CN113659575A - 一种电力系统暂态稳定性预测方法及装置 - Google Patents
一种电力系统暂态稳定性预测方法及装置 Download PDFInfo
- Publication number
- CN113659575A CN113659575A CN202111213477.4A CN202111213477A CN113659575A CN 113659575 A CN113659575 A CN 113659575A CN 202111213477 A CN202111213477 A CN 202111213477A CN 113659575 A CN113659575 A CN 113659575A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- data
- power system
- training
- predicting
- 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
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000010219 correlation analysis Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力系统暂态稳定性预测方法及装置，其方法包括：获取电力系统的暂态稳定性数据集，包括稳定数据和失稳数据；将暂态稳定性数据集按照第一预设比例划分出训练集，并将训练集中的稳定数据作为正例样本集，将失稳数据作为负例样本集；利用欠采样算法从正例样本集中抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；构建多个多层感知机模型，通过训练子集对多层感知机模型进行训练，生成多个感知机预测模型；通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型；通过暂态稳定性预测模型对电力系统暂态稳定性进行预测。本发明提高了对电力系统暂态稳定性预测的准确率和速度。
Description
技术领域
本发明涉及电力系统技术领域，具体涉及一种电力系统暂态稳定性预测方法及装置。
背景技术
随着电网互联规模的逐步扩大、可再生能源大规模接入以及电力市场建设的推进，现代电力系统的安全稳定运行面临严峻挑战。电力系统暂态稳定性是调控中心重点关注的稳定问题，快速准确地判断受扰后的暂态稳定状态，对于保障电力系统安全稳定运行具有重要意义。
随着智能电网技术的不断发展以及智能电表的广泛使用，基于大数据机器学习的电力系统暂态稳定性评估方法得到了充分的发展。利用机器学习方法对电力系统暂态稳定性进行评估的过程为：首先利用电气传感器装置获取能实时反应电力系统暂态稳定的物理量或者是电气量，然后利用人工智能算法学习特征量和稳定类别之间的关系，建立快速判定电力系统稳定类别的分类器模型，将电力系统的实时数据作为模型的输入，对电力系统的暂态稳定性进行实时在线的评估。
然而，由于电力系统在大多数时间情况下是保持暂态稳定情况，只有少部分情况下处于失稳状态，即：稳定样本数量远远大于失稳样本数量。而现有技术中的预测方法均均未考虑电力系统中的样本不平衡问题，造成对电力系统暂态稳定性预测不准确的技术问题。
发明内容
有鉴于此，有必要提供一种电力系统暂态稳定性预测方法及装置，用以解决现有技术中存在的对电力系统暂态稳定性预测不准确的技术问题。
为了解决上述技术问题，本发明提供了一种电力系统暂态稳定性预测方法，包括：
获取电力系统的暂态稳定性数据集，所述暂态稳定性数据集包括稳定数据和失稳数据；
将所述暂态稳定性数据集按照第一预设比例划分出训练集，并将所述训练集中的所述稳定数据作为正例样本集，将所述失稳数据作为负例样本集；
利用欠采样算法从所述正例样本集中随机抽取多个正例样本子集，并将所述多个正例样本子集分别与所述负例样本集组合，形成多个训练子集；
构建多个多层感知机模型，并通过所述多个训练子集对所述多个多层感知机模型进行训练，生成多个感知机预测模型；
通过集成学习算法将所述多个感知机预测模型进行集成，生成暂态稳定性预测模型；
通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测。
在一些可能的实现方式中，所述多层感知机模型与所述多个训练子集一一对应。
在一些可能的实现方式中，所述获取电力系统的暂态稳定性数据集，包括：
获取电力系统的初始暂态稳定性数据；
将所述初始暂态稳定性数据进行标注，根据所述初始暂态稳定性数据所对应的电力系统状态，将所述初始暂态稳定性数据划分为所述稳定数据和所述失稳数据，以生成所述暂态稳定性数据集。
