CN113537366A - 电力系统暂态稳定评估方法 - Google Patents
电力系统暂态稳定评估方法 Download PDFInfo
- Publication number
- CN113537366A CN113537366A CN202110823482.0A CN202110823482A CN113537366A CN 113537366 A CN113537366 A CN 113537366A CN 202110823482 A CN202110823482 A CN 202110823482A CN 113537366 A CN113537366 A CN 113537366A
- Authority
- CN
- China
- Prior art keywords
- sample
- power system
- feature
- training
- transient stability
- 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
Images
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力系统暂态稳定评估方法,该方法通过电力系统暂态稳定时域仿真得到原始特征数据集,通过支持向量机对其进行训练测试,得到对电力系统暂态稳定预测模型的准确率;使用Fisher Score特征选择算法对所有特征量进行重要性排序,按照重要性从高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率;通过绘制特征数量‑准确率曲线,得到准确率最大值,和与之对应的特征数量,根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。本发明在进行电力系统暂态稳定评估时尽可能地选取与电力系统的安全稳定运行更加相关的特征量,从而更加快速、准确地对电力系统的暂态稳定进行评估。
Description
技术领域
本发明属于电力系统安全稳定技术领域,具体地说,涉及一种的电力系统暂态稳定评估方法。
背景技术
电力系统暂态稳定是一直以来电力系统安全稳定运行的重点问题之一,也是电力系统中研究的一个重要课题。近年来,随着清洁能源的替代和电力系统电力电子化趋势的增强,传统的基于理论模型的电力系统数值仿真方法将面临新的挑战。所以,不依赖于元件模型的数据驱动型电力系统稳定评估方法逐渐受到重视。数据驱动型的电力系统稳定评估方法需要有大量的数据支撑,这就需要从电力系统的潮流运行中取得合适的特征集来对电力系统的稳定性进行表征。随着电网发展越来越迅速,电力系统的潮流运行中的特征量的数目十分庞大,在电网的安全稳定问题的研究中,找到起关键作用的特征对于电力系统的监控和安全运行十分重要。
电力系统在运行时能够提的潮流特征量数量众多,包括发电机的功角、出力、速度偏差以及线路上的潮流量等。但如果将所有相关的特征量都加入到电力系统暂态稳定评估模型中作为模型的输入量,容易导致模型训练困难,并且评估的准确率也会相应下降。特征选择主要是从电力系统的大量特征量中有针对性的选取部分相关性更高的特征量,使得对电力系统暂态稳定评估的准确率提高,进而能够更好地采取相关措施对电力系统安全稳定运行进行防护和控制。特征选择的方法主要分为三大类:过滤式(英文:Filter)特征选择、包裹式(英文:Wrapper)特征选择、嵌入式(英文:Embedding)特征选择。过滤式特征选择是先对数据集进行特征选择,然后再对学习模型进行训练,特征选择与后续学习过程无关。包裹式特征选择是直接把最终将要使用的模型性能作为特征子集的评价准则,但是在特征选择的过程中要对学习模型进行多次训练,计算复杂度比过滤式高。嵌入式特征选择是将特征选择过程与学习模型的训练过程融为一体,两者在同一个过程中完成。
