CN114021180A - 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 - Google Patents

一种电力系统动态安全域确定方法、装置、电子设备及可读介质 Download PDF

Info

Publication number
CN114021180A
CN114021180A CN202111180537.7A CN202111180537A CN114021180A CN 114021180 A CN114021180 A CN 114021180A CN 202111180537 A CN202111180537 A CN 202111180537A CN 114021180 A CN114021180 A CN 114021180A
Authority
CN
China
Prior art keywords
feature
domain
sample
feature set
power system
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
Application number
CN202111180537.7A
Other languages
English (en)
Other versions
CN114021180B (zh
Inventor
胡伟
陈涛
吴迎霞
马坤
赵科
蒋望
史成钢
张同尊
古济铭
万朝辉
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.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
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 Tsinghua University, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN202111180537.7A priority Critical patent/CN114021180B/zh
Publication of CN114021180A publication Critical patent/CN114021180A/zh
Application granted granted Critical
Publication of CN114021180B publication Critical patent/CN114021180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F18/2411—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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请属于大电网运行与控制技术领域，涉及一种电力系统动态安全域确定方法、装置、电子设备及可读介质。首先进行电力系统数据样本的获取，构建源域样本集、目标域有标记样本集及目标域无标记样本集，考虑组合效应特征选择方法选择出描述电力系统动态安全域的关键特征，根据最小预迁移特征贡献度将源域预迁移特征迁移到目标域有标记样本特征集的到目标域迁移样本特征集，将迁移样本集输入采用支持向量机与迁移自适应提升算法相结合的分离器中，挖掘出电力系统动态安全域边界。本方法适用于电网拓扑结构和电力系统运行方式多样化的场景中。本方法提高了电力系统动态安全域构建的效率及准确率，为电力系统安全稳定分析与评估技术依据和实用化方法。