在一些可能的实现方式中，所述获取电力系统的暂态稳定性数据集，包括：
获取电力系统的原始暂态稳定性数据集；
采用主成分分析法对所述原始暂态稳定性数据集进行降维，生成所述暂态稳定性数据集。
在一些可能的实现方式中，所述采用主成分分析法对所述原始暂态稳定性数据集进行降维，包括：
确定所述原始暂态稳定性数据集中的数据样本数以及数据变量数；
将所述原始暂态稳定性数据集依次进行去离群处理和标准化处理，得到多个标准化数据；
根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵；
确定所述相关系数矩阵的特征值以及多个主成分，并根据所述特征值计算所述多个主成分的方差贡献率；
按所述方差贡献率从大到小的顺序，计算所述方差累积贡献率，并将所述方差累积贡献率大于阈值累积贡献率的主成分作为目标主成分；
确定主成分因子载荷矩阵，并根据所述主成分因子载荷矩阵确定所述目标主成分中各数据变量的权重，以生成所述暂态稳定性数据集。
在一些可能的实现方式中，在所述根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵之前，还包括：
对所述多个标准化数据进行相关性检验，判断所述多个标准化数据是否适合进行相关性分析，当所述多个标准化数据适合进行相关性分析时，则根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵。
在一些可能的实现方式中，所述对所述多个标准化数据进行相关性检验，判断所述多个标准化数据是否适合进行相关性分析，包括：
对所述多个标准化数据进行KMO检验和/或球形检验；
当所述KMO检验的检验值大于第一阈值检验值，和/或，所述球形检验的检验值小于第二阈值检验值时，则所述多个标准化数据适合进行相关性分析。
在一些可能的实现方式中，在所述通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测之前，还包括：
确定所述多个感知机预测模型的初始个数；
将所述暂态稳定性数据集按照第二预设比例划分出测试集，并通过预设的模型评估指标和所述测试集对所述初始个数进行优化，确定所述多个感知机预测模型的优化个数。
在一些可能的实现方式中，所述预设的模型评估指标包括准确率和工作特征曲线下面积。
另一方面，本发明还提供一种电力系统暂态稳定性预测装置，包括：
数据集获取单元，用于获取电力系统的暂态稳定性数据集，所述暂态稳定性数据集包括稳定数据和失稳数据；
样本集划分单元，用于将所述暂态稳定性数据集按照第一预设比例划分出训练集，并将所述训练集中的所述稳定数据作为正例样本集，将所述失稳数据作为负例样本集；
样本集处理单元，用于利用欠采样算法从所述正例样本集中随机抽取多个正例样本子集，并将所述多个正例样本子集分别与所述负例样本集组合，形成多个训练子集；
初始模型建立单元，用于构建多个多层感知机模型，并通过所述多个训练子集对所述多个多层感知机模型进行训练，生成多个感知机预测模型；
集成学习单元，用于通过集成学习算法将所述多个感知机预测模型进行集成，生成暂态稳定性预测模型；
预测单元，用于通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测。
采用上述实施例的有益效果是：本发明提供的电力系统暂态稳定性预测方法，针对电力系统中稳定样本数量远远大于失稳样本数量的状况，通过利用欠采样算法从正例样本集中随机抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；并通过多个训练子集对多层感知机模型进行训练，可使得每个训练子集中均包括负例样本集，即提高了负例样本集的数量，消除了样本不平衡的问题，进而可提高感知机预测模型对暂态稳定性预测的准确性。进一步地，本发明通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型对电力系统暂态稳定性进行预测，可进一步提高预测准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明提供的电力系统暂态稳定性预测方法的一个实施例流程示意图；
图2为本发明图1中S101的一个实施例流程示意图；
图3为本发明图1中S101的另一个实施例流程示意图；
图4为本发明图3中S302的一个实施例流程示意图；
图5为本发明提供的对多个标准化数据进行相关性检验的一个实施例流程示意图；
图6为本发明提供的对多个感知机预测模型进行优化的一个实施例流程示意图；
图7为本发明提供的多个感知机预测模型的个数与准确率的关系曲线图；
图8为本发明提供的多个感知机预测模型的个数与工作特征曲线下面积的关系曲线图；