目前对于电力系统暂态稳定评估的特征集的选择一般是依据运行经验选取潮流量,但由于电网的复杂性逐渐增加,仅依靠人工经验很难准确、全面地掌握电网的运行规律,依靠经验选取特征可能会忽视电网运行的潜在问题。
发明内容
本发明针对现有电力系统暂态稳定评估方法存在的准确性差等上述问题,提供一种电力系统暂态稳定评估方法,能够提高电力系统暂态稳定评估的准确率。
为了达到上述目的,本发明提供了一种电力系统暂态稳定评估方法,其具体步骤为:
S1、构建原始特征数据集;
根据对电力系统正常运行时的各个潮流量变化的规律,选择出与电力系统安全稳定运行相关联的特征数据构建原始特征数据集;根据电力系统时域仿真,通过设置不同的故障条件得到相关稳定运行的数据,并对仿真所取得的数据进行标记,准确区分系统稳定和系统失稳;将原始特征数据集中的每一个特征量记为Xi,i=1,2,...,N,一共N个特征量;将通过电力系统时域仿真得到的数据作为样本,记为[a1 a2 … an]T,将一共n个样本数据形成特征矩阵作为输入的样本矩阵,则原始数据样本矩阵F表示为:
式中,每一行表示一个样本数据,其中fhg,h=1,2,...,n,g=1,2,...,N,表示第h个样本的第g维特征;
对每个样本的稳定判断结果进行标记,结果记为Yi,i=1,2,...,n一共n个判断结果,当Yi=1时,判断结果表示稳定,当Yi=0时,判断结果表示失稳;则与特征矩阵F对应的标记向量表示为:
S2、使用Fisher Score特征选择算法对所有特征量进行重要性排序;其步骤为:
将通过电力系统时域仿真软件得到的所有样本数据所构建的样本矩阵F以及每个样本所对应的标记向量矩阵L作为输入,通过Fisher Score特征选择算法,将所有特征的序号作为输出,按照每个特征对电力系统暂态稳定的重要性大小对其进行排序;
S3、通过支持向量机对数据进行学习训练;
S31、将原始的n组样本数据随机分为训练数据集和测试数据集,其中,训练数据集共含有n1组样本,测试数据集共含有n2组样本;
S32、通过使用n1组训练样本数据集对支持向量机进行训练,调整支持向量机的参数,得到电力系统暂态稳定的预测模型,再使用n2组测试样本数据对所训练的预测模型进行测试,得到预测模型的准确率;
S4、通过使用Fisher Score特征选择算法选择出电力系暂态稳定的关键特征量;
S41、通过S2中所得到的所有特征的重要性排序,按照重要性从高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率;
S42、通过绘制特征数量-准确率曲线,得到准确率最大值,和与之对应的特征数量,根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。
优选的,在步骤S2中,利用Fisher Score特征选择算法对原始特征数据集中的特征维度进行计算和排序的具体步骤为:
根据Fisher Score特征选择算法的原理,第i个特征fi下类间散度Sb(fi)越大,c个类别的类内散度之和St(fi)越小,得到训练样本第i个特征fi的FisherScore值为:
式中,FS(fi)为训练样本第i个特征fi的FisherScore值;
通过公式(4)计算通过电力系统时域仿真所构建的电力系统暂态稳定的原始特征数据集中各个特征维度的FisherScore值,将所有特征维度按照与电力系统的暂态稳定性的相关性从高到低排序。
优选的,在步骤S3中,训练支持向量机的过程为:
给定线性可分训练数据集,由数据集训练得到的超平面为:
H:ω*·x+b*=0 (5)
式中,H表示超平面,ω*表示权值向量,x表示给定的训练样本集,b*表示偏置;
距离超平面H最近的样本正好落在H1和H2,H1表示第一类样本距离超平面最近的样本点所构成的平面,H2表示第二类样本距离超平面距离最近的样本点所构成的平面,这样的样本为支持向量;分类决策面的决策函数表示为:
f(x)=sign(ω*·x+b*) (6)
式中,f(x)表示分类决策面的决策函数;
公式(6)所述决策函数即为线性支持向量机;
给定数据集D=(x1,y1),(x2,y2),...,(xn,yn),yi={1,-1},xi,i=1,2,...,n表示期望输入样本,yi,i=1,2,...,n为期望样本输出,表示标签,取值为1和-1,由超平面所有其它样本均满足:
样本空间中任意一点到最优平面的距离r为:
通过公式(8)得到分类间隔为:
式中,ρ表示分类间隔,即H1和H2之间的间隔距离;
通过决策函数保证分开样本且间隔最大,则线性分类问题转化为带约束的最值问题,表示为:
对于分类错误的离群点,在公式(10)中加入松弛变量ξi≥0、惩罚因子C≥0,松弛变量ξi和惩罚因子C的取值分别决定对样本分类错误的容忍程度和惩罚程度,得到:
通过公式(11)完成利用支持向量机对训练数据集的分类学习工作。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供的电力系统暂态稳定评估方法,采用支持向量机,对支持向量机进行训练,支持向量机训练完毕之后得到电力系统暂态稳定的预测模型,利用通过电力系统时域仿真得到的测试数据集对训练后得到的预测模型进行测试,得到预测模型的准确率。再利用Fisher Score特征选择算法,对所有特征量进行重要性排序,按照重要性由高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率,通过绘制特征数量-准确率曲线得到准确率最大值和与之对应的特征树龄,根据特征数量和重要性排序即可得到与电力系统暂态稳定评估的的关键特征量,使电力系统暂态稳定评估能够更加准确、迅速的进行,对智能电网的构建和保障用户的用电需求具有重大意义。
附图说明
图1为本发明实施例所述电力系统暂态稳定评估方法的流程图;
图2为本发明实施例所述电力系统暂态稳定评估方法采用Fisher算法对特征维度进行选择后的准确率-特征维度曲线图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1,本发明实施例提供了一种电力系统暂态稳定评估方法,其具体步骤为:
S1、构建原始特征数据集;
根据对电力系统正常运行时的各个潮流量变化的规律,选择出与电力系统安全稳定运行相关联的特征数据构建原始特征数据集;根据电力系统时域仿真,通过设置不同的故障条件得到相关稳定运行的数据,并对仿真所取得的数据进行标记,准确区分系统稳定和系统失稳;将原始特征数据集中的每一个特征量记为Xi,i=1,2,...,N,一共N个特征量;将通过电力系统时域仿真得到的数据作为样本,记为[a1 a2 … an]T,将一共n个样本数据形成特征矩阵作为输入的样本矩阵,则原始数据样本矩阵F表示为:
式中,每一行表示一个样本数据,其中fhg,h=1,2,...,n,g=1,2,...,N,表示第h个样本的第g维特征;
对每个样本的稳定判断结果进行标记,结果记为Yi,i=1,2,...,n一共n个判断结果,当Yi=1时,判断结果表示稳定,当Yi=0时,判断结果表示失稳;则与特征矩阵F对应的标记向量表示为:
S2、使用Fisher Score特征选择算法对所有特征量进行重要性排序;其步骤为:
将通过电力系统时域仿真软件得到的所有样本数据所构建的样本矩阵F以及每个样本所对应的标记向量矩阵L作为输入,通过Fisher Score特征选择算法,将所有特征的序号作为输出,按照每个特征对电力系统暂态稳定的重要性大小对其进行排序。
具体地,利用Fisher Score特征选择算法对原始特征数据集中的特征维度进行计算和排序的具体步骤为:
根据Fisher Score特征选择算法的原理,第i个特征fi下类间散度Sb(fi)越大,c个类别的类内散度之和St(fi)越小,得到训练样本第i个特征fi的Fisher Score值为:
式中,FS(fi)为训练样本第i个特征fi的Fisher Score值;
通过公式(4)计算通过电力系统时域仿真所构建的电力系统暂态稳定的原始特征数据集中各个特征维度的FisherScore值,将所有特征维度按照与电力系统的暂态稳定性的相关性从高到低排序。
S3、通过支持向量机对数据进行学习训练;
S31、将原始的n组样本数据随机分为训练数据集和测试数据集,其中,训练数据集共含有n1组样本,测试数据集共含有n2组样本。
S32、通过使用n1组训练样本数据集对支持向量机进行训练,调整支持向量机的参数,得到电力系统暂态稳定的预测模型,再使用n2组测试样本数据对所训练的预测模型进行测试,得到预测模型的准确率。
具体地,本发明训练支持向量机采用上述二值分类机理,所述支持向量机的训练过程为:
给定线性可分训练数据集,由数据集训练得到的超平面为:
H:ω*·x+b*=0 (5)
式中,H表示超平面,ω*表示权值向量,x表示给定的训练样本集,b*表示偏置;
距离超平面H最近的样本正好落在H1和H2,H1表示第一类样本距离超平面最近的样本点所构成的平面,H2表示第二类样本距离超平面距离最近的样本点所构成的平面,这样的样本为支持向量;分类决策面的决策函数表示为:
f(x)=sign(ω*·x+b*) (6)
式中,f(x)表示分类决策面的决策函数;
公式(6)所述决策函数即为线性支持向量机;
给定数据集D=(x1,y1),(x2,y2),...,(xn,yn),yi={1,-1},xi,i=1,2,...,n表示期望输入样本,yi,i=1,2,...,n为期望样本输出,表示标签,取值为1和-1,由超平面所有其它样本均满足:
样本空间中任意一点到最优平面的距离r为:
通过公式(8)得到分类间隔为:
式中,ρ表示分类间隔,即H1和H2之间的间隔距离;
通过决策函数保证分开样本且间隔最大,则线性分类问题转化为带约束的最值问题,表示为:
对于分类错误的离群点,在公式(10)中加入松弛变量ξi≥0、惩罚因子C≥0,松弛变量ξi和惩罚因子C的取值分别决定对样本分类错误的容忍程度和惩罚程度,得到:
通过公式(11)完成利用支持向量机对训练数据集的分类学习工作。
需要说明的是,通过准确率及其对应的特征维度数目来选择准确率最高的特征维度,这样一来就可以在所有的特征中选择与电力系统暂态稳定性的相关性最高的特征,从而保证通过支持向量机训练的电力系统暂态稳定评估模型有更高的准确率。
S4、通过使用Fisher Score特征选择算法选择出电力系暂态稳定的关键特征量;其具体步骤为:
S41、通过S2中所得到的所有特征的重要性排序,按照重要性从高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率;
S42、通过绘制特征数量-准确率曲线,得到准确率最大值,和与之对应的特征数量,根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。
为了说明本发明上述电力系统暂态稳定评估方法的效果,以下以评估IEEE10机39节点电力系统的暂态稳定性为例对本发明提出的一种电力系统暂态稳定评估方法进行说明,其进行电力系统暂态稳定评估的具体步骤为:
S1、构建原始特征数据集;
使用中国电科院设计的PSD-BPA电力系统仿真软件对IEEE10机39节点进行时域仿真,得到与电力系统暂态稳定性相关的一系列仿真数据,并确定了包括发电机功角、母线有功负荷、母线无功负荷等在内的原始特征数据集,特征维度共有50维,仿真共得到4800组样本数据;
将原始特征数据集中的每一个特征量记为Xi,i=1,2,...,N,一共N个特征量,其中N=50,将通过电力系统时域仿真得到的数据作为样本,记为[a1 a2 … an]T,将一共n个样本数据,其中n=4800,形成特征矩阵作为输入的样本矩阵,则原始数据样本矩阵F表示为:
式中,每一行表示一个样本数据,其中fhg,h=1,2,...,n,g=1,2,...,N,表示第h个样本的第g维特征;
将每个样本的稳定判断结果对其进行标记,结果记为Yi,i=1,2,...,n一共n个判断结果,n=4800,当Yi=1时,判断结果表示稳定,当Yi=-1时,判断结果表示失稳;则与特征矩阵F对应的标记向量表示为:
S2、使用Fisher Score特征选择算法对原始样本数据的特征进行重要性排序;
将通过电力系统时域仿真软件得到的所有样本数据所构建的样本矩阵F以及每个样本所对应的标记向量矩阵L作为输入,通过Fisher Score特征选择算法,将所有特征的序号作为输出,按照每个特征对电力系统暂态稳定的重要性大小对其进行排序;其具体步骤为:
(1)给定特征集F={f1,f2,...,fn},其中n=4800,上取自2个类别的训练样本xj∈Rn,j=1,2,...,n,定义训练样本第i个特征fi的类间散度Sb(fi)和第k类样本在第i个特征fi下的类内散度为:
(2)根据Fisher Score特征选择算法的原理,当使第i个特征fi下类间散度Sb(fi)越大越好,2个类别的类内散度之和St(fi)越小越好,就能够得到训练样本第i个特征fi的Fisher Score值:
(3)从上述公式可以看出,Fisher Score值中第i个特征fi的类间散度越大,类内散度越小,则FS(fi)的值越大,说明特征fi的辨识能力越强,即该特征与模型内训练数据集的相关性越大;
(4)通过Fisher Score特征选择算法计算通过电力系统时域仿真所构建的电力系统暂态稳定的原始数据集中各个特征维度的Fisher Score值,将所有特征维度按照与电力系统的暂态稳定性的相关性从高到低排序,得到的特征索引排序结果为:
按照所排顺序将特征维度依次设置训练数据集和测试数据集,分别通过支持向量机来训练测试得到准确率,根据测试结果绘制准确率-特征维度曲线如图2所示;
(5)通过准确率及其对应的特征维度数目来选择准确率最高的特征维度,这样一来就可以在所有的特征中选择与电力系统暂态稳定性的相关性最高的特征,从而保证通过支持向量机训练的电力系统暂态稳定评估模型有更高的准确率。
S3、通过支持向量机对数据进行学习训练;
(1)将原始的n=4800组样本数据随机分为训练数据集和测试数据集,其中,训练数据集共含有n1=3000组样本,测试数据集共含有n2=1800组样本。
(2)通过使用n1组训练数据集样本对支持向量机进行训练,调整支持向量机的参数,得到电力系统暂态稳定的预测模型,再使用n2组测试数据集样本对所训练的预测模型进行测试,得到预测模型的准确率;所述支持向量机的训练过程为:
(1)给定线性可分训练数据集,由数据集训练得到的超平面为:
H:ω*·x+b*=0 (5)
式中,H表示超平面,ω*表示权值向量,x表示给定的训练样本集,b*表示偏置;
距离超平面H最近的样本正好落在H1和H2,H1表示第一类样本距离超平面最近的样本点所构成的平面,H2表示第二类样本距离超平面距离最近的样本点所构成的平面,这样的样本为支持向量;
决策函数为:
f(x)=sign(ω*·x+b*) (6)
成为线性支持向量机。
(2)给定数据集D=(x1,y1),(x2,y2),...,(xn,yn),y={1,-1},y是标签,因为只有稳定和失稳两种情况,所以为二分类,故取值只有1和-1,期望输入样本xi,输出y={1,-1},由超平面
所有其它样本均满足:
样本空间中任意一点到最优平面的距离为:
通过上述公式得到分类间隔为:
即H1和H2之间的间隔距离;
(3)通过决策函数来保证分开样本且间隔最大,线性分类问题可以转化为带约束的最值问题:
对于分类错误的离群点,需要在上式中加入松弛变量ξi≥0,惩罚因子C≥0,两者取值分别决定了对样本分类错误的容忍程度和惩罚程度,得到:
通过以上步骤,完成对支持向量机的模型训练工作,得到使用支持向量机对电力系统暂态稳定性进行评估的评估准确率为90.61%.
S4、通过使用Fisher Score特征选择算法选择出电力系暂态稳定的关键特征量
(1)通过S2中所得到的所有特征的重要性排序,按照重要性从高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率。
(2)通过绘制特征数量-准确率曲线,得到准确率最大值,和与之对应的特征数量,根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。
参见对图2,通过对图2准确率-特征维度曲线图的分析,可以看出随着与电力系统暂态稳定性相关性小的特征维度越来越多,对电力系统暂态稳定评估的准确率会从最大值逐渐下降。其中,最大准确率为98.17%,其对应的特征维度数为25。
通过表1中的数据,能够更直观地体现出在原始特征数据集中按照Fisher算法得出顺序的前25维特征与电力系统暂态稳定性的相关性更高,也能保证在进行电力系统暂态稳定性评估时具有更高的准确率。
表1
特征维度 | 全部原始特征50维 | Fisher特征选择后的25维 |
准确率 | 90.61% | 98.17% |
以上所述的具体实施方案对本发明的目的和技术方案进行了进一步的详细说明,熟知本领域的技术人员将理解,以上所述仅为本发明的具体实施方案而已,并非用以限定本发明的保护范围。
Claims (3)
1.一种电力系统暂态稳定评估方法,其特征在于,其具体步骤为:
S1、构建原始特征数据集;
根据对电力系统正常运行时的各个潮流量变化的规律,选择出与电力系统安全稳定运行相关联的特征数据构建原始特征数据集;根据电力系统时域仿真,通过设置不同的故障条件得到相关稳定运行的数据,并对仿真所取得的数据进行标记,准确区分系统稳定和系统失稳;将原始特征数据集中的每一个特征量记为Xi,i=1,2,...,N,一共N个特征量;将通过电力系统时域仿真得到的数据作为样本,记为[a1 a2 … an]T,将一共n个样本数据形成特征矩阵作为输入的样本矩阵,则原始数据样本矩阵F表示为:
式中,每一行表示一个样本数据,其中fhg,h=1,2,...,n,g=1,2,...,N,表示第h个样本的第g维特征;
对每个样本的稳定判断结果进行标记,结果记为Yi,i=1,2,...,n一共n个判断结果,当Yi=1时,判断结果表示稳定,当Yi=0时,判断结果表示失稳;则与特征矩阵F对应的标记向量表示为:
S2、使用Fisher Score特征选择算法对所有特征量进行重要性排序;其步骤为:
将通过电力系统时域仿真软件得到的所有样本数据所构建的样本矩阵F以及每个样本所对应的标记向量矩阵L作为输入,通过Fisher Score特征选择算法,将所有特征的序号作为输出,按照每个特征对电力系统暂态稳定的重要性大小对其进行排序;
S3、通过支持向量机对数据进行学习训练;
S31、将原始的n组样本数据随机分为训练数据集和测试数据集,其中,训练数据集共含有n1组样本,测试数据集共含有n2组样本;
S32、通过使用n1组训练样本数据集对支持向量机进行训练,调整支持向量机的参数,得到电力系统暂态稳定的预测模型,再使用n2组测试样本数据对所训练的预测模型进行测试,得到预测模型的准确率;
S4、通过使用Fisher Score特征选择算法选择出电力系暂态稳定的关键特征量;
S41、通过S2中所得到的所有特征的重要性排序,按照重要性从高到低的顺序,将特征量依次加入到训练好的预测模型中,测试评估准确率;
S42、通过绘制特征数量-准确率曲线,得到准确率最大值,和与之对应的特征数量,根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。
2.如权利要求1所述的电力系统暂态稳定评估方法,其特征在于,步骤S2中,利用Fisher Score特征选择算法对原始特征数据集中的特征维度进行计算和排序的具体步骤为:
根据Fisher Score特征选择算法的原理,第i个特征fi下类间散度Sb(fi)越大,c个类别的类内散度之和St(fi)越小,得到训练样本第i个特征fi的Fisher Score值为:
式中,FS(fi)为训练样本第i个特征fi的Fisher Score值;
通过公式(4)计算通过电力系统时域仿真所构建的电力系统暂态稳定的原始特征数据集中各个特征维度的Fisher值,将所有特征维度按照与电力系统的暂态稳定性的相关性从高到低排序。
3.如权利要求1所述的电力系统暂态稳定评估方法,其特征在于,步骤S3中,训练支持向量机的过程为:
给定线性可分训练数据集,由数据集训练得到的超平面为:
H:ω*·x+b*=0 (5)
式中,H表示超平面,ω*表示权值向量,x表示给定的训练样本集,b*表示偏置;
距离超平面H最近的样本正好落在H1和H2,H1表示第一类样本距离超平面最近的样本点所构成的平面,H2表示第二类样本距离超平面距离最近的样本点所构成的平面,这样的样本为支持向量;分类决策面的决策函数表示为:
f(x)=sign(ω*·x+b*) (6)
式中,f(x)表示分类决策面的决策函数;
公式(6)所述决策函数即为线性支持向量机;
给定数据集D=(x1,y1),(x2,y2),...,(xn,yn),yi={1,-1},xi,i=1,2,...,n表示期望输入样本,yi,i=1,2,...,n为期望样本输出,表示标签,取值为1和-1,由超平面所有其它样本均满足:
样本空间中任意一点到最优平面的距离r为:
通过公式(8)得到分类间隔为:
式中,ρ表示分类间隔,即H1和H2之间的间隔距离;
通过决策函数保证分开样本且间隔最大,则线性分类问题转化为带约束的最值问题,表示为:
对于分类错误的离群点,在公式(10)中加入松弛变量ξi≥0、惩罚因子C≥0,松弛变量ξi和惩罚因子C的取值分别决定对样本分类错误的容忍程度和惩罚程度,得到:
通过公式(11)完成利用支持向量机对训练数据集的分类学习工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823482.0A CN113537366B (zh) | 2021-07-21 | 2021-07-21 | 电力系统暂态稳定评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823482.0A CN113537366B (zh) | 2021-07-21 | 2021-07-21 | 电力系统暂态稳定评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537366A true CN113537366A (zh) | 2021-10-22 |
CN113537366B CN113537366B (zh) | 2023-09-05 |
Family
ID=78100747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110823482.0A Active CN113537366B (zh) | 2021-07-21 | 2021-07-21 | 电力系统暂态稳定评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537366B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN109636248A (zh) * | 2019-01-15 | 2019-04-16 | 清华大学 | 适用于电力系统暂态稳定评估的特征选择方法及装置 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力系统暂态稳定评估方法 |
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
CN112069723A (zh) * | 2020-07-17 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种用于评估电力系统暂态稳定的方法及系统 |
-
2021
- 2021-07-21 CN CN202110823482.0A patent/CN113537366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN109636248A (zh) * | 2019-01-15 | 2019-04-16 | 清华大学 | 适用于电力系统暂态稳定评估的特征选择方法及装置 |
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力系统暂态稳定评估方法 |
CN112069723A (zh) * | 2020-07-17 | 2020-12-11 | 中国电力科学研究院有限公司 | 一种用于评估电力系统暂态稳定的方法及系统 |
Non-Patent Citations (1)
Title |
---|
应鸿;姜黎莉;李鑫;林琳;: "基于v-NPSVM的暂态稳定评估方法研究", 东北电力大学学报, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537366B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
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 | |
CN108090615B (zh) | 基于交叉熵集成学习的电力系统故障后最低频率预测方法 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN107590604B (zh) | 一种结合s变换和2dpca的同调机组分群方法及系统 | |
CN112308341A (zh) | 电力数据的处理方法和装置 | |
CN114970643A (zh) | 一种基于umap降维算法的高速电主轴故障识别方法 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
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 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN116561573A (zh) | 一种电压稳定评估的训练集循环分裂训练方法 | |
CN111400966A (zh) | 一种基于改进AdaBoost的电力系统静态电压稳定评估方法 | |
CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
CN111695623B (zh) | 基于模糊聚类的大规模电池储能系统成组建模方法、系统、设备及可读存储介质 | |
CN106055761B (zh) | 一种基于决策树分类的负荷模型参数校验方法 | |
CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
CN113537366B (zh) | 电力系统暂态稳定评估方法 | |
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 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
Javan et al. | On-line voltage and power flow contingencies ranking using enhanced radial basis function neural network and kernel principal component analysis | |
CN114139482A (zh) | 一种基于深度度量学习的eda电路失效分析方法 |
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 |