Description

一种电力系统动态安全域确定方法、装置、电子设备及可读 介质
技术领域
本申请属于大电网运行与控制技术领域，具体而言涉及一种电力系统动态安全域确定方法、装置、电子设备及可读介质。
背景技术
随着全国联网规模的不断扩大和电压等级的不断提高，电网互联模式日益复杂，高渗透率间歇性新能源发电和海量柔性负荷响应加剧了电网源荷双侧的不确定性。且电力系统运行方式和动态行为日趋复杂，一旦电网某处发生事故，可能会波及全网，导致大停电事故的发生，对电力系统调度运行的决策水平和协同控制能力提出了更高的要求。因此，采取更先进技术手段，研究快速有效的电力系统安全稳定分析方法，提高电力系统客观可控性是亟需解决的重要问题。
动态安全域方法作为一种重要的安全稳定分析方法，在安全性评估、监视、防御与最优控制方面具有显著优越性。电力系统安全稳定问题是一个复杂且难以解析表达的物理问题，电力系统运行数据维数高、特征冗余，人工分析电网动态安全域边界的弊端逐渐显现。因此，从海量电力系统运行数据中，挖掘出电网动态安全域对电网安全稳定运行具有重要意义。随着广域测量技术的应用和人工智能技术的飞速发展，从模式识别角度出发，基于人工智能技术的机器学习方法为挖掘电网动态安全域边界提供了新的解决思路。
随着电力系统互联水平和规模的日益提高，计划检修是保障电力系统安全稳定运行重要工作，线路(或其他元件)的计划检修、新线路或设备的投运以及电力事故的发生都有可能造成电网拓扑结构的改变。电网拓扑结构对于电网网络特性起决定作用，拓扑结构变化后的电力系统动态安全域发生变化，原有动态安全域将不在适用。如果对每一种检修方式下的电力系统动态安全域进行重构，均需要训练一个单独的及其学习模型，并且该模型只适用于该位置检修的动态安全域构建，如果需要评估的位置较多，并且再考虑不同的预设故障集，需要训练的模型也会非常多，这将耗费大量的时间和人力，并且模型的管理也非常不方便。
发明内容
本申请旨在至少解决已有技术中的部分问题，考虑到现有动态安全域方法及模型在应用效果上有一定的局限性，如何采用先进的技术手段提高电力系统动态安全域挖掘的效率和准确率，以适应电网在线运行方式多变，实现对电网运行特性的准确把控是本申请亟待解决的重要问题。
有鉴于此，本公开提出了一种电力系统动态安全域确定方法、装置、电子设备及可读介质，以解决相关技术中的技术问题。
根据本公开的第一方面，提出电力系统动态安全域确定方法，包括：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
可选地，所述电力系统历史运行数据为电力系统运行方式潮流数据和故障数据；所述电力系统仿真数据为电力系统潮流仿真数据和电力系统暂态稳定仿真数据。
可选地，对所述源域数据和目标域数据进行预处理的过程为：对源域数据和目标域数据中的缺失数据进行补充，对源域数据和目标域数据中的重复数据进行删除，得到电力系统运行数据，将所述运行数据构建成一个样本以及样本特征，根据电力系统暂态稳定状态，定义特征类别属性，包括源域特征类别属性和目标域特征类别属性，对暂态稳定状态的样本以及样本特征打上标签1，对暂态不稳定状态的样本以及样本特征打上标签-1。
可选地，对所述源域样本集Ds1和目标域少量有标记样本集Dt1进行特征选择，选择出源域入选样本特征集Ss1和目标域入选有标记样本特征集St1，包括：
(1)构建：一个源域入选特征集Ss1，一个目标域入选有标记特征集St1，初始化Ss1和St1为空集；构建一个源域候选特征集USs1，一个目标域候选有标记特征集USt1，初始化USs1和USt1为空集；
(2)将源域候选特征集USs1更新为源域样本集Ds1，将目标域候选有标记特征集USt1更新为目标域有标记样本集Dt1；
(3)采用直方图方法，分别对当前的源域候选特征集USs1中的各个特征进行离散估计和概率密度估计，得到源域候选特征集USs1中特征的概率分布，即源域候选特征集USs1中特征fs1i的概率分布p(fs1i)、源域候选特征集USs1中特征fs1j和fs1i之间的联合概率分布p(fs1i,fs1j)，源域候选特征集USs1中特征类别属性Cs1的概率分布p(cs1)和源域候选特征集USs1中特征fs1j在源域候选特征集USs1中特征类别属性Cs1下的条件概率分布p(fs1j,cs1)，源域候选特征集USs1中特征fs1j、fs1i和特征类别属性Cs1之间的联合概率分布p(fs1i,fs1j,cs1)；采用直方图方法，分别对当前目标域候选有标记特征集USt1中的各个特征进行离散估计和概率密度估计，得到目标域候选有标记特征集USt1中特征的概率分布，目标域候选有标记特征集USt1中特征ft1i的概率分布p(ft1i)、目标域候选有标记特征集USt1中特征ft1j和ft1i之间的联合概率分布p(ft1i,ft1j)，目标域候选有标记特征集USt1中特征类别属性Ct1的概率分布p(ct1)和目标域候选有标记特征集USt1中特征ft1j在目标域候选有标记特征集USt1中特征类别属性Ct1下的条件概率分布p(ft1j,ct1)，目标域候选有标记特征集USt1中特征ft1j、ft1i和特征类别属性Ct1之间的联合概率分布p(ft1i,ft1j,ct1)，下标i、j分别为特征序号；
(4)利用标准互信息计算公式NMI(f；C)，计算步骤(3)的源域候选特征集USs1中的所有特征fs1和源域候选特征集USs1中所有特征类别属性Cs1的标准化互信息NMIs1(fs1；Cs1)，计算步骤(3)的和目标域候选有标记特征集USt1中的所有特征ft1和目标域候选有标记特征集USt1中的所有特征类别属性Ct1的标准化互信息NMIt1(ft1；Ct1)；
(5)分别选取步骤(4)NMIs1(f；C)和NMIt1(f；C)中互信息值最大的特征，记为第一个源域入选特征集Ss1的入选特征和第一个目标域入选有标记特征集St1的入选特征，并分别从步骤(2)中源域候选特征集USs1和目标域候选有标记样本特征集USt1删除掉该入选特征；
(6)根据下面的广义互信息计算公式，分别计算源域入选特征集Ss1和源域特征类别属性Cs1的广义互信息MIRs1(Ss1；Cs1)及目标域入选有标记特征集St1和入选有标记特征类别属性Ct1的广义互信息MIRt1(St1；Ct1)：
(7)定义一个特征权重得分计算公式w(fi)，分别计算源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)：
(8)根据(7)中的源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)的大小，分别对源域候选特征集USs1和目标域候选有标记特征集USt1中的特征从大到小依次进行排序；
(9)将步骤(8)中源域候选特征集USs1中排序后的特征按次序与步骤(5)的源域入选特征集Ss1进行组合，得到源域组合后的特征集为Ss1∪{USs1(fs1i)}，将步骤(8)中的目标域候选特征集USt1排序后的特征按次序与步骤(5)的目标域入选有标记特征集St1进行组合，得到目标域组合后的特征集为St1∪{USt1(ft1i)}；
(10)根据步骤(6)的广义互信息计算公式，计算步骤(9)得到的源域组合的特征集与步骤(3)的源域候选特征集USs1中特征类别属性Cs1的广义互信息MIR(Ss1∪{USs1(fs1i)}；Cs1)；
(11)根据步骤(6)广义互信息计算公式，计算步骤(9)得到的目标域组合的特征集与步骤(3)的目标域候选有标记特征集USt1中特征类别属性Ct1的广义互信息MIR(St1∪{USt1(ft1i)}；Ct1)；
(12)利用下式，分别计算步骤(10)的广义互信息与步骤(6)的广义互信息之间的信息增量：
MIRG(USs1(fs1i))＝MIR(Ss1∪{USs1(fs1i)}；Cs1)-MIR(Ss1；Cs1)
MIRG(USs1(ft1i))＝MIR(St1∪{USt1(ft1i)}；Ct1)-MIR(St1；Ct1)
(13)当步骤(12)的信息增量MIRG(USs1(fs1i))＞0时，将使得信息增量大于0成立时相应的特征USs1(fs1i)加入到步骤(5)源域入选特征集Ss1，更新步骤(5)的源域入选特征集Ss1＝Ss1∪{USs1(fs1i)}，并将该特征从步骤(5)的源域候选特征集USs1中删除，得到更新后的源域候选特征集USs1＝USs1-USs1(fs1i)；当步骤(12)的信息增量MIRG(USt1(ft1i))＞0时，将使得信息增量大于0成立时相应的特征USt1(ft1i)加入到目标域入有标记选特征集St1，更新步骤(5)目标域入选有标记特征集St1＝St1∪{USt1(ft1i)}，并将该特征从步骤(5)的目标域候选有标记特征集USt1中删除，得到更新后的目标域候选有标记特征集USt1＝USt1-USt1(ft1i)；
(14)遍历步骤(8)中源域候选特征集USs1中排序后的所有特征，重复步骤(9)-步骤(13)，直到所有MIRG(USs1(fs1i))≤0；遍历步骤(8)中的目标域候选特征集USt1排序后的所有特征，重复步骤(9)-步骤(13)，直到所有MIRG(USs1(ft1i))≤0，得到选择出的源域入选样本特征集Ss1和目标域入选有标记样本特征集St1。
可选地，所述根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1，包括：
(1)分别计算源域入选样本特征集Ss1的所有特征与目标域入选有标记样本特征集St1的所有特征之间的预迁移特征贡献度CFTqy；
(2)对所述预迁移特征贡献度进行排序；
(3)将源域入选样本特征集Ss1中与最小预迁移贡献度相对应的特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1。
可选地，所述构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域，包括：
(1)构建一个确定电力系统动态安全域的支持向量机分类器如下：ht(si)→{+1,-1}其中，ht为弱分类器，si为第i个特征；
(2)定义所述特征集S′t1中特征的特征权重为D1(i)，初始化特征权重
Figure BDA0003297066600000061
其中，n为迁移后的特征集S′t1中特征的个数，i为特征序号；
(3)对分类器进行训练，设定T为迭代次数，t＝1,2,…,T；
(3-1)选取第t次迭代特征权重Dt(i)，利用支持向量机算法，根据加权后的特征集S′t1对分类器进行训练：ht(si)→{+1,-1}；
(3-2)计算分类器ht的错分率，即训练误差：
Figure BDA0003297066600000062
(3-3)计算分类器ht的权值：
Figure BDA0003297066600000063
(3-4)以步骤(3-3)的特征权值更新特步骤(3-1)的特征权重：
(3-5)重复步骤(3-1)-步骤(3-4)，经过T次循环，得到T个弱分类器ht，将T个弱分类器ht按各分离器的权重αt叠加起来，得到最终的强分类器：
Figure BDA0003297066600000064
(4)利用步骤(3-5)的强分类器，得到电力系统动态安全域边界。
根据本公开的第二方面，提出电力系统动态安全域确定装置，包括：
数据样本获取模块，用于离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
数据处理模块，用于对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
特征选择模块，用于对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
特征迁移模块，用于根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，根据最小预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
分类模块，用于构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
根据本公开的第三方面，提出电子设备，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′tr；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
根据本公开的第四方面，提出计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
根据本公开的实施例，能够针对电网拓扑结构和电力系统运行方式多变的海量数据，采用支持向量机与自适应迁移提升算法相结合的动态安全域挖掘方法进行电力系统动态安全域挖掘，突破传统方法存在的计算速度和精度的瓶颈，极大地减少了模型的训练时间和计算量，从而能够有效提高电力系统动态安全域构建的效率和准确率，为电力系统动态安全域构建及安全稳定分析评估提供技术依据和实用化方法。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，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是根据本公开的一个实施例示出的电力系统动态安全域确定装置示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
根据本公开一个实施例示出的电力系统动态安全域确定方法，，可以包括以下步骤：
在步骤1中，离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据。
在一个实施例中，所述电力系统历史运行数据为电力系统运行方式潮流数据和故障数据；所述电力系统仿真数据为电力系统潮流仿真数据和电力系统暂态稳定仿真数据。
在步骤2中，对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1(离线数据样本集)、和目标域样本集；目标域样本集中包括少量有标记样本集Dt1和无标记样本集Dtu(在线数据样本集)。
在一个实施例中，对所述源域数据和目标域数据进行预处理的过程为：对源域数据和目标域数据中的缺失数据进行补充，对源域数据和目标域数据中的重复数据进行删除，得到电力系统运行数据，将所述运行数据构建成一个样本以及样本特征，根据电力系统暂态稳定状态，定义特征类别属性，包括源域特征类别属性和目标域特征类别属性，对暂态稳定状态的样本以及样本特征打上标签1，对暂态不稳定状态的样本以及样本特征打上标签-1。
本公开的实施例中，样本集基于考虑组合效应特征选择方法，选择出描述电力系统动态安全域的关键特征，根据最小预迁移特征贡献度将源域预迁移特征迁移到目标域有标记样本特征集的到目标域迁移样本特征集，将上述迁移样本集输入采用支持向量机与迁移自适应提升算法相结合的动态安全域获取方法离线训练模型中，从而挖掘出电力系统动态安全域边界，具有较强的工程实用性。
在步骤3中，采用考虑组合效应的特征选择算法，分别对所述源域样本集和目标域样本集进行特征选择，得到构建动态安全域的源域关键特征和目标域关键特征，从而构建源域入选样本特征集和目标域入选样本特征集。
在一个实施例中，对所述源域样本集Ds1和目标域少量有标记样本集Dt1进行特征选择，选择出源域入选样本特征集Ss1和目标域入选有标记样本特征集St1，可以包括以下步骤：
(1)构建：一个源域入选特征集Ss1，一个目标域入选有标记特征集St1，初始化Ss1和St1为空集；构建一个源域候选特征集USs1，一个目标域候选有标记特征集USt1，初始化USs1和USt1为空集；
(2)将源域候选特征集USs1更新为源域样本集Ds1，将目标域候选有标记特征集USt1更新为目标域有标记样本集Dt1；
(3)采用直方图方法，分别对当前的源域候选特征集USs1中的各个特征进行离散估计和概率密度估计，得到源域候选特征集USs1中特征的概率分布，即源域候选特征集USs1中特征fs1i的概率分布p(fs1i)、源域候选特征集USs1中特征fs1j和fs1i之间的联合概率分布p(fs1i,fs1j)，源域候选特征集USs1中特征类别属性Cs1的概率分布p(cs1)和源域候选特征集USs1中特征fs1j在源域候选特征集USs1中特征类别属性Cs1下的条件概率分布p(fs1j,cs1)，源域候选特征集USs1中特征fs1j、fs1i和特征类别属性Cs1之间的联合概率分布p(fs1i,fs1j,cs1)；采用直方图方法，分别对当前目标域候选有标记特征集USt1中的各个特征进行离散估计和概率密度估计，得到目标域候选有标记特征集USt1中特征的概率分布，目标域候选有标记特征集USt1中特征ft1i的概率分布p(ft1i)、目标域候选有标记特征集USt1中特征ft1j和ft1i之间的联合概率分布p(ft1i,ft1j)，目标域候选有标记特征集USt1中特征类别属性Ct1的概率分布p(ct1)和目标域候选有标记特征集USt1中特征ft1j在目标域候选有标记特征集USt1中特征类别属性Ct1下的条件概率分布p(ft1j,ct1)，目标域候选有标记特征集USt1中特征ft1j、ft1i和特征类别属性Ct1之间的联合概率分布p(ft1i,ft1j,ct1)，下标i、j分别为特征序号；
(4)利用标准互信息计算公式NMI(f；C)，计算步骤(3)的源域候选特征集USs1中的所有特征fs1和源域候选特征集USs1中所有特征类别属性Cs1的标准化互信息NMIs1(fs1；Cs1)，计算步骤(3)的和目标域候选有标记特征集USt1中的所有特征ft1和目标域候选有标记特征集USt1中的所有特征类别属性Ct1的标准化互信息NMIt1(ft1；Ct1)；
其中，标准互信息的计算公式为：
Figure BDA0003297066600000101
式中，MI(f；C)表示特征f和特征类别属性C之间的互信息，即：
Figure BDA0003297066600000102
Figure BDA0003297066600000103
H(f)表示特征f的信息熵，H(C)表示特征类别属性C的信息熵，对于单个连续变量f，信息熵的计算公式如下：
H(f)＝-∫p(f)log2(p(f))
其中p(f)是特征f的概率分布，log2为以2为底的对数；
(5)分别选取步骤(4)NMIs1(f；C)和NMIt1(f；C)中互信息值最大的特征，记为第一个源域入选特征集Ss1的入选特征和第一个目标域入选有标记特征集St1的入选特征，并分别从步骤(2)中源域候选特征集USs1和目标域候选有标记样本特征集USt1删除掉该入选特征；
(6)根据下面的广义互信息计算公式，分别计算源域入选特征集Ss1和源域特征类别属性Cs1的广义互信息MIRs1(Ss1；Cs1)及目标域入选有标记特征集St1和入选有标记特征类别属性Ct1的广义互信息MIRt1(St1；Ct1)：
广义互信息的计算公式如下：
MIR(S；C)＝HR(S)-HR(S|C)
Figure BDA0003297066600000111
Figure BDA0003297066600000112
Figure BDA0003297066600000113
Figure BDA0003297066600000114
Figure BDA0003297066600000115
Figure BDA0003297066600000116
Figure BDA0003297066600000121
Figure BDA0003297066600000122
Figure BDA0003297066600000123
Figure BDA0003297066600000124
MI(si；sj|C)＝H(si,C)+H(sj,C)-H(C)-H(si,sj,C)
Figure BDA0003297066600000125
Figure BDA0003297066600000126
Figure BDA0003297066600000127
式中，HR(S)为特征集合S的关联信息熵，HR(S|C)为已知类别属性C后特征集合S的关联信息熵，RS为特征集合S的关联矩阵，RS|C为已知类别属性C后特征集合S的关联矩阵，
Figure BDA0003297066600000128
和
Figure BDA0003297066600000129
1≤i≤ls，分别为关联矩阵RS和RS|C的特征值，si和sj为特征特征集合S中的第i和第j个特征，ls为S中特征的个数；
(7)定义一个特征权重得分计算公式w(fi)，分别计算源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)：
特征权重得分计算公式如下：
Figure BDA00032970666000001210
其中，N为备选特征集合US中的特征数量；
(8)根据(7)中的源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)的大小，分别对源域候选特征集USs1和目标域候选有标记特征集USt1中的特征从大到小依次进行排序；
(9)将步骤(8)中源域候选特征集USs1中排序后的特征按次序与步骤(5)的源域入选特征集Ss1进行组合，得到源域组合后的特征集为Ss1∪{USs1(fs1i)}，将步骤(8)中的目标域候选特征集USt1排序后的特征按次序与步骤(5)的目标域入选有标记特征集St1进行组合，得到目标域组合后的特征集为St1∪{USt1(ft1i)}；
(10)根据步骤(6)的广义互信息计算公式，计算步骤(9)得到的源域组合的特征集与步骤(3)的源域候选特征集USs1中特征类别属性Cs1的广义互信息MIR(Ss1∪{USs1(fs1i)}；Cs1)；(11)根据步骤(6)广义互信息计算公式，计算步骤(9)得到的目标域组合的特征集与步骤(3)的目标域候选有标记特征集USt1中特征类别属性Ct1的广义互信息MIR(St1∪{USt1(ft1i)}；Ct1)；
(11)利用下式，分别计算步骤(10)的广义互信息与步骤(6)的广义互信息之间的信息增量：
MIRG(USs1(fs1i))＝MIR(Ss1∪{USs1(fs1i)}；Cs1)-MIR(Ss1；Cs1)
MIRG(USs1(ft1i))＝MIR(St1∪{USt1(ft1i)}；Ct1)-MIR(St1；Ct1)
(12)当步骤(11)的信息增量MIRG(USs1(fs1i))＞0时，将使得信息增量大于0成立时相应的特征USs1(fs1i)加入到步骤(5)源域入选特征集Ss1，更新步骤(5)的源域入选特征集Ss1＝Ss1∪{USs1(fs1i)}，并将该特征从步骤(5)的源域候选特征集USs1中删除，得到更新后的源域候选特征集USs1＝USs1-USs1(fs1i)；当步骤(11)的信息增量MIRG(USt1(ft1i))＞0时，将使得信息增量大于0成立时相应的特征USt1(ft1i)加入到目标域入有标记选特征集St1，更新步骤(5)目标域入选有标记特征集St1＝St1∪{USt1(ft1i)}，并将该特征从步骤(5)的目标域候选有标记特征集USt1中删除，得到更新后的目标域候选有标记特征集USt1＝USt1-USt1(ft1i)；
(13)遍历步骤(8)中源域候选特征集USs1中排序后的所有特征，重复步骤(9)-步骤(12)，直到所有MIRG(USs1(fs1i))≤0；遍历步骤(8)中的目标域候选特征集USt1排序后的所有特征，重复步骤(9)-步骤(12)，直到所有MIRG(USs1(ft1i))≤0，得到选择出的源域入选样本特征集Ss1和目标域入选有标记样本特征集St1。
在步骤4中，根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度CFTqy，将源域入选样本特征集Ss1中的预迁移特征贡献度进行排序，根据最小预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1。
在一个实施例中，所述根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度CFTqy，将源域入选样本特征集Ss1中的预迁移特征贡献度进行排序，根据最小预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1，可以包括以下步骤：
(1)分别计算源域入选样本特征集Ss1的所有特征与目标域入选有标记样本特征集St1的所有特征之间的预迁移特征贡献度CFTqy；
(2)对所述预迁移特征贡献度进行排序；
(3)将源域入选样本特征集Ss1中与最小预迁移贡献度相对应的特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集St′1。
其中，所述预迁移特征贡献度CFTqy的计算式为：