图9为本发明提供的电力系统暂态稳定性预测装置的一个实施例结构示意图；
图10为本发明提供的电子设备的一个实施例结构示意图。
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，本领域技术人员在没有做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。
在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种电力系统暂态稳定性预测方法及装置，以下分别进行说明。
图1为本发明提供的电力系统暂态稳定性预测方法的一个实施例流程示意图，如图1所示，电力系统暂态稳定性预测方法包括：
S101、获取电力系统的暂态稳定性数据集，暂态稳定性数据集包括稳定数据和失稳数据；
S102、将暂态稳定性数据集按照第一预设比例划分出训练集，并将训练集中的稳定数据作为正例样本集，将失稳数据作为负例样本集；
S103、利用欠采样算法从正例样本集中随机抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；
S104、构建多个多层感知机模型，并通过多个训练子集对多个多层感知机模型进行训练，生成多个感知机预测模型；
S105、通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型；
S106、通过暂态稳定性预测模型对电力系统暂态稳定性进行预测。
与现有技术相比，本发明实施例提供的电力系统暂态稳定性预测方法，针对电力系统中稳定样本数量远远大于失稳样本数量的状况，通过利用欠采样算法从正例样本集中随机抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；并通过多个训练子集对多层感知机模型进行训练，可使得每个训练子集中均包括负例样本集，即提高了负例样本集的数量，消除了样本不平衡的问题，进而可提高感知机预测模型对暂态稳定性预测的准确性。进一步地，本发明通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型对电力系统暂态稳定性进行预测，可进一步提高预测准确率。
在本发明的具体实施例中，步骤S102中的第一预设比例为70%-80%。
为了减小由于多个训练子集之间的差异造成训练出的多个感知机预测模型之间的偏差较大的技术问题，在本发明的一些实施中，步骤S103中从正例样本集中随机抽取多个正例样本子集具体为：有放回的从正例样本集中随机抽取多个正例样本子集。即：每次被抽取的正例样本子集在抽取完毕后均会重新放回正例样本集中。
通过有放回的随机抽取多个正例样本子集可确保每个稳定数据的等概率抽取，从而减小多个训练子集之间的差异，进而可减小多个多层感知机预测模型偏差，提高进一步暂态稳定性预测模型的预测准确率。
在本发明的一个优选实施例中，欠采样算法为Easy-Ensemble算法。
在本发明的一个优选实施例中，集成学习算法为bagging算法，通过设置通过bagging算法对多个感知机预测模型进行集成，可实现多个训练子集的并行运算，提高暂态稳定性预测模型的生成速率，从而提高对电力系统暂态稳定性预测的速度。
为了避免用同一个训练子集训练两个不同的多层感知机模型，导致训练无效，以及避免用不同的训练子集训练一个多层感知机模型，造成训练子集的浪费，在本发明的优选实施例中，多层感知机模型和多个训练子集一一对应。
在本发明的一个具体实施例中，可根据多层感知机模型的个数确定从正例样本集中随机抽取多个正例样本子集的个数。
在本发明的一些实施例中，如图2所示，步骤S101包括：
S201、获取电力系统的初始暂态稳定性数据；
S202、将初始暂态稳定性数据进行标注，根据初始暂态稳定性数据所对应的电力系统状态，将初始暂态稳定性数据划分为稳定数据和失稳数据，以生成暂态稳定性数据集。
在一个具体地实施例中，步骤S202中将初始暂态稳定性数据进行标注是通过人工对初始暂态稳定性数据进行标注。
由于电力系统暂态稳定性数据为高维数据，即其变量较多，因此，为了进一步降低电力系统暂态稳定性预测速度，在本发明的一些实施例中，如图3所示，步骤S101包括：
S301、获取电力系统的原始暂态稳定性数据集；
S302、采用主成分分析法对原始暂态稳定性数据集进行降维，生成暂态稳定性数据集。
本发明实施例通过采用主成分分析法对原始暂态稳定性数据集进行降维，可减小暂态稳定性数据集的维度和冗余性，进而提高对电力系统暂态稳定性预测的速度。
需要说明的是：在本发明的一些实施例中，步骤S301-S302与步骤S201-S202的先后顺序可以根据实际情况进行调整，在此不做具体限定。
在本发明的一些实施例中，如图4所示，步骤S302包括：
S401、确定原始暂态稳定性数据集中的数据样本数以及数据变量数；
S402、将原始暂态稳定性数据集依次进行去离群处理和标准化处理，得到多个标准化数据；
S403、根据数据样本数和数据变量数确定多个标准化数据的相关系数矩阵；
S404、确定相关系数矩阵的特征值及主成分，并根据特征值计算多个主成分的方差贡献率；
S405、按方差贡献率从大到小的顺序，计算方差累积贡献率，并将方差累积贡献率大于阈值累积贡献率的主成分作为目标主成分；
S406、确定主成分因子载荷矩阵，并根据主成分因子载荷矩阵确定目标主成分中各数据变量的权重，以生成暂态稳定性数据集。
在本发明的一个具体实施例中，电力系统暂态稳定性数据集，其包括12个数据变量以及11000条数据样本，其中，如下表1所示，数据变量为：
表1 原始暂态稳定性数据集的数据变量
其中，表1中的每个变量均包括4个子变量，构成12个数据变量。
在本发明的具体实施例中，步骤S401中的标准化处理为z-score处理。其具体为：
式中，zi为各数据变量第i个数据样本的标准化数据；yi为各数据变量第i个数据样本；
为各数据变量的均值；s为各数据变量的标准差。
将原始暂态稳定性数据集进行去离群处理和标准化处理后，得到的多个标准化数据如下：
式中，n为数据样本数；p为数据变量数。
步骤S403中确定相关系数矩阵的相关系数计算公式为：
式中，rij为Xi和Xj之间的相关系数；xki第i个数据变量中第k个数据样本；xkj第j个数据变量中第k个数据样本；
为第i个数据变量的均值；
为第j个数据变量的均值。
以加州大学欧文分校2018年电力系统暂态稳定性数据集为例，相关系数矩阵如表2所示：
表2 相关系数矩阵
表2中，VA1、VA2、VA3、VA4、VA5、VA6、VA7、VA8、VA9、VA10、VA11和VA12分别为12个主成分。
计算出相关系数后，根据分别计算12个主成分的特征值，特征值大小用于衡量各个主成分对电力系统暂态稳定性的影响。其中，R为相关系数；E为单位矩阵，λ为特征值。经计算，各主成分的特征值如表3所示：
表3 主成分的特征值
其中，步骤S404中的方差贡献率为：
mi为第i个主成分的方差贡献率；
为第i个主成分的特征值；p为主成分的总个数。经计算，各主成分的方差贡献率如表4所示：
表4主成分中的方差贡献率
其中，步骤S405中的方差累积贡献率为：
在本发明的一个实施例中，阈值累积贡献率为90%，则由表4可以看出：前6个主成分的方差累积贡献率为91.5355%，已经超过90%，表明前6个主成分已经包括原始暂态稳定性数据集中的绝大部分特征信息。因此，将前6个主成分作为目标主成分。即：实现对数据变量的降维，将12维数据降维6维。
步骤S406中的主成分因子载荷矩阵如表5所示：
表5 主成分因子载荷矩阵
由表5中可以看出：主成分1主要由变量5、变量9、变量10、变量11、变量12组成，主成分2主要由变量3组成，主成分3主要由变量4组成，主成分4主要由变量7组成，主成分5主要由变量8组成，主成分6主要由变量6组成。
由于并不是任何数据都适合进行相关性分析，因此，在步骤S403之前还包括：
对多个标准化数据进行相关性检验，判断多个标准化数据是否适合进行相关性分析，当多个标准化数据适合进行相关性分析时，则根据数据样本数和数据变量数确定多个标准化数据的相关系数矩阵。
通过在确定相关系数矩阵之前，先对多个标准化数据能够进行相关性检验，对适合进行相关性分析的多个标准化数据再确定相关系数矩阵，避免确定出的相关系数矩阵不可靠，进而可避免降维的可靠性。
在本发明的一些实施例中，如图5所示，对多个标准化数据进行相关性检验，判断多个标准化数据是否适合进行相关性分析，包括：
S501、对多个标准化数据进行KMO检验和/或球形检验；
S502、当KMO检验的检验值大于第一阈值检验值，和/或，球形检验的检验值小于第二阈值检验值时，则多个标准化数据适合进行相关性分析。
在本发明的一个实施例中，第一阈值检验值为0.5，第二阈值检验值为0.05。
为了进一步提高暂态稳定性预测模型的准确性，在本发明的一些实施例中，如图6所示，在步骤S106之前还包括：
S601、确定多个感知机预测模型的初始个数；
S602、将暂态稳定性数据集按照第二预设比例划分出测试集，并通过预设的模型评估指标和测试集对初始个数进行优化，确定多个感知机预测模型的优化个数。
在本发明的一些实施例中，第二预设比例为20%-30%。
在本发明的一些实施例中，预设的模型评估指标包括准确率（acc）和工作特征曲线下面积（auc）。
如图7和图8所示，当初始个数小于10时，随着多个感知机预测模型的增加，acc和auc值也逐渐增大，但当初始个数大于10时，acc和auc出现波动，且增加不明显，因此，优化个数为10。即：暂态稳定性预测模型由10个感知机预测模型集成而成。
在本发明的一些其他实施例中，在步骤S602之后还可根据召回率、精确率、f-score等模型评估指标进一步对暂态稳定性预测模型和现有技术中的预测模型进行对比，对比结果如表6所示：
表6对比结果
其中，准确率用于表示预测准确率；召回率用于评价模型对正例的识别能力，表示模型预测为正例中真实正例的比重；精确率用于表示真实和预测为正例样本中占预测为正例样本的比例；f-score为召回率和精确率的调和平均数，用于评价模型的总和性能。即：上述模型评估指标均是越大越好。
由表6可以看出：相比于现有技术中的决策树（DT）预测模型、最近邻（KNN）预测模型和支持向量机（SVM）预测模型，本发明的预测模型准确率、召回率相比于其他三种预测模型都高，精确率略低于最近邻预测模型，但高于决策树预测模型和支持向量机预测模型。f-score也均高于其他三种预测模型。因此，本发明提出的暂态稳定性预测方法的可靠性较高。
为了更好实施本发明实施例中的电力系统暂态稳定性预测方法，在电力系统暂态稳定性预测方法基础之上，对应的，如图9所示，本发明实施例还提供了一种电力系统暂态稳定性预测装置900，包括：
数据集获取单元901，用于获取电力系统的暂态稳定性数据集，暂态稳定性数据集包括稳定数据和失稳数据；
样本集划分单元902，用于将暂态稳定性数据集按照第一预设比例划分出训练集，并将训练集中的稳定数据作为正例样本集，将失稳数据作为负例样本集；
样本集处理单元903，用于利用欠采样算法从正例样本集中随机抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；
初始模型建立单元904，用于构建多个多层感知机模型，并通过多个训练子集对多个多层感知机模型进行训练，生成多个感知机预测模型；
集成学习单元905，用于通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型；
预测单元906，用于通过暂态稳定性预测模型对电力系统暂态稳定性进行预测。
上述实施例提供的电力系统暂态稳定性预测装置900可实现上述电力系统暂态稳定性预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述电力系统暂态稳定性预测方法实施例中的相应内容，此处不再赘述。
如图10所示，本发明还相应提供了一种电子设备1000。该电子设备1000包括处理器1001、存储器1002及显示器1003。图10仅示出了电子设备1000的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器1002在一些实施例中可以是电子设备1000的内部存储单元，例如电子设备1000的硬盘或内存。存储器1002在另一些实施例中也可以是电子设备1000的外部存储设备，例如电子设备1000上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器1002还可既包括电子设备1000的内部储存单元也包括外部存储设备。存储器1002用于存储安装电子设备1000的应用软件及各类数据。
处理器1001在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器1002中存储的程序代码或处理数据，例如本发明中的电力系统暂态稳定性预测方法。
显示器1003在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器1003用于显示在电子设备1000的信息以及用于显示可视化的用户界面。电子设备1000的部件1001-1003通过系统总线相互通信。
在一实施例中，当处理器1001执行存储器1002中的电力系统暂态稳定性预测程序时，可实现以下步骤：
获取电力系统的暂态稳定性数据集，暂态稳定性数据集包括稳定数据和失稳数据；
将暂态稳定性数据集按照第一预设比例划分出训练集，并将训练集中的稳定数据作为正例样本集，将失稳数据作为负例样本集；
利用欠采样算法从正例样本集中随机抽取多个正例样本子集，并将多个正例样本子集分别与负例样本集组合，形成多个训练子集；
构建多个多层感知机模型，并通过多个训练子集对多个多层感知机模型进行训练，生成多个感知机预测模型；
通过集成学习算法将多个感知机预测模型进行集成，生成暂态稳定性预测模型；
通过暂态稳定性预测模型对电力系统暂态稳定性进行预测。
应当理解的是：处理器1001在执行存储器1002中的电力系统暂态稳定性预测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备1000的类型不做具体限定，电子设备1000可以为手机、平板电脑、个人数字助理(personal digital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1000也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的电力系统暂态稳定性预测方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电力系统暂态稳定性预测方法，其特征在于，包括：
获取电力系统的暂态稳定性数据集，所述暂态稳定性数据集包括稳定数据和失稳数据；
将所述暂态稳定性数据集按照第一预设比例划分出训练集，并将所述训练集中的所述稳定数据作为正例样本集，将所述失稳数据作为负例样本集；
利用欠采样算法从所述正例样本集中随机抽取多个正例样本子集，并将所述多个正例样本子集分别与所述负例样本集组合，形成多个训练子集；
构建多个多层感知机模型，并通过所述多个训练子集对所述多个多层感知机模型进行训练，生成多个感知机预测模型；
通过集成学习算法将所述多个感知机预测模型进行集成，生成暂态稳定性预测模型；
通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测。
2.根据权利要求1所述的电力系统暂态稳定性预测方法，其特征在于，所述多层感知机模型与所述多个训练子集一一对应。
3.根据权利要求1所述的电力系统暂态稳定性预测方法，其特征在于，所述获取电力系统的暂态稳定性数据集，包括：
获取电力系统的初始暂态稳定性数据；
将所述初始暂态稳定性数据进行标注，根据所述初始暂态稳定性数据所对应的电力系统状态，将所述初始暂态稳定性数据划分为所述稳定数据和所述失稳数据，以生成所述暂态稳定性数据集。
4.根据权利要求1所述的电力系统暂态稳定性预测方法，其特征在于，所述获取电力系统的暂态稳定性数据集，包括：
获取电力系统的原始暂态稳定性数据集；
采用主成分分析法对所述原始暂态稳定性数据集进行降维，生成所述暂态稳定性数据集。
5.根据权利要求4所述的电力系统暂态稳定性预测方法，其特征在于，所述采用主成分分析法对所述原始暂态稳定性数据集进行降维，包括：
确定所述原始暂态稳定性数据集中的数据样本数以及数据变量数；
将所述原始暂态稳定性数据集依次进行去离群处理和标准化处理，得到多个标准化数据；
根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵；
确定所述相关系数矩阵的特征值及多个主成分，并根据所述特征值计算所述多个主成分的方差贡献率；
按所述方差贡献率从大到小的顺序，计算所述方差累积贡献率，并将所述方差累积贡献率大于阈值累积贡献率的主成分作为目标主成分；
确定主成分因子载荷矩阵，并根据所述主成分因子载荷矩阵确定所述目标主成分中各数据变量的权重，以生成所述暂态稳定性数据集。
6.根据权利要求5所述的电力系统暂态稳定性预测方法，其特征在于，在所述根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵之前，还包括：
对所述多个标准化数据进行相关性检验，判断所述多个标准化数据是否适合进行相关性分析，当所述多个标准化数据适合进行相关性分析时，则根据所述数据样本数和所述数据变量数确定所述多个标准化数据的相关系数矩阵。
7.根据权利要求6所述的电力系统暂态稳定性预测方法，其特征在于，所述对所述多个标准化数据进行相关性检验，判断所述多个标准化数据是否适合进行相关性分析，包括：
对所述多个标准化数据进行KMO检验和/或球形检验；
当所述KMO检验的检验值大于第一阈值检验值，和/或，所述球形检验的检验值小于第二阈值检验值时，则所述多个标准化数据适合进行相关性分析。
8.根据权利要求1所述的电力系统暂态稳定性预测方法，其特征在于，在所述通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测之前，还包括：
确定所述多个感知机预测模型的初始个数；
将所述暂态稳定性数据集按照第二预设比例划分出测试集，并通过预设的模型评估指标和所述测试集对所述初始个数进行优化，确定所述多个感知机预测模型的优化个数。
9.根据权利要求8所述的电力系统暂态稳定性预测方法，其特征在于，所述预设的模型评估指标包括准确率和工作特征曲线下面积。
10.一种电力系统暂态稳定性预测装置，其特征在于，包括：
数据集获取单元，用于获取电力系统的暂态稳定性数据集，所述暂态稳定性数据集包括稳定数据和失稳数据；
样本集划分单元，用于将所述暂态稳定性数据集按照第一预设比例划分出训练集，并将所述训练集中的所述稳定数据作为正例样本集，将所述失稳数据作为负例样本集；
样本集处理单元，用于利用欠采样算法从所述正例样本集中随机抽取多个正例样本子集，并将所述多个正例样本子集分别与所述负例样本集组合，形成多个训练子集；
初始模型建立单元，用于构建多个多层感知机模型，并通过所述多个训练子集对所述多个多层感知机模型进行训练，生成多个感知机预测模型；
集成学习单元，用于通过集成学习算法将所述多个感知机预测模型进行集成，生成暂态稳定性预测模型；
预测单元，用于通过所述暂态稳定性预测模型对电力系统暂态稳定性进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111213477.4A CN113659575A (zh) | 2021-10-19 | 2021-10-19 | 一种电力系统暂态稳定性预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111213477.4A CN113659575A (zh) | 2021-10-19 | 2021-10-19 | 一种电力系统暂态稳定性预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113659575A true CN113659575A (zh) | 2021-11-16 |
Family
ID=78494632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111213477.4A Pending CN113659575A (zh) | 2021-10-19 | 2021-10-19 | 一种电力系统暂态稳定性预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113659575A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估系统 |
| CN116050030A (zh) * | 2023-04-03 | 2023-05-02 | 亿昇(天津)科技有限公司 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
| CN107979117A (zh) * | 2017-12-08 | 2018-05-01 | 甘肃省电力公司风电技术中心 | 提升高渗透率风电接入电网暂态稳定性有功功率控制策略 |
| CN108054768A (zh) * | 2017-12-15 | 2018-05-18 | 北京交通大学 | 基于主成分分析的电力系统暂态稳定评估方法 |
| RU2666903C1 (ru) * | 2017-10-05 | 2018-09-13 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" (НГТУ) | Автономная электростанция переменного тока |
| CN108599152A (zh) * | 2018-05-09 | 2018-09-28 | 清华大学 | 电力系统暂态稳定性评估的关键状态变量选取方法及装置 |
| CN111091142A (zh) * | 2019-11-25 | 2020-05-01 | 国网四川省电力公司电力科学研究院 | 样本数量不平衡的电力系统暂态稳定状态集成预测方法 |
| 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 |
-
2021
- 2021-10-19 CN CN202111213477.4A patent/CN113659575A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102832617A (zh) * | 2012-09-03 | 2012-12-19 | 武汉大学 | 一种基于精确化模式判别的大电网暂态稳定分析方法 |
| RU2666903C1 (ru) * | 2017-10-05 | 2018-09-13 | федеральное государственное бюджетное образовательное учреждение высшего образования "Нижегородский государственный технический университет им. Р.Е. Алексеева" (НГТУ) | Автономная электростанция переменного тока |
| CN107979117A (zh) * | 2017-12-08 | 2018-05-01 | 甘肃省电力公司风电技术中心 | 提升高渗透率风电接入电网暂态稳定性有功功率控制策略 |
| CN108054768A (zh) * | 2017-12-15 | 2018-05-18 | 北京交通大学 | 基于主成分分析的电力系统暂态稳定评估方法 |
| CN108599152A (zh) * | 2018-05-09 | 2018-09-28 | 清华大学 | 电力系统暂态稳定性评估的关键状态变量选取方法及装置 |
| CN111091142A (zh) * | 2019-11-25 | 2020-05-01 | 国网四川省电力公司电力科学研究院 | 样本数量不平衡的电力系统暂态稳定状态集成预测方法 |
| 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 (4)
| Title |
|---|
| KENING CHEN: "Indirect PCA Dimensionality Reduction Based Machine Learning Algorithms for Power System Transient Stability Assessment", 《2019 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES ASIA》 * |
| 李元良: "基于快速过采样主成分分析法的光伏阵列故障诊断", 《电网技术》 * |
| 网页证据: "泛统计理论初探—机器学习的欠采样算法统计学习", 《泛统计理论初探—机器学习的欠采样算法统计学习》 * |
| 马云龙: "基于主成分分析的RBF神经网络预测算法及其应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估系统 |
| CN116050030A (zh) * | 2023-04-03 | 2023-05-02 | 亿昇(天津)科技有限公司 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113659575A (zh) | 一种电力系统暂态稳定性预测方法及装置 | |
| CN114780727A (zh) | 基于强化学习的文本分类方法、装置、计算机设备及介质 | |
| CN111563158B (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
| CN110674636A (zh) | 一种用电行为分析方法 | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
| CN113505595A (zh) | 文本短语抽取方法、装置、计算机设备及存储介质 | |
| CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| CN114876731A (zh) | 风电场低效运行风电机组排查方法、系统、设备和介质 | |
| Rinkinen | Low voltage GPU-based AI accelerator | |
| CN113836005A (zh) | 一种虚拟用户的生成方法、装置、电子设备和存储介质 | |
| CN114818685A (zh) | 关键词提取方法、装置、电子设备及存储介质 | |
| CN114240560A (zh) | 基于多维分析的产品排名方法、装置、设备及存储介质 | |
| CN114297385A (zh) | 模型训练方法、文本分类方法、系统、设备及介质 | |
| CN116541766B (zh) | 脑电数据修复模型的训练方法、脑电数据修复方法及装置 | |
| CN116307742B (zh) | 一种细分客群的风险识别方法、装置、设备及存储介质 | |
| CN112749275B (zh) | 一种数据处理方法以及设备 | |
| CN114841458B (zh) | 电力负荷预测方法及系统、电子设备及存储介质 | |
| CN114841457B (zh) | 电力负荷估计方法及系统、电子设备及存储介质 | |
| CN116340864B (zh) | 一种模型漂移检测方法、装置、设备及其存储介质 | |
| CN114139165B (zh) | 基于机器学习中的多目标识别的智能合约漏洞检测方法 | |
| US20230359824A1 (en) | Feature crossing for machine learning | |
| CN117520077A (zh) | 一种金融设备Auto老化应用方法、系统、设备及介质 | |
| CN118114114A (zh) | 一种电力设备故障分类方法、装置、电子设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |