CN113591367A - 电力系统暂态稳定智能评估模型的可靠性评估方法及系统 - Google Patents

电力系统暂态稳定智能评估模型的可靠性评估方法及系统 Download PDF

Info

Publication number
CN113591367A
CN113591367A CN202110711677.6A CN202110711677A CN113591367A CN 113591367 A CN113591367 A CN 113591367A CN 202110711677 A CN202110711677 A CN 202110711677A CN 113591367 A CN113591367 A CN 113591367A
Authority
CN
China
Prior art keywords
domain
reliable
samples
data
radius
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.)
Pending
Application number
CN202110711677.6A
Other languages
English (en)
Inventor
周子涵
卜广全
马士聪
王国政
郭剑波
范士雄
黄彦浩
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 Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202110711677.6A priority Critical patent/CN113591367A/zh
Publication of CN113591367A publication Critical patent/CN113591367A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力系统暂态稳定智能评估模型的可靠性评估方法及系统，包括：将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分；采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新；利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。

Description

电力系统暂态稳定智能评估模型的可靠性评估方法及系统
技术领域
本发明涉及电力系统安全稳定运行分析技术领域，并且更具体地，涉及一种电力系统暂态稳定智能评估模型的可靠性评估方法及系统。
背景技术
随着我国电力系统交直流混联程度的不断扩大，以及可再生能源的渗透率不断提高，电网不确定性、脆弱性增加，运行工况变得更加复杂，分析调控难度增大。暂态稳定问题是影响电力系统安全稳定运行的重要因素，历史上多次停电事故均有暂态失稳有关，如何快速准确地评估暂态稳定性对电力系统安全稳定运行有着重要意义。
传统的暂态稳定评估方法主要包括时域仿真法和直接法，时域仿真法通过建立实际电网的数学模型，求解电网的动态特性，是目前广泛应用的暂态稳定分析方法，但其精确度受模型建模精度的影响，并且计算负担较大；直接法从系统能量的角度来判断系统稳定性，物理意义明确，但对于复杂系统和详细模型，该方法缺乏有效的暂态能量函数构造方法。相比于传统方法，基于人工智能的暂态稳定评估方法不需要对电力系统的详细建模，基于对数据的充分挖掘，建立输入特征与暂态稳定性的映射关系，其计算速度快，是实现电网暂态稳定实时评估的一种有效途径。
目前，人工神经网络、支持向量机、卷积神经网络、图神经网络等人工智能方法在电力系统暂态稳定评估中得到广泛应用，并取得了一些良好的效果，但人工智能模型的可靠性问题仍然突出，极大地制约着其在电网中的实际应用。在提高模型可靠性方面，目前的研究均是从暂稳预测模型设计优化的角度考虑，对所训练人工智能模型的性能依赖性较强，当所训练模型在测试数据上表现不佳时，上述方法可能难以达到理想的效果，而人工智能模型的性能需要海量、优质、无偏的数据集来支撑，在电力系统暂态稳定问题中，电网运行方式是影响电网稳定性的重要特征，但电网运行方式的变化难以事前考虑全面，特别是在高比例新能源电力系统下，电网运行方式更加难以预测，用于离线训练的样本空间难以覆盖完全。
因此，急需建立暂稳预测模型的可靠性评估机制，提高离线训练模型面对在线方式时的结果可靠性。
发明内容
本发明提出一种电力系统暂态稳定智能评估模型的可靠性评估方法及系统，以解决如何快速准确评估暂态稳定智能评估模型的评估可靠性的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种电力系统暂态稳定智能评估模型的可靠性评估方法，所述方法包括：
根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分；
采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新；
利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
优选地，其中所述方法利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的训练样本进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure BDA0003134019480000031
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure BDA0003134019480000032
为异常域样本除外的模型误判样本的经shapley值加权的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
优选地，其中所述方法利用如下方式确定样本属于数据空间可靠域，包括：
Figure BDA0003134019480000033
所述方法利用如下方式样本属于确定异常域，包括：
Figure BDA0003134019480000034
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；
Figure BDA0003134019480000035
为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure BDA0003134019480000036
为第j个异常域的核心；
Figure BDA0003134019480000037
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
优选地，其中所述基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定方法时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
优选地，其中所述方法利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure BDA0003134019480000041
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure BDA0003134019480000042
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
根据本发明的另一个方面，提供了一种电力系统暂态稳定智能评估模型的可靠性评估系统，所述系统包括：
域划分单元，用于根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分；
域更新单元，用于采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新；
可靠性评估单元，用于利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
优选地，其中所述域划分单元，利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的输入特征进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure BDA0003134019480000051
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure BDA0003134019480000052
为异常域样本除外的模型误判样本的经shapley值加权的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
优选地，其中所述域划分单元，利用如下方式确定样本属于数据空间可靠域，包括：
Figure BDA0003134019480000053
所述系统利用如下方式样本属于确定异常域，包括：
Figure BDA0003134019480000054
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；
Figure BDA0003134019480000061
为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure BDA0003134019480000062
为第j个异常域的核心；
Figure BDA0003134019480000063
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
优选地，其中所述域更新单元，基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定系统时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
优选地，其中所述域更新单元，利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure BDA0003134019480000064
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure BDA0003134019480000065
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
本发明提供了一种电力系统暂态稳定智能评估模型的可靠性评估方法及系统，经shapley值加权的特征空间上划分数据空间可靠域、数据空间不确定域和异常域，用于暂态稳定智能评估模型的可靠性评估，并针对增量数据，对数据空间可靠域进行持续性更新，从而实现可靠域的持续趋优，最后根据暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试结果在任一可靠域中并不在任何异常域中时，确定所述预测结果的可靠性满足要求；本发明通过划分模型可靠评估的数据范围，达到了评估模型结果可靠性评估的目的。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的电力系统暂态稳定智能评估模型的可靠性评估方法100的流程图；
图2为根据本发明实施方式的数据空间划分的示意图；
图3为根据本发明实施方式的数据空间可靠域更新的示意图；
图4为根据本发明实施方式的数据空间可靠域更新的流程图；
图5为根据本发明实施方式的电力系统暂态稳定智能评估模型的可靠性评估系统500的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的电力系统暂态稳定智能评估模型的可靠性评估方法100的流程图。如图1所示，本发明实施方式提供的电力系统暂态稳定智能评估模型的可靠性评估方法，经shapley值加权的特征空间上划分数据空间可靠域、数据空间不确定域和异常域，用于暂态稳定智能评估模型的可靠性评估，并针对增量数据，对数据空间可靠域进行持续性更新，从而实现可靠域的持续趋优，最后根据暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试结果在任一可靠域中并不在任何异常域中时，确定所述预测结果的可靠性满足要求；本发明通过划分模型可靠评估的数据范围，达到了评估模型结果可靠性评估的目的。本发明实施方式提供的电力系统暂态稳定智能评估模型的可靠性评估方法100，从步骤101处开始，在步骤101根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分。
优选地，其中所述方法利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的输入特征进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure BDA0003134019480000081
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure BDA0003134019480000082
为异常域样本除外的模型误判样本的经shapley值加权的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
优选地，其中所述方法利用如下方式确定样本属于数据空间可靠域，包括：
Figure BDA0003134019480000091
所述方法利用如下方式样本属于确定异常域，包括：
Figure BDA0003134019480000092
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；
Figure BDA0003134019480000093
为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure BDA0003134019480000094
为第j个异常域的核心；
Figure BDA0003134019480000095
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
在本发明中，对于暂态稳定智能评估模型，可根据模型评估结果可靠性的不同，基于训练样本集，将样本空间S划分为可靠性高的数据空间可靠域Sc、可靠性低的数据空间不确定域Sunc以及异常域Ss，如图2所示。
(1)数据空间可靠域Sc
数据空间可靠域是指暂稳预测模型在样本空间上可以正确预测的区域，训练集中模型可以正确预测的数据应在该区域内具有一定的样本密度，对于这些区域内的样本，认为模型所得结果的可靠性较高。
(2)数据空间不确定域Sunc
数据空间不确定域是指样本空间内，除可靠域之外的区域，该区域一部分是训练样本未包含的样本区域，一部分是训练样本中模型难以准确预测的区域，对于这些区域内的样本，认为模型所得结果的可靠性较低。
(3)异常域Ss
由于样本特征选择的不完全，在模型正确预测的样本群内可能出现极少量的误判样本，若采用调整可靠域范围的方法对这些异常点进行规避，则会使得一部分正确预测样本无法包含在可靠域内，造成可靠域范围上的损失。因此，为尽可能增加可靠域能确定的样本范围，并不失准确性，采用设置异常域的方法对这些局部异常样本进行规避。
在本发明中，采用域核心和域半径确定域的范围，如式(1)和式(2)所示，当样本点与域核心的欧氏距离小于相应域半径时，则该样本点在相应的域内。
Figure BDA0003134019480000101
Figure BDA0003134019480000102
其中，x表示样本点，
Figure BDA0003134019480000103
表示第i个可靠域的核心，ri c表示第i个可靠域的半径，Nc表示可靠域的个数，
Figure BDA0003134019480000104
表示第j个异常域的核心，
Figure BDA0003134019480000105
表示第j个异常域的半径，Ns表示异常域的个数。
本发明数据空间可靠域的计算分为域中心的计算和域半径的计算两个步骤。
(1)域中心的计算方法
域中心的计算分为特征变换、聚类分析、密度削减和边缘点削减四个步骤。
其中，特征变换是对原始输入特征进行变换，使得变换后的输入特征能够表征样本输入特征的相似度以及SHAP解释过程相似度。在该步骤中，本发明将输入特征以其shapley值进行加权变换，从而使得变换后的特征能够表征原始特征相似度和SHAP解释过程相似度，如式(3)所示，Si为原始特征xi加权后的特征值。
Si＝xi×SHAP(xi) (3)
其中，聚类分析旨在确定初始的域中心位置，采用k-means的方法对经shapley值加权后的训练样本空间进行聚类，将聚类中心作为初始的域中心。
其中，密度削减是根据域中心附近的样本数来确定是否进行削减，保证留下的域中心周围有足够多的样本点。削减方法为当某域中心邻域半径内的样本数小于最小样本数时，对该域中心进行削减，其中邻域半径和最小样本数为可调参数。
其中，边缘点削减是对于一些位于模型能正确预测区域与不能正确预测区域交界处的域中心进行削减，从而避免域中心靠近这些边界区域。削减方法为当某域中心邻域半径内存在一定数量的模型误判样本时，对该域中心进行削减，其中邻域半径及样本数量为可调参数。
(2)域半径的计算方法
为了尽可能扩大可靠域所能确定的样本范围，并减少模型误判样本落在可靠域内的可能性，本文采用式所示方法计算域半径，令第i个域中心ri c为ri cc、λri sc、ri max的中较小者。
Figure BDA0003134019480000111
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与模型误判样本(异常域样本除外)距离的最小值，
Figure BDA0003134019480000112
为模型误判样本(异常域样本除外)的经shapley值加权后的输入特征，Ninacc为模型误判样本(异常域样本除外)的数量，λ为比例系数，保证可靠域边界与
Figure BDA0003134019480000113
有一定裕度，ri max为第i个域中心的域半径上限。
在本发明中，异常域是可靠域内的极小部分异常区域，虽然这一区域在可靠域内，但模型无法正确预测该区域的样本。异常域是以可靠域中的误判样本为域中心，以与其最邻近正确预测样本的距离为半径构成，其中异常域中心样本的判定方法为当某误判样本在一定领域半径内的正确预测样本数达到一定数量时，则应认为该样本是一个异常域中心样本。
在步骤102，采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新。
优选地，其中所述基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定方法时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
优选地，其中所述方法利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure BDA0003134019480000121
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure BDA0003134019480000122
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
随着数据的不断积累，已训练模型对更广泛样本的预测能力不断显现，基于可靠域外正确预测数据以及误判数据对数据空间可靠域进行持续性的更新，包括域半径修正、异常域补全以及可靠域扩展。
如图3所示，域半径修正是对已知可靠域的半径进行修正，当可靠域内出现非异常域的误判样本时，将该可靠域半径缩小为域中心至该样本的距离的λ倍。异常域补全是对已知可靠域中的异常域进行补全，当可靠域中出现误判样本并满足前述异常域样本判定方法时，补全该异常域。可靠域扩展是在已知可靠域外增加新的可靠域，当域外正确预测样本数在某个范围内集群并具有一定样本密度时，为该样本群增加新的域中心并计算其域半径。
本发明同时采用两种策略寻找新的正确预测样本群。具体地，第一个策略是在已知可靠域附近的一个邻域内寻找该样本群，当满足式(5)的样本数大于所设置阈值时，这些样本可认为是一个正确预测样本群；第二个策略是采用基于密度的空间聚类算法(Density-Based Spatial Clustering of Application with Noise，DBSCAN)寻找该样本群。其中，前者是从已知可靠域逐步向外扩展，后者是在未探索区域进行样本群的寻找。新增的域中心为该样本群的样本特征均值，域半径的计算方法采用前述可靠域的半径计算方法计算得到。
Figure BDA0003134019480000131
其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure BDA0003134019480000132
为第i个可靠域的核心。本发明的数据空间可靠域的更新流程如图4所示，首先采用暂稳预测模型对增量数据进行预测，得到域外正确预测数据和误判数据，而后基于这两类数据对初始可靠域进行异常域补全、域半径修正和可靠域扩展，当异常域、域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新。
在步骤103，利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
在本发明中，针对需要稳定性评估的电网数据，利用所生成的智能评估模型进行稳定性预测，并基于该模型的可靠域对预测结果进行可靠性评估，当测试结果在任一可靠域中并不在任何异常域中时，即满足式x∈Sc且
Figure BDA0003134019480000133
则认为该预测结果具有高可靠性，接受暂稳智能评估模型的预测结果，否则认为该预测结果的可靠性低，可采取时域仿真的方法重新对该样本进行稳定性评估。
本发明提出的数据空间可靠域可有效确定暂稳预测模型所能正确预测的样本范围，利用数据空间可靠域对测试样本进行可靠性评估，在所得到的确定样本上进行暂态稳定评估具有极高的预测准确率；本发明提出的可靠域持续性更新方法能够有效更新暂态智能评估模型的数据空间可靠域，提高可靠域对正确预测样本的覆盖范围及其精确度。
图5为根据本发明实施方式的电力系统暂态稳定智能评估模型的可靠性评估系统500的结构示意图。如图5所示，本发明实施方式提供的电力系统暂态稳定智能评估模型的可靠性评估系统500，包括：域划分单元501、域更新单元502和可靠性评估单元503。
优选地，所述域划分单元501，用于根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分。
优选地，其中所述域划分单元501，利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的输入特征进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure BDA0003134019480000141
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure BDA0003134019480000142
为异常域样本除外的模型误判样本的经shapley值加权的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
优选地，其中所述域划分单元501，利用如下方式确定样本属于数据空间可靠域，包括：
Figure BDA0003134019480000151
所述系统利用如下方式样本属于确定异常域，包括：
Figure BDA0003134019480000152
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；ci c为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure BDA0003134019480000153
为第j个异常域的核心；
Figure BDA0003134019480000154
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
优选地，所述域更新单元502，用于采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新。
优选地，其中所述域更新单元502，基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定系统时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
优选地，其中所述域更新单元502，利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure BDA0003134019480000161
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure BDA0003134019480000162
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
优选地，所述可靠性评估单元503，用于利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
本发明的实施例的电力系统暂态稳定智能评估模型的可靠性评估系统500与本发明的另一个实施例的电力系统暂态稳定智能评估模型的可靠性评估方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种电力系统暂态稳定智能评估模型的可靠性评估方法，其特征在于，所述方法包括：
根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分；
采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新；
利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
2.根据权利要求1所述的方法，其特征在于，所述方法利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的输入特征进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure FDA0003134019470000021
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure FDA0003134019470000022
为异常域样本除外的模型误判样本的经shapley值加权后的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
3.根据权利要求1所述的方法，其特征在于，所述方法利用如下方式确定样本属于数据空间可靠域，包括：
Figure FDA0003134019470000023
所述方法利用如下方式样本属于确定异常域，包括：
Figure FDA0003134019470000024
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；
Figure FDA0003134019470000025
为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure FDA0003134019470000026
为第j个异常域的核心；
Figure FDA0003134019470000027
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
4.根据权利要求1所述的方法，其特征在于，所述基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定方法时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
5.根据权利要求4所述的方法，其特征在于，所述方法利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure FDA0003134019470000031
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure FDA0003134019470000032
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
6.一种电力系统暂态稳定智能评估模型的可靠性评估系统，其特征在于，所述系统包括：
域划分单元，用于根据暂态稳定智能评估模型对样本空间中不同样本预测结果准确性的不同，将样本空间分为数据空间可靠域、数据空间不确定域和异常域，并利用训练数据对暂态稳定智能评估模型的样本空间进行划分；
域更新单元，用于采用暂态稳定智能评估模型对增量数据进行预测，确定当前数据空间可靠域外的正确预测数据和误判数据，并基于正确预测数据和误判数据对数据空间可靠域进行持续性的更新，直至异常域和域半径不再更新且没有新增的可靠域时或达到最大更新次数时停止更新；
可靠性评估单元，用于利用所述暂态稳定智能评估模型对需稳定性评估的目标电网数据进行稳定性预测，得到预测结果，并基于所述暂态稳定智能评估模型对应的数据空间可靠域对预测结果进行可靠性评估，并当测试数据在任一可靠域中且不在任何异常域中时，确定所述预测结果的可靠性满足要求。
7.根据权利要求6所述的系统，其特征在于，所述域划分单元，利用如下方式确定数据空间可靠域，包括：
利用如下方式确定数据空间可靠域的域中心，包括:
对暂态稳定智能评估模型的原始输入特征以其shapley值进行加权，得到经shapley值加权后的输入特征；
采用k-means算法对经shapley值加权后的输入特征进行聚类，将聚类中心作为初始的域中心位置；
当某域中心邻域半径内的样本数小于预设的最小样本数时，对该域中心进行削减；
当某域中心邻域半径内存在预设数量的模型误判样本时，对该域中心进行削减；
利用如下方式确定数据空间可靠域的域半径，包括：
Figure FDA0003134019470000041
其中，ri cc为第i个域中心与其他域中心距离的最小值，ri cs为第i个域中心与异常域样本除外的模型误判样本距离的最小值，
Figure FDA0003134019470000042
为异常域样本除外的模型误判样本的经shapley值加权的输入特征，Ninacc为异常域样本除外的模型误判样本的数量，λ为预设的比例系数，ri max为第i个域中心的域半径上限。
8.根据权利要求6所述的系统，其特征在于，所述域划分单元，利用如下方式确定样本属于数据空间可靠域，包括：
Figure FDA0003134019470000043
所述系统利用如下方式样本属于确定异常域，包括：
Figure FDA0003134019470000044
其中，Sc为数据空间可靠域；Ss为异常域；x为样本点；
Figure FDA0003134019470000045
为第i个可靠域的核心；ri c为第i个可靠域的半径；Nc为可靠域的个数；
Figure FDA0003134019470000046
为第j个异常域的核心；
Figure FDA0003134019470000047
为第j个异常域的半径；Ns为异常域的个数，当样本点与域核心的欧式距离小于相应域的半径时，确定该样本在相应域中。
9.根据权利要求6所述的系统，其特征在于，所述域更新单元，基于正确预测数据和误判数据对数据空间进行持续性的更新，包括：域半径修正、异常域补全和可靠域扩展；其中，
所述域半径修正，包括:当可靠域内出现非异常域的误判样本时，将该可靠域的半径缩小为域中心至该误判样本的距离的预设倍数的距离，以对该可靠域的半径进行修正；
所述异常域补全，包括：当可靠域中出现误判样本并满足属于异常域样本的判定系统时，补全该异常域，以对该可靠域中的异常域进行补全；
所述可靠域扩展，包括：当已知可靠域外新的正确预测样本数在预设数量范围内集群并达到预设的样本密度时，为该样本群增加新的域中心，并计算新的域半径，以增加新的可靠域。
10.根据权利要求9所述的系统，其特征在于，所述域更新单元，利用如下方式确定新的正确预测样本群，包括：
按照第一策略，在已知可靠域的一个预设范围的邻域内寻找新的正确预测样本群，当满足
Figure FDA0003134019470000051
的样本达到预设数量时，确定这些样本为一个新的正确预测样本群；其中，Sacc为模型正确预测样本的经shapley值加权的输入特征，γ为比例系数，用以控制考虑的样本范围；ri c为第i个可靠域的半径；
Figure FDA0003134019470000052
为第i个可靠域的核心；
按照第二策略，采用基于密度的空间聚类算法DBSCAN寻找新的正确预测样本群。
CN202110711677.6A 2021-06-25 2021-06-25 电力系统暂态稳定智能评估模型的可靠性评估方法及系统 Pending CN113591367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110711677.6A CN113591367A (zh) 2021-06-25 2021-06-25 电力系统暂态稳定智能评估模型的可靠性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110711677.6A CN113591367A (zh) 2021-06-25 2021-06-25 电力系统暂态稳定智能评估模型的可靠性评估方法及系统

Publications (1)

Publication Number Publication Date
CN113591367A true CN113591367A (zh) 2021-11-02

Family

ID=78244761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110711677.6A Pending CN113591367A (zh) 2021-06-25 2021-06-25 电力系统暂态稳定智能评估模型的可靠性评估方法及系统

Country Status (1)

Country Link
CN (1) CN113591367A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901679A (zh) * 2021-12-13 2022-01-07 中国南方电网有限责任公司超高压输电公司广州局 电力系统的可靠性分析方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113901679A (zh) * 2021-12-13 2022-01-07 中国南方电网有限责任公司超高压输电公司广州局 电力系统的可靠性分析方法、装置和计算机设备
CN113901679B (zh) * 2021-12-13 2022-04-26 中国南方电网有限责任公司超高压输电公司广州局 电力系统的可靠性分析方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
US11341420B2 (en) Hyperparameter optimization method and apparatus
CN107506865B (zh) 一种基于lssvm优化的负荷预测方法及系统
CN110135635B (zh) 一种区域电力饱和负荷预测方法及系统
CN115470704B (zh) 一种动态多目标优化方法、装置、设备和计算机可读介质
CN112884237A (zh) 配电网预测辅助状态估计方法及系统
CN110133450B (zh) 基于配网分区等值的故障定位方法及系统
CN107909194B (zh) 系统级测试性设计多目标优化方法
Wang et al. Feature weighting fuzzy clustering integrating rough sets and shadowed sets
CN108121215A (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
CN111525587A (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN115098960A (zh) 设备剩余使用寿命预测方法和装置
CN113459867A (zh) 基于自适应深度置信网络的电动汽车充电过程故障预警方法
CN113591367A (zh) 电力系统暂态稳定智能评估模型的可靠性评估方法及系统
CN114330119B (zh) 一种基于深度学习的抽蓄机组调节系统辨识方法
CN116128071A (zh) 一种基于改进非洲秃鹫算法的svr模型超参数优选方法
CN115619028A (zh) 一种基于聚类算法融合的电力负荷精准预测方法
CN115775038A (zh) 一种基于igwo优化lssvm的短期负荷预测方法
CN112990603B (zh) 考虑频域分解后数据特征的空调冷负荷预测方法及系统
CN111898726B (zh) 一种电动汽车控制系统参数优化方法、设备及存储介质
CN113112092A (zh) 一种短期概率密度负荷预测方法、装置、设备和存储介质
CN107316056B (zh) 一种网络安防等级自动化评定系统、自动评定方法
CN112308229A (zh) 基于自组织映射的动态多目标演化优化方法
CN110942195A (zh) 一种用电负荷预测方法及装置
Musa A Hybrid Modern and Classical Algorithm for Indonesian Electricity Demand Forecasting
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法

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