重要程度超过预设特征选择阈值的原始特征数据,作为所述关键训练特征数据;
其中,fIF为每一所述原始特征数据的重要程度、c1为每一所述原始特征数据对应的决策树中左叶子节点中目标的总权重、c2为每一所述原始特征数据对应的决策树中右叶子节点中目标的总权重、v1为每一所述原始特征数据对应的决策树中左叶子节点的计算值、v2为每一所述原始特征数据对应的决策树中右叶子节点的计算值。
进一步的,通过高斯过程回归算法以及POI提取函数构建所述贝叶斯优化的超参数调优模型,且所述贝叶斯优化的超参数调优模型所对应的目标函数为:
maxW1*Accuracy+W2*Recall+W3*AUC;
其中,W1、W2以及W3均为权重系数;max为最大值函数;Accuracy为所述初始暂态稳定分类器的准确率;Recall为所述初始暂态稳定分类器的召回率;AUC为所述初始暂态稳定分类器ROC曲线下方的面积。
进一步的,通过以下公式计算所述准确率、召回率以及ROC曲线下方的面积;
式中:f11为稳定样本被准确评估为稳定样本的数目;f10为稳定样本被误判为不稳定样本的数目;f00为不稳定样本被准确评估为不稳定样本的数目;f01为不稳定样本被误判为稳定样本的数目;n+是被预测为稳定样本的数目;n-是被预测为不稳定样本的数目;x+表示被预测为稳定的样本;x-表示被预测为不稳定的样本;i为自变量表示第i个稳定样本;j为自变量表示第j个不稳定样本。
进一步的,所述计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型,具体包括:
通过以下公式计算各所述关键训练特征数据的SHAP值:
根据各所述关键训练特征的SHAP值构建如下可解释子模型:
为关键训练特征数据的SHAP值;m表示第m个关键训练特征数据;M为所输入的关键训练特征数据的总个数;fx()为用于求取期望值的期望函数;S为关键训练特征数据所组成的集合;S′为S的子集;{m}表示第m个关键训练特征数据所对应的样本;/>为暂态稳定评估子模型对于所有关键训练特征数据的期望值;f(x)为可解释子模型。
进一步的,还包括:将所述监测数据以及所述电力系统的暂态稳定状况,存储至所述暂态稳定数据库中,以使所述暂态稳定评估子模型根据更新后的暂态稳定数据库进行动态更新。
在上述方法项实施例的基础上本发明对应提供了系统项实施例:
本发明一实施例提供了一种基于自动化和可解释机器学习的暂态稳定评估系统,包括数据提取模块、暂态稳定状况评估与解释模块、暂态稳定评估子模型构建模块以及可解释子模型构建模块;
所述数据提取模块,用于获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
所述暂态稳定状况评估与解释模块,用于将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳状况,所述可解释子模型计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型构建模块,用于从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器进行重新迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型构建模块,用于获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
通过实施本发明实施例具有如下有益效果:
本发明实施例提供了一种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,所述方法首先获取电力系统故障清除时刻的监测数据,并从监测数据中提取关键特征数据;将关键特征数据输入至预设的自动化和可解释机器学习模型,通过暂态稳定评估子模型预测所述电力系统的暂态稳状况,而可解释子模型用于计算各关键特征数据对于暂态稳定评估结果的贡献度;在暂态稳定评估子模型中,通过对海量原始数据的挖掘筛选出低维度的关键特征数据,有效避免了维度爆炸问题,且减轻了暂态稳定评估子模型的计算复杂度。此外在模型训练时使用贝叶斯优化模型对暂态稳定评估子模型的超参数进行自动调优,避免了人为参数调整的低效性和非最优性,并采用准确率、召回率以及ROC曲线下方的面积多个评价指标对暂态稳定评估子模型的评估性能进行综合评价。同时,通过可解释子模型计算各关键特征数据对于暂态稳定评估结果的贡献度,从而实现了暂态稳定评估子模型的决策行为的可解释分析,使得调度员可以基于评估结果和可解释分析在故障后快速地制定紧急控制措施,例如切机、切负荷等,以维持系统稳定运行。
附图说明
图1是本发明一实施例提供的一种基于自动化和可解释机器学习的暂态稳定评估方法的流程示意图。
图2是本发明一实施例提供的一种基于自动化和可解释机器学习的暂态稳定评估方法的架构示意图。
图3是本发明一实施例提供的新英格兰10机39节点系统图;
图4是本发明一实施例提供的超参数搜索可视化图;
图5是本发明一实施例提供的基于SHAP的暂态稳定评估子模型评估结果解释图;
图6是本发明一实施例提供的关键特征的SHAP值分布图;
图7是本发明一实施例提供的基于自动化和可解释机器学习的暂态稳定评估系统结构示意图。
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。
如图1所示,本发明一实施例提供了一种基于自动化和可解释机器学习的暂态稳定评估方法,包括:
步骤S101:获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据。
步骤S102:将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳定状况,所述可解释子模型用于计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型的构建方法包括:从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器重新进行迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型的构建方法包括:获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
对于上述步骤,首先对暂态稳定评估子模型的构建进行说明:
1、构建暂态稳定数据库:在这一步骤根据电力系统运行方式以及需要评估的故障类型,利用时域仿真技术模拟电力系统故障后的暂态过程,然后采集数据进行存储从而构建出暂态稳定数据库。
上述电力系统运行方式指的是在实际电网中,规划部门基于电网的运行情况,所制定电力系统运行方式。具体的,上述电力系统运行方式包括:包括丰水期大方式、丰水期小方式、枯水期大方式和枯水期小方式。在不同运行方式下,负荷水平不同、机组开停机和出力也不同,系统稳定水平存在差异。
在本发明一优选的实施例中,需要评估的故障类型考虑的是三相短路故障。在电力系统中进行N-1三相短路故障,故障位置考虑为线路的0%,25%,50%和75%处。在新英格兰10机39节点测试系统中,考虑了10种负荷水平(75,80%,85%,90%,95%,100%,105%,110%,115%,120%),在调整负荷水平的过程中也适当调节发电机出力,以保证潮流收敛;故障位置考虑为线路的0%,25%,50%和75%。在仿真开始1s后故障发生,并在1.1s或1.2s后切除故障。仿真总时长设置为20s。最终,得到3668个样本,其中稳定样本2695个,失稳样本973个,将样本按8:2的比例划分为训练数据集和测试数据集,进行存储构建完成上述的构建暂态稳定数据库。
2、关键训练特征数据的提取,由于暂态稳定数据库中的原始特征数据中包含所有母线的电压相角/幅值,所有线路的有功/无功功率。数据量大,且有些数据与电力系统暂态稳定状况关联性小可以不予考虑,因此需要对原始特征数据进行数据筛选提取出与电力系统暂态稳定状况均有较大关联性的部分母线的电压相角/幅值,部分线路的有功/无功功率,生成本发明上述关键训练特征数据;具体方法为:
根据每一原始特征数据在Catboost训练过程中的分割信息(如叶子节点中目标的总权重以及叶子节点计算值),通过以下公式计算每一原始特征数据的重要程度:
将重要程度超过预设特征选择阈值的原始特征数据,作为所述关键训练特征数据;
其中,fIF为每一所述原始特征数据的重要程度、c1为每一所述原始特征数据对应的决策树中左叶子节点中目标的总权重、c2为每一所述原始特征数据对应的决策树中右叶子节点中目标的总权重、v1为每一所述原始特征数据对应的决策树中左叶子节点的计算值、v2为每一所述原始特征数据对应的决策树中右叶子节点的计算值。
通过上述方法实现关键训练特征数据的自动选择。
3、初始暂态稳定分类器的构建:CatBoost是集成学习最新成果之一,凭借高准确性、多GPU支持以及低过拟合风险等优势,在数据挖掘任务重表现出优异的性能。在本发明中,基于CatBoost算法来构建初始暂态稳定分类器。
给定一个暂态稳定数据集:
其中,xi′为第i′个样本关键训练特征数据,yi′为第i′个样本的暂态稳定状态,N是暂态稳定样本数量。基于暂态稳定数据集进行多次迭代后,可建立一系列决策树:
式中:I是条件函数;R是与树的叶子节点对应的不相交区域;j′是不相交区域的数量。
在梯度提升过程中,以贪婪的方式建立一个近似函数序列Ft:
Ft=Ft-1+αht;
式中:α是步长;ht是第t次迭代过程的决策树。
CatBoost的损失函数表示为:
ht=argminh∈HE(-τt(x,y)-h(x))2;
式中:τt(x,y)为梯度值函数;H为是所有迭代过程的决策树;h(x)为对于关键训练特征数据x,决策树的计算结果;E表示期望值;argmin表示最小化;
迭代计算的目标是建立一个近似函数序列Ft,并最小化损失函数。T次迭代后,可以得到最终的模型:
由于在传统的梯度提升算法中,存在预测偏移问题,因此发明在CatBoost模型中,引入Ordered Boosting解决此问题。首先,对所有数据进行随机排列,并利用排列的第i′个样本训练第i′个模型。在计算当前样本的残差时,模型使用第i′-1个样本序列进行计算,避免梯度估计偏移。
4、贝叶斯优化模型的构建;在一个优选的实施例中,其特征在于,通过高斯过程以及POI提取函数构建贝叶斯优化模型,且贝叶斯优化模型所对应的目标函数为:
maxW1*Accuracy+W2*Recall+W3*AUC;
pimin≤pi≤pimax
其中,W1、W2以及W3均为权重系数;max为最大值函数;Accuracy为所述初始暂态稳定分类器的准确率;Recall为所述初始暂态稳定分类器的召回率;AUC为所述初始暂态稳定分类器ROC曲线下方的面积。Pi为超参数,Pimin为超参数最小值,Pimax为超参数最大值。
具体的,在CatBoost模型中,最关键的是找到最佳的超参数以优化整体性能。贝叶斯优化是一种新颖的优化模型,广泛应用于各类优化任务,为机器学习模型超参数优化提供了新思路。在本发明中,构建了基于贝叶斯优化的超参数调优模型,以实现对CatBoost分类器超参数的自动调整。
贝叶斯优化的目标是在候选超参数集中X找到函数f(λ)的全局最大值λ*,然后输出CatBoost的最佳超参数:
λ*=argλ∈Xmaxf(λ);
高斯过程(GP)被应用作为贝叶斯优化的先验函数,以对目标函数进行建模。在高斯过程中,超参数样本的组合可以表示为:
f(λ)~GP(m(λ),k(λ,λ′));
式中:m(λ)是λ的平均函数;k(λ,λ′)是λ的协方差函数;θ是长度比例参数。
对于可观测数据数据/>和预测/>的联合分布与多元高斯分布一致:
式中:;K是协方差矩阵;N(·)表示联合高斯分布。
对于新采样点其预测分布P(·)可以表示为:
式中:和/>分别表示预测平均值和方差,/>为第/>个采样点自变量。
选择probability of improvement(POI)作为贝叶斯优化的提取函数:
式中:是正态累积分布函数;ε是平衡参数;δ(·)表示标准偏差函数。通过最大化提取函数,可以获取下一个高精度概率最大的采样点。
此外为了合理评价模型的性能,本申请采用准确率(Accuracy)、召回率(Recall)和AUC作为评价指标,构建贝叶斯优化的超参数调优模型的目标函数。
准确率(Accuracy)和召回率(Recall)分别表示暂态稳定评估子模型准确评估所有样本和失稳样本的性能:
AUC是衡量稳定样本和失稳样本不平衡条件下分类性能的重要指标:
式中:f11为稳定样本被准确评估为稳定样本的数目;f10为稳定样本被误判为不稳定样本的数目;f00为不稳定样本被准确评估为不稳定样本的数目;f01为不稳定样本被误判为稳定样本的数目;n+是被预测为稳定样本的数目;n-是被预测为不稳定样本的数目;x+表示被预测为稳定的样本;x-表示被预测为不稳定的样本;i为自变量表示第i个稳定样本;j为自变量表示第j个不稳定样本。
由于电力系统暂态稳定评估是典型的不平衡分类问题,即在实际中失稳样本的数量远小于稳定样本的数量,而失稳的代价却是极大的。因此,仅使用一个评价指标(例如准确率)构建贝叶斯优化的目标函数,可能会导致优化后的暂态稳定评估子模型识别不稳定样本的能力显著降低。为了综合提升暂态稳定评估子模型的性能,对贝叶斯优化的目标函数进行改进,在构建目标函数时考虑了多评价指标,并对其进行加权处理,具体表达式为:
maxW1*Accuracy+W2*Recall+W3*AUC;
pimin≤pi≤pimax
其中,W1、W2以及W3均为权重系数;max为最大值函数;Accuracy为所述初始暂态稳定分类器的准确率;Recall为所述初始暂态稳定分类器的召回率;AUC为所述初始暂态稳定分类器ROC曲线下方的面积。Pi为超参数,Pimin为超参数最小值,Pimax为超参数最大值。
由于不稳定状态被判定为稳定状态可能会引发级联事故,造成大面积停电事故,在超参数优化中需要重点关注模型准确识别不稳定样本的能力。因此,贝叶斯优化的目标函数中的Recall权重应设置大于Accuracy和AUC。
经过上述步骤,从稳定数据库获取原始特征数据,然后提取出关键训练特征数据,将关键训练特征数据输入至初始暂态稳定分类器中进行迭代训练,并在训练过程中采用上述步骤所构建的贝叶斯优化模型进行暂态稳定分类器超参数的自动调优,并结合综合评价指标进行模型泛化能力评价,最终训练出本发明上述的暂态稳定评估子模型。
在获悉如何构建暂态稳定评估子模型之后,以下对本发明所提供可解释子模型的构建进行说明:
可解释子模型的构建方法包括:获取各关键训练特征数据,并通过以下公式计算各关键训练特征数据的SHAP值:
根据各关键训练特征的SHAP值构建如下可解释子模型:
其中,为关键训练特征数据的SHAP值;m表示第m个关键训练特征数据;M为所输入的关键训练特征数据的总个数;fx()为用于求取期望值的期望函数;S为关键训练特征数据所组成的集合;S′为S的子集;{m}表示第m个关键训练特征数据所对应的样本;/>为暂态稳定评估子模型对于所有关键训练特征数据的期望值;f(x)为可解释子模型。
具体的:SHAP是一种用于解释暂态稳定评估子模型的输出结果的模型。借助于SHAP,暂态稳定评估子模型的输出可以表示为每个关键训练特征数据SHAP值的总和。
利用可解释子模型g近似表示上述暂态稳定评估子模型,定义为二元变量的线性函数:
式中:Z′m表示一个特征是否可以被观察;m表示第m个关键训练特征数据;
SHAP值将条件期望与博弈论中的经典Shapley值思想结合起来,将/>值归因于每个关键训练特征数据:
Δm(S′)=fx(S′∪{m})-fx(S′);
式中:fx()为用于求取期望值的期望函数;S为关键训练特征数据所组成的集合;S′为S的子集;
具体而言,可解释子模型与暂态稳定评估子模型相匹配,表示为:
式中:φ0是基于暂态稳定评估子模型对于暂态稳定数据的期望值。
以下对本发明的步骤进行说明:
对于上述步骤S101、在电力系统发生故障并完成故障清除时,通过PMU装置(同步相量测量装置),获取故障清除后系统的监测数据,然后依据暂态稳定评估子模型训练时所提取的关键训练特征数据的类型,提取相同类型的数据,获得本发明上述的关键特征数据。在实际场景中,关键特征数据包括了关键母线的电压相角/幅值,关键线路的有功/无功功率。
对于步骤S102、将所获取的关键特征数据,输入至训练好的暂态稳定评估子模型,评估出电力系统的暂态稳定状况,如果是暂态失稳的,则发出警告项调度员进行预警,如果系统在故障后是暂态稳定,则不进行预警操作。与此同时将关键特征数据输入至构建好的可解释子模型中,计算各关键特征数据对于暂态稳定评估结果的贡献度。
在一个优选的实施例中,还包括:将所述监测数据以及所述电力系统的暂态稳定状况,存储至所述暂态稳定数据库中,以使所述暂态稳定评估子模型根据更新后的暂态稳定数据库进行动态更新。
本发明所提供的基于自动化和可解释机器学习的暂态稳定评估方法的整体框架请参阅图2。
为更好的说明本发明的基于自动化和可解释机器学习的暂态稳定评估方法,以下对本发明的内容进行进一步说明:
为了验证本发明所提供的基于自动化和可解释机器学习的暂态稳定评估方法的可行性,在新英格兰10机39节点系统(如图3所示)上开展算例测试。充分考虑多种运行场景,通过时域仿真技术模拟三相短路故障后系统的暂态过程,进而获取多样化暂态稳定数据。
计算程序在计算机上使用Python 3.7编写完成,在多样化暂态稳定数据集中,原始输入特征数据为各母线电压相角/幅值,线路有功/无功功率,输入特征维度为170。为避免维度灾难,计算每个输入特征的重要度,结合关键特征选择阈值(设定为0.7),最终得到36维度的关键特征。
CatBoost的重要超参数包括学习率(learning rate)、L2正则化项(l2_leaf_reg)、树的最大深度(max_depth)和基学习器个数(n_estimators)。为了突出贝叶斯优化(Bayesian optimization,BO)的有效性,将其与网格搜索(grid search,GS)和随机搜索(randomized search,RS)进行比较。为了可视化搜索过程,分析部分超参数组合对评价指标的影响,如图4所示。在图4中,基于所得的评价指标数值对背景进行着色。从图4(a)-(d)可以看出,随机搜索得到的超参数分布是无规律的,容易导致所确定的超参数跳过最优区间。区别于随机搜索,贝叶斯优化通过高斯过程和POI提取函数确定超参数,更具科学性和合理性。此外,在图4(a)-(d)的最优区间中,贝叶斯优化得到的超参数点比随机搜索更多。
表1展示了不同超参数寻优方法所花时间以及效果。贝叶斯优化CatBoost具有最高的精度,得到的准确率为98.77%,召回率为98.44%,AUC为98.67%,分别比随机搜索优化CatBoost高了0.41%,1.57%和1.04%。网格搜索法的效果接近于贝叶斯优化,然而,网格搜索法所需时间是25h,是极其耗时的。贝叶斯优化所需时间为93.1s,为网格搜索法的0.1%,可满足在线应用需求。通过贝叶斯优化自动确定CatBoost的最佳超参数,避免了人为启发式超参数调整的耗时性和低效性。
表1不同调参算法比较
为了凸显本申请所提供的暂态稳定分类器(CatBoost)的优越性,比较了不同机器学习的评估性能,包括XGBoost、长短时记忆神经网(LSTM)、随机森林(RF)和决策树(DT),结果如表2所示。与其它四种机器学习方法相比,CatBoost拥有最高的准确率、召回率和AUC。对于XGBoost和LSTM,所得准确率和AUC与CatBoost较为接近。然而,其召回率分别比CatBoost低了2.52%、2.61%,难以实现对失稳状态的有效评估。DT为浅层神经网络,难以实现对高维度强非线性电力系统数据的有效挖掘,所得评价指标远低于CatBoost。
表2不同机器学习方法比较
所构建的暂态稳定评估子模型可以实现全自动化的暂态稳定评估流程,有效解决关键特征筛选、超参数确定等难题,且具有优异的预测性能。为了使得暂态稳定评估子模型更好满足实际需求,基于SHAP拓展暂态稳定评估子模型,实现对暂态稳定评估子模型评估结果的解释。
以三相短路故障发生在线路2-30,持续时间为0.1s为例,对本发明所提供的暂态稳定评估子模型的评估结果进行解释分析。图5解释了本发明所提供的暂态稳定评估子模型预测系统在三相短路故障后不能维持暂态稳定的原因。在图5中,箭头的宽度表示SHAP值的大小,即该特征对本发明所提供的暂态稳定评估结果影响的大小。左箭头表示该特征推动暂态稳定风险降低,而右箭头表示特征推动暂态稳定风险上升。由于推动暂态稳定风险上升的特征多且具有较大的影响,基于本发明所提供的暂态稳定评估子模型预测系统在故障后是失稳状态。母线3电压相角(θ3)、母线2电压相角(θ2),线路2-30有功功率(P2-30)和线路2-25无功功率(Q2-25)有更大的SHAP值,对所获的失稳评估结果有显著影响。上述特征都与故障母线2相关,体现了基于SHAP可解释子模型的可靠性和一致性。
为了进一步分析上述特征对本发明所提供的暂态稳定评估子模型输出结果的影响,展示上述特征的SHAP值分布,如图6所示。SHAP值越低,表示该特征使得暂态失稳风险越高。在图6中,当θ3和θ2处于较低水平时,暂态失稳风险较高;当P2-30处于正常水平[-220,-110]时(该水平与发电机G32的出力相关),暂态失稳风险较低;而当Q2-25超过70时,系统趋向于失去同步运行状态。在三相短路故障后,特征θ3、θ2、P2-30、和Q2-25均处于暂态失稳高风险区域,体现了本发明所提供的暂态稳定评估子模型评估结果的合理性和可信赖性。
在本发明上述方法项实施例的基础上,本发明对应提供了系统项实施例:
如图7所示本发明一实施例提供了一种基于自动化和可解释机器学习的暂态稳定评估系统,包括数据提取模块、暂态稳定状况评估与解释模块、暂态稳定评估子模型构建模块以及可解释子模型构建模块;
所述数据提取模块,用于获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
所述暂态稳定状况评估与解释模块,用于将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳状况,所述可解释子模型计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型构建模块,用于从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器进行重新迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型构建模块,用于获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
需说明的是,以上所描述的系统项实施例仅仅是示意性的,其中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。另外,本发明提供的系统项实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,包括:
获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳定状况,所述可解释子模型用于计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型的构建方法包括:从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器重新进行迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型的构建方法包括:获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
2.如权利要求1所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,所述计算每一所述原始特征数据的重要程度,根据每一所述原始特征数据的重要程度提取关键训练特征数据,具体包括:
根据每一所述原始特征数据在Catboost训练过程中的分割信息,通过以下公式计算每一所述原始特征数据的重要程度:
将重要程度超过预设特征选择阈值的原始特征数据,作为所述关键训练特征数据;
其中,fIF为每一所述原始特征数据的重要程度、c1为每一所述原始特征数据对应的决策树中左叶子节点中目标的总权重、c2为每一所述原始特征数据对应的决策树中右叶子节点中目标的总权重、v1为每一所述原始特征数据对应的决策树中左叶子节点的计算值、v2为每一所述原始特征数据对应的决策树中右叶子节点的计算值。
3.如权利要求2所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,通过高斯过程以及POI提取函数构建所述贝叶斯优化模型,且所述贝叶斯优化模型所对应的目标函数为:
maxW1*Accuracy+W2*Recall+W3*AUC;
其中,W1、W2以及W3均为权重系数;max为最大值函数;Accuracy为所述初始暂态稳定分类器的准确率;Recall为所述初始暂态稳定分类器的召回率;AUC为所述初始暂态稳定分类器ROC曲线下方的面积。
4.如权利要求3所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,通过以下公式计算所述准确率、召回率以及ROC曲线下方的面积;
式中:f11为稳定样本被准确评估为稳定样本的数目;f10为稳定样本被误判为不稳定样本的数目;f00为不稳定样本被准确评估为不稳定样本的数目;f01为不稳定样本被误判为稳定样本的数目;n+是被预测为稳定样本的数目;n-是被预测为不稳定样本的数目;x+表示被预测为稳定的样本;x-表示被预测为不稳定的样本;i为自变量表示第i个稳定样本;j为自变量表示第j个不稳定样本。
5.如权利要求1所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,所述计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型,具体包括:
通过以下公式计算各所述关键训练特征数据的SHAP值:
根据各所述关键训练特征的SHAP值构建如下可解释子模型:
其中,为关键训练特征数据的SHAP值;m表示第m个关键训练特征数据;M为所输入的关键训练特征数据的总个数;fx()为用于求取期望值的期望函数;S为关键训练特征数据所组成的集合;S′为S的子集;{m}表示第m个关键训练特征数据所对应的样本;/>为暂态稳定评估子模型对于所有关键训练特征数据的期望值;f(x)为可解释子模型。
6.如权利要求1所述基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,还包括:将所述监测数据以及所述电力系统的暂态稳定状况,存储至所述暂态稳定数据库中,以使所述暂态稳定评估子模型根据更新后的暂态稳定数据库进行动态更新。
7.一种基于自动化和可解释机器学习的暂态稳定评估系统,其特征在于,包括数据提取模块、暂态稳定状况评估与解释模块、暂态稳定评估子模型构建模块以及可解释子模型构建模块;
所述数据提取模块,用于获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
所述暂态稳定状况评估与解释模块,用于将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳状况,所述可解释子模型计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型构建模块,用于从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器进行重新迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型构建模块,用于获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507230.9A CN112508442B (zh) | 2020-12-18 | 2020-12-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011507230.9A CN112508442B (zh) | 2020-12-18 | 2020-12-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508442A CN112508442A (zh) | 2021-03-16 |
CN112508442B true CN112508442B (zh) | 2023-09-22 |
Family
ID=74922558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011507230.9A Active CN112508442B (zh) | 2020-12-18 | 2020-12-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508442B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297480B (zh) * | 2021-04-29 | 2023-03-14 | 上海淇玥信息技术有限公司 | 一种定制化信息发送方法、装置及电子设备 |
CN113285452B (zh) * | 2021-05-31 | 2023-03-10 | 四川大学 | 用于预判电力系统暂态失稳与生成切机控制策略的方法 |
CN113393165A (zh) * | 2021-07-12 | 2021-09-14 | 东南大学 | 一种具备可解释性的晶闸管换流阀运行状态评估方法 |
TWI773507B (zh) * | 2021-09-01 | 2022-08-01 | 國立陽明交通大學 | 預測系統可靠度之方法與裝置 |
CN113866391B (zh) * | 2021-09-29 | 2024-03-08 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
CN114780742B (zh) * | 2022-04-19 | 2023-02-24 | 中国水利水电科学研究院 | 一种灌区流量调度知识图谱问答系统构建与使用方法 |
CN116205310B (zh) * | 2023-02-14 | 2023-08-15 | 中国水利水电科学研究院 | 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242200A (zh) * | 2018-09-29 | 2019-01-18 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109921414A (zh) * | 2019-03-13 | 2019-06-21 | 华北电力大学 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
CN110718910A (zh) * | 2019-10-29 | 2020-01-21 | 国网四川省电力公司经济技术研究院 | 贝叶斯优化LightGBM的暂态稳定评估方法 |
CN111478314A (zh) * | 2020-03-20 | 2020-07-31 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态稳定评估方法 |
-
2020
- 2020-12-18 CN CN202011507230.9A patent/CN112508442B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242200A (zh) * | 2018-09-29 | 2019-01-18 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109921414A (zh) * | 2019-03-13 | 2019-06-21 | 华北电力大学 | 一种基于深度学习融合模型的电力系统暂态稳定评估方法 |
CN110718910A (zh) * | 2019-10-29 | 2020-01-21 | 国网四川省电力公司经济技术研究院 | 贝叶斯优化LightGBM的暂态稳定评估方法 |
CN111478314A (zh) * | 2020-03-20 | 2020-07-31 | 广西电网有限责任公司电力科学研究院 | 一种电力系统暂态稳定评估方法 |
Non-Patent Citations (2)
Title |
---|
基于XGBoost的电力系统暂态稳定预测方法;陈明华;刘群英;张家枢;陈树恒;张昌华;;电网技术(03);全文 * |
提升型贝叶斯分类器在电力系统暂态稳定评估中的应用;卢锦玲;朱永利;赵洪山;刘艳;;电工技术学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508442A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113256066B (zh) | 基于PCA-XGBoost-IRF的作业车间实时调度方法 | |
Guo et al. | Online identification of power system dynamic signature using PMU measurements and data mining | |
Wang et al. | Data-driven mode identification and unsupervised fault detection for nonlinear multimode processes | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
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 | |
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 | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
Tomin et al. | Random forest based model for preventing large-scale emergencies in power systems | |
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 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
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 | |
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 | |
CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 | |
CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
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 | |
Adhikari et al. | Real-Time Short-Term Voltage Stability Assessment using Temporal Convolutional Neural Network | |
Zamzam et al. | A two-stage CNN-LSTM model-based transient stability assessment for power system | |
Devie et al. | Transient stability prediction in multimachine system using data mining techniques | |
Dunwen et al. | A trainsient voltage stability evaluation model based on morphological similarity distance online calculation |
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 |