Figure BDA0003297066600000141
其中，i为特征序号，p(fs1i)为源域入选样本特征集Ss1中入选特征fs1i的概率分布，p(ft1i)为目标域入选有标记样本特征集St1中入选特征ft1i的概率分布。
该指标反映预迁移特征在迁移学习过程中的重要程度。
在步骤5中，构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。采用支持向量机与迁移自适应提升算法相结合的算法，构建动态安全域挖掘方法的离线训练模型，并将步骤(4)得到的迁移后的特征集S′t1输入模型进行训练，获得强分类器模型,得到电力系统动态安全域边界的表达式。
在一个实施例中，所述构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域，包括：
(1)构建一个确定电力系统动态安全域的支持向量机分类器如下：ht(si)→{+1,-1}其中，ht为弱分类器，si为第i个特征；
(2)定义所述特征集S′t1中特征的特征权重为D1(i)，初始化特征权重
Figure BDA0003297066600000151
其中，n为迁移后的特征集S′t1中特征的个数，i为特征序号；
(3)对分类器进行训练，设定T为迭代次数，t＝1,2,…,T；
(3-1)选取第t次迭代特征权重Dt(i)，利用支持向量机算法，根据加权后的特征集S′t1对分类器进行训练：ht(si)→{+1,-1}；
(3-2)计算分类器ht的错分率，即训练误差：
Figure BDA0003297066600000152
(3-3)计算分类器ht的权值：
Figure BDA0003297066600000153
(3-4)以步骤(3-3)的特征权值更新特步骤(3-1)的特征权重：
Figure BDA0003297066600000154
其中，Zt为归一化系数，
Figure BDA0003297066600000155
ci为第i个特征si的类别属性，exp为指数函数；
(3-5)重复步骤(3-1)-步骤(3-4)，经过T次循环，得到T个弱分类器ht，将T个弱分类器ht按各分离器的权重αt叠加起来，得到最终的强分类器：
Figure BDA0003297066600000156
(4)利用步骤(3-5)的强分类器，得到电力系统动态安全域边界。
本公开实施例的方法，适用于电网拓扑结构和电力系统运行方式多样化的场景中。采用本方法能够有效提高电力系统动态安全域构建的效率及准确率，为电力系统安全稳定分析与评估技术依据和实用化方法。本方法适用于电网拓扑结构和电力系统运行方式多样化的场景中。
与上述电力系统动态安全域确定方法的实施例相对应地，本公开还提出了电力系统动态安全域确定装置，如图1所示，包括：
数据样本获取模块，用于离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
数据处理模块，用于对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1(离线数据样本集)、和目标域样本集；目标域样本集中包括少量有标记样本集Dt1和无标记样本集Dtu(在线数据样本集)；
特征选择模块，用于采用考虑组合效应的特征选择算法，分别对所述源域样本集和目标域样本集进行特征选择，得到构建动态安全域的源域关键特征和目标域关键特征，从而构建源域入选样本特征集和目标域入选样本特征集；
特征迁移模块，用于根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度CFTqy，将源域入选样本特征集Ss1中的预迁移特征贡献度进行排序，根据最小预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
Figure BDA0003297066600000161
该指标反映预迁移特征在迁移学习过程中的重要程度。
分类模块，用于构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
采用支持向量机与迁移自适应提升算法相结合的算法，构建动态安全域挖掘方法的离线训练模型，并将步骤(4)得到的迁移后的特征集S′t1输入模型进行训练，获得强分类器模型,得到电力系统动态安全域边界的表达式。
本公开的实施例还提出了电子设备，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
本公开的实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
根据本公开的实施例，通过获取电网运行方式数据并进行预处理，采用特征选择算法提取出挖掘电力系统安全域的关键特征，基于最小预迁移特征贡献度指标进行特征迁移获取迁移后的特征集，然后采用支持向量机与迁移自适应提升算法相结合的算法构建动态安全域挖掘方法进行电力系统动态安全域确定，具有较强的工程实用性，而且易于实施。
需要说明的是，本公开的实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器，或者该处理器也可以是任何常规的处理器等，所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电力系统动态安全域确定过程中的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储所述操作系统在运行应用程序过程中所创建的数据(比如音频数据、图形数据等)等。此外，所述存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘的存储器件或闪存器件。
基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本公开提供的装置实施例附图中，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。
以上所述是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本公开的保护范围。

Claims (10)

1.一种电力系统动态安全域确定方法，其特征在于，包括：
离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
2.根据权利要求1所述的电力系统动态安全域确定方法，其特征在于，所述电力系统历史运行数据为电力系统运行方式潮流数据和故障数据；所述电力系统仿真数据为电力系统潮流仿真数据和电力系统暂态稳定仿真数据。
3.根据权利要求1所述的电力系统动态安全域确定方法，其特征在于，对所述源域数据和目标域数据进行预处理的过程为：对源域数据和目标域数据中的缺失数据进行补充，对源域数据和目标域数据中的重复数据进行删除，得到电力系统运行数据，将所述运行数据构建成一个样本以及样本特征，根据电力系统暂态稳定状态，定义特征类别属性，包括源域特征类别属性和目标域特征类别属性，对暂态稳定状态的样本以及样本特征打上标签1，对暂态不稳定状态的样本以及样本特征打上标签-1。
4.如权利要求1的一种基于迁移学习的电力系统动态安全域挖掘方法，其特征在于，对所述源域样本集Ds1和目标域少量有标记样本集Dt1进行特征选择，选择出源域入选样本特征集Ss1和目标域入选有标记样本特征集St1，包括：
(1)构建：一个源域入选特征集Ss1，一个目标域入选有标记特征集St1，初始化Ss1和St1为空集；构建一个源域候选特征集USs1，一个目标域候选有标记特征集USt1，初始化USs1和USt1为空集；
(2)将源域候选特征集USs1更新为源域样本集Ds1，将目标域候选有标记特征集USt1更新为目标域有标记样本集Dt1；
(3)采用直方图方法，分别对当前的源域候选特征集USs1中的各个特征进行离散估计和概率密度估计，得到源域候选特征集USs1中特征的概率分布，即源域候选特征集USs1中特征fs1i的概率分布p(fs1i)、源域候选特征集USs1中特征fs1j和fs1i之间的联合概率分布p(fs1i,fs1j)，源域候选特征集USs1中特征类别属性Cs1的概率分布p(cs1)和源域候选特征集USs1中特征fs1j在源域候选特征集USs1中特征类别属性Cs1下的条件概率分布p(fs1j,cs1)；采用直方图方法，分别对当前目标域候选有标记特征集USt1中的各个特征进行离散估计和概率密度估计，得到目标域候选有标记特征集USt1中特征的概率分布，目标域候选有标记特征集USt1中特征ft1i的概率分布p(ft1i)、目标域候选有标记特征集USt1中特征ft1j和ft1i之间的联合概率分布p(ft1i,ft1j)，目标域候选有标记特征集USt1中特征类别属性Ct1的概率分布p(ct1)和目标域候选有标记特征集USt1中特征ft1j在目标域候选有标记特征集USt1中特征类别属性Ct1下的条件概率分布p(ft1j,ct1)，下标i、j分别为特征序号；
(4)利用标准互信息计算公式NMI(f；C)，计算步骤(3)的源域候选特征集USs1中的所有特征fs1和源域候选特征集USs1中所有特征类别属性Cs1的标准化互信息NMIs1(fs1；Cs1)，计算步骤(3)的和目标域候选有标记特征集USt1中的所有特征ft1和目标域候选有标记特征集USt1中的所有特征类别属性Ct1的标准化互信息NMIt1(ft1；Ct1)；
(5)分别选取步骤(4)NMIs1(f；C)和NMIt1(f；C)中互信息值最大的特征，记为第一个源域入选特征集Ss1的入选特征和第一个目标域入选有标记特征集St1的入选特征，并分别从步骤(2)中源域候选特征集USs1和目标域候选有标记样本特征集USt1删除掉该入选特征；
(6)根据下面的广义互信息计算公式，分别计算源域入选特征集Ss1和源域特征类别属性Cs1的广义互信息MIRs1(Ss1；Cs1)及目标域入选有标记特征集St1和入选有标记特征类别属性Ct1的广义互信息MIRt1(St1；Ct1)：
(7)定义一个特征权重得分计算公式w(fi)，分别计算源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)：
(8)根据(7)中的源域候选特征集USs1中所有特征的权重得分ws1(fs1i)和目标域候选特征集USt1中所有特征的权重得分wt1(ft1i)的大小，分别对源域候选特征集USs1和目标域候选有标记特征集USt1中的特征从大到小依次进行排序；
(9)将步骤(8)中源域候选特征集USs1中排序后的特征按次序与步骤(5)的源域入选特征集Ss1进行组合，得到源域组合后的特征集为Ss1∪{USs1(fs1i)}，将步骤(8)中的目标域候选特征集USt1排序后的特征按次序与步骤(5)的目标域入选有标记特征集St1进行组合，得到目标域组合后的特征集为St1∪{USt1(ft1i)}；
(10)根据步骤(6)的广义互信息计算公式，计算步骤(9)得到的源域组合的特征集与步骤(3)的源域候选特征集USs1中特征类别属性Cs1的广义互信息MIR(Ss1∪{USs1(fs1i)}；Cs1)；
(11)根据步骤(6)广义互信息计算公式，计算步骤(9)得到的目标域组合的特征集与步骤(3)的目标域候选有标记特征集USt1中特征类别属性Ct1的广义互信息MIR(St1∪{USt1(ft1i)}；Ct1)；
(12)利用下式，分别计算步骤(10)的广义互信息与步骤(6)的广义互信息之间的信息增量：
MIRG(USs1(fs1i))＝MIR(Ss1∪{USs1(fs1i)}；Cs1)-MIR(Ss1；Cs1)
MIRG(USs1(ft1i))＝MIR(St1∪{USt1(ft1i)}；Ct1)-MIR(St1；Ct1)
(13)当步骤(12)的信息增量MIRG(USs1(fs1i))＞0时，将使得信息增量大于0成立时相应的特征USs1(fs1i)加入到步骤(5)源域入选特征集Ss1，更新步骤(5)的源域入选特征集Ss1＝Ss1∪{USs1(fs1i)}，并将该特征从步骤(5)的源域候选特征集USs1中删除，得到更新后的源域候选特征集USs1＝USs1-USs1(fs1i)；当步骤(12)的信息增量MIRG(USt1(ft1i))＞0时，将使得信息增量大于0成立时相应的特征USt1(ft1i)加入到目标域入有标记选特征集St1，更新步骤(5)目标域入选有标记特征集St1＝St1∪{USt1(ft1i)}，并将该特征从步骤(5)的目标域候选有标记特征集USt1中删除，得到更新后的目标域候选有标记特征集USt1＝USt1-USt1(ft1i)；
(14)遍历步骤(8)中源域候选特征集USs1中排序后的所有特征，重复步骤(9)-步骤(13)，直到所有MIRG(USs1(fs1i))≤0；遍历步骤(8)中的目标域候选特征集USt1排序后的所有特征，重复步骤(9)-步骤(13)，直到所有MIRG(USs1(ft1i))≤0，得到选择出的源域入选样本特征集Ss1和目标域入选有标记样本特征集St1。
5.根据权利要求1所述的电力系统动态安全域确定方法，其特征在于，所述根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1，包括：
(1)分别计算源域入选样本特征集Ss1的所有特征与目标域入选有标记样本特征集St1的所有特征之间的预迁移特征贡献度CFTqy；
(2)对所述预迁移特征贡献度进行排序；
(3)将源域入选样本特征集Ss1中与最小预迁移贡献度相对应的特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1。
6.如权利要求5所述的电力系统动态安全域确定方法，其特征在于，所述预迁移特征贡献度CFTqy的计算式为：
Figure RE-FDA0003398850620000041
其中，i为特征序号，p(fs1i)为源域入选样本特征集Ss1中入选特征fs1i的概率分布，p(ft1i)为目标域入选有标记样本特征集St1中入选特征ft1i的概率分布。
7.如权利要求1所述的电力系统动态安全域确定方法，其特征在于，所述构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域，包括：
(1)构建一个确定电力系统动态安全域的支持向量机分类器如下：ht(si)→{+1,-1}
其中，ht为弱分类器，si为第i个特征；
(2)定义所述特征集S′t1中特征的特征权重为D1(i)，初始化特征权重
Figure RE-FDA0003398850620000051
其中，n为迁移后的特征集S′t1中特征的个数，i为特征序号；
(3)对分类器进行训练，设定T为迭代次数，t＝1,2,…,T；
(3-1)选取第t次迭代特征权重Dt(i)，利用支持向量机算法，根据加权后的特征集S′t1对分类器进行训练：ht(si)→{+1,-1}；
(3-2)计算分类器ht的错分率，即训练误差：
Figure RE-FDA0003398850620000052
(3-3)计算分类器ht的权值：
Figure RE-FDA0003398850620000053
(3-4)以步骤(3-3)的特征权值更新特步骤(3-1)的特征权重：
Figure RE-FDA0003398850620000054
其中，Zt为归一化系数，
Figure RE-FDA0003398850620000055
ci为第i个特征si的类别属性，exp为指数函数；
(3-5)重复步骤(3-1)-步骤(3-4)，经过T次循环，得到T个弱分类器ht，将T个弱分类器ht按各分离器的权重αt叠加起来，得到最终的强分类器：
Figure RE-FDA0003398850620000056
(4)利用步骤(3-5)的强分类器，得到电力系统动态安全域边界。
8.一种电力系统动态安全域确定装置，其特征在于，包括：
数据样本获取模块，用于离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；
数据处理模块，用于对所述源域数据和目标域数据进行预处理，构建源域样本集Ds1和目标域样本集；
特征选择模块，用于对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
特征迁移模块，用于根据源域入选样本特征集Ss1和目标域入选有标记样本特征集St1的预迁移特征贡献度，根据最小预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集St1中，得到迁移后的特征集S′t1；
分类模块，用于构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S′t1对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行权利要求1-6的任何电力系统动态安全域确定。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行权利要求1-6的任何电力系统动态安全域确定。
CN202111180537.7A 2021-10-11 2021-10-11 一种电力系统动态安全域确定方法、装置、电子设备及可读介质 Active CN114021180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111180537.7A CN114021180B (zh) 2021-10-11 2021-10-11 一种电力系统动态安全域确定方法、装置、电子设备及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111180537.7A CN114021180B (zh) 2021-10-11 2021-10-11 一种电力系统动态安全域确定方法、装置、电子设备及可读介质

Publications (2)

Publication Number Publication Date
CN114021180A true CN114021180A (zh) 2022-02-08
CN114021180B CN114021180B (zh) 2024-04-12

Family

ID=80055767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111180537.7A Active CN114021180B (zh) 2021-10-11 2021-10-11 一种电力系统动态安全域确定方法、装置、电子设备及可读介质

Country Status (1)

Country Link
CN (1) CN114021180B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149636A (zh) * 2018-09-10 2019-01-04 国网天津市电力公司 基于动态安全域的风电接入点暂态稳定性影响研究方法
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
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
WO2020232874A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN112330488A (zh) * 2020-11-05 2021-02-05 贵州电网有限责任公司 基于迁移学习的电网频率态势预测方法
CN112949009A (zh) * 2021-02-23 2021-06-11 南京邮电大学 基于迁移学习的主动配电网分布式状态估计方法及系统
CN113159126A (zh) * 2021-03-22 2021-07-23 河海大学 基于通用域适应的工业物联网设备故障诊断方法
CN113343804A (zh) * 2021-05-26 2021-09-03 武汉大学 面向单视全极化sar数据的集成迁移学习分类方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149636A (zh) * 2018-09-10 2019-01-04 国网天津市电力公司 基于动态安全域的风电接入点暂态稳定性影响研究方法
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
WO2020232874A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于迁移学习的建模方法、装置、计算机设备和存储介质
CN111898095A (zh) * 2020-07-10 2020-11-06 佛山科学技术学院 深度迁移学习智能故障诊断方法、装置、存储介质和设备
CN112330488A (zh) * 2020-11-05 2021-02-05 贵州电网有限责任公司 基于迁移学习的电网频率态势预测方法
CN112949009A (zh) * 2021-02-23 2021-06-11 南京邮电大学 基于迁移学习的主动配电网分布式状态估计方法及系统
CN113159126A (zh) * 2021-03-22 2021-07-23 河海大学 基于通用域适应的工业物联网设备故障诊断方法
CN113343804A (zh) * 2021-05-26 2021-09-03 武汉大学 面向单视全极化sar数据的集成迁移学习分类方法及系统

Also Published As

Publication number Publication date
CN114021180B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN112686464A (zh) 短期风电功率预测方法及装置
CN112488395A (zh) 一种配电网线损预测方法及系统
CN110399800B (zh) 基于深度学习vgg16框架的车牌检测方法及系统、存储介质
CN111241755A (zh) 电力负荷预测方法
CN109034490A (zh) 一种电力负荷预测方法、装置、设备及存储介质
Daş Forecasting the energy demand of Turkey with a NN based on an improved Particle Swarm Optimization
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN112308335A (zh) 一种基于xgboost算法的短期电价预测方法及装置
CN116757465A (zh) 一种基于双训练权重分配模型的线路风险评估方法及装置
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN110610140A (zh) 人脸识别模型的训练方法、装置、设备及可读存储介质
CN112232886B (zh) 一种电价概率预测方法、系统、计算机设备和存储介质
CN110866609B (zh) 解释信息获取方法、装置、服务器和存储介质
CN117669874A (zh) 一种基于qpso的电网规划数据失真智能识别方法及系统
CN117235633A (zh) 机构分类方法、装置、计算机设备及存储介质
CN114021180A (zh) 一种电力系统动态安全域确定方法、装置、电子设备及可读介质
Sun et al. Support vector machines with PSO algorithm for short-term load forecasting
CN113837475B (zh) 有向图深度神经网络径流概率预报方法、系统、设备及终端
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
Stach et al. Higher-order fuzzy cognitive maps
CN111931994A (zh) 一种短期负荷及光伏功率预测方法及其系统、设备、介质
Mao et al. Estimated time of arrival prediction via modeling the spatial-temporal interactions between links and crosses
CN111476408A (zh) 一种电力通信设备状态预测方法及系统
Xin et al. Research on electric vehicle charging load prediction method based on spectral clustering and deep learning network
CN112632846B (zh) 一种电力系统输电断面极限概率评估方法及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant