CN114266396A - 一种基于电网特征智能筛选的暂态稳定判别方法 - Google Patents

Abstract

本发明涉及一种基于电网特征智能筛选的暂态稳定判别方法，包括以下步骤：步骤1、利用拉丁超立方抽样生成电网的各种运行状态样本；步骤2、基于步骤1的生成电网的各种运行状态样本，使用改进的最大相关最小冗余算法筛选能够表征系统暂态稳定性的关键特征；步骤3、利用步骤2筛选出的关键特征对系统稳定性进行判别。本发明基于改进的最大相关最小冗余算法，能够辨识影响系统稳定性关键因素，进而解决传统方法暂态稳定评估不准确的问题，为电网运行人员提供暂态稳定预防控制的思路和方法。

Description

一种基于电网特征智能筛选的暂态稳定判别方法

技术领域

本发明属于电网安全稳定分析技术领域，涉及一种电网暂态稳定判别方法，尤其是一种基于电网特征智能筛选的暂态稳定判别方法。

背景技术

随着量测技术、通信技术、计算机技术和控制技术等方面的不断发展，电网已经成为一个综合各种先进技术的超大型系统。由于电网的整体性，电网中发生的故障会迅速波及其他地区，并产生广泛影响。严重时还会造成重大事故，严重危害社会经济和人民生活。因此，各国都在努力追求建设智能电网，尽可能提高系统的可靠性、稳定性和自愈能力。电力系统暂态稳定评估(Transient Stability Assessment，TSA)是保证电力系统安全稳定运行的基础性手段。

人工智能是一门集控制论、信息论、计算机科学、数理逻辑、神经生理学等学科于一体的新兴交叉学科，已经在各个领域展现出了广阔应用前景。人工智能在处理多因素共同作用、机理不明的复杂问题时具有优势，可以有效利用大数据量级的样本，并能在几毫秒内得到预测或判断结果。这些特点与暂态问题高度匹配，紧密契合。

随着大规模新能源和直流线路的接入，电力电子受控元件的数目及种类急剧增加，电网中的大数据表现出“4V”特点，即规模大(Volume)、类型多(Variety)、变化快(Velocity)和价值密度低(Value)。这些特点使得电网特征很难直接应用于暂态稳定评估，需要预先进行筛选和处理。以数据驱动为核心的新一代机器学习一方面可以弥补人工选择不准确造成的信息缺失，另一方面可以快速高效地剔除无关特征，正在发挥着越来越重要的作用。

通常特征选择方法只侧重研究单个特征量对结果准确率的影响，忽略了不同特征间的冗余。在实际电网中，不同特征量之间存在隐含的逻辑关系，并不是彼此孤立的。因此，特征选择不仅要考虑特征量对结果的刻画能力，而且要尽量减小不同特征之间的冗余。最大相关最小冗余(Maximal Relevance and Minimal Redundancy，mRMR)算法作为一种基于互信息的智能算法，在最大化特征与分类变量之间相关性的同时，又最小化特征与特征之间的相关性，是一种可以有效用于电网特征筛选的智能算法。然而，有研究表明当样本出现不均衡现象，该算法会产生明显误差。

综上所述，利用智能算法进行电网特征筛选，进而对电力系统暂态稳定进行评估，是当前复杂网络环境下提升电网安全性、稳定性的重要手段。

因此，本发明提供了一种基于电网特征智能筛选的暂态稳定判别方法。

经检索，未发现与本发明相同或相似的现有技术。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于电网特征智能筛选的暂态稳定判别方法，基于改进的最大相关最小冗余算法，能够辨识影响系统稳定性关键因素，进而解决传统方法暂态稳定评估不准确的问题，为电网运行人员提供暂态稳定预防控制的思路和方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于电网特征智能筛选的暂态稳定判别方法，包括以下步骤：

步骤1、利用拉丁超立方抽样生成电网的各种运行状态样本；

步骤2、基于步骤1的生成电网的各种运行状态样本，使用改进的最大相关最小冗余算法筛选能够表征系统暂态稳定性的关键特征；

步骤3、利用步骤2筛选出的关键特征对系统稳定性进行判别。

而且，所述步骤1的具体方法为：

对除平衡机以外的所有发电机有功出力进行拉丁超立方抽样，生成电网的各种运行状态，各个发电机抽样过程之间保持相互独立，并按照功率平衡原则调整负荷有功功率。

而且，所述步骤2的具体步骤包括：

(1)假设特征集S中特征t_i(第i个特征)和分类c的概率密度分别为 p(t_i)和p(c)，联合概率密度为p(t_i,c)，则t_i和c之间的互信息I(t_i；c)定义为：

若变量离散，则该式变为：

其中，t_in是特征t_i第n个可能的取值，c_i是分类c第i个可能的取值。

(2)引入考虑样本均衡性的信息增益比指标，该指标是互信息和信息熵的比值：

其中，信息熵H(t_i；c)的表达式为：

样本越均衡对应的信息熵越大，它作为分母，可以校正互信息容易偏向于均衡样本的问题，于是，最大相关性是搜索满足以下公式的特征：

式中，|S|为特征数目，D为均值互信息，可反映特征集与相应类别的相关性。并引入最小冗余的概念，来选择与已选特征冗余较小的特征：

式中，I(t_i；t_j)是特征i和特征j之间的互信息，R表示特征之间的冗余性。将最大相关性D与最小冗余度R结合起来，即最大相关最小冗余准则如下：

maxΦ(D,R),Φ＝D-R (7)

(3)采用定义增量搜索方法可以得到近似最优解：假设已经获得特征子集S_m-1，需要在剩余的S-S_m-1特征子集中选择出第m个特征，通过最大化Φ(D,R) 来进行特征选择，即：

(4)利用mRMR本身指标确定关键特征个数：

当待选特征集中所有特征由式(8)计算出的Φ都小于某一数值时，认为待选特征集中的特征对结果的表征贡献不大，此时待选特征集中的特征与分类结果的相关性不大或与已选特征有较大的冗余，因此终止选择；在进行特征选择时，首次选取与类别相关性最大的特征，从第二个特征开始按式(8)计算Φ指标，本发明取第二次特征选择时计算出最大Φ的5％作为特征选择的终止条件，即：

Φ(t_i)≤ε＝0.05Φ(t₂)i＝3,4,...,|S| (9)

式中，ε为特征选择的终止条件。

而且，所述步骤3的具体方法为：

以支持向量机作为稳定预测模型，将生成的样本随机分为训练样本和测试样本，使用训练样本对暂态稳定评估器进行训练，训练出的模型可用于系统稳定性判别，并可以通过测试样本验证模型的准确度。

本发明的优点和有益效果：

1、本发明通过改进的基于互信息的最大相关最小冗余算法，对电网稳态特征进行筛选，突出了关键特征对系统稳定性的影响。本发明在最大化特征与分类变量之间相关性的同时，又最小化特征与特征之间的相关性，所得特征集能准确反映系统的暂态稳定水平，并且特征之间冗余很小，有效降低了特征集的维度，有助于电网运行人员更好地监测系统状态，对暂态稳定预防控制也有一定的指导意义。

2、本发明利用故障前电网中的特征信息，结合特征筛选智能算法，提出了一种系统稳态特征筛选及暂态稳定判别方法。该方法不依赖于复杂的理论分析和精确的模型构建，提升了系统判稳的准确性；且能够适应风电等新能源大规模接入和交直流混联运行的复杂网络环境，有助于电网运行人员更好地监测系统状态，对暂态稳定预防控制也有一定的指导意义。

3、本发明使用拉丁超立方抽样生成的样本分布更加均匀，能够满足考虑电网极端运行状态的需要，有利于提高暂态稳定评估器的泛化能力。

附图说明

图1是本发明提供的拉丁超立方抽样结果图；

图2是本发明提供的改进mRMR算法流程图；

图3是本发明提供的新英格兰10机39节点系统接线图；

图4是本发明提供的发电机G30、G31和G33有功出力的拉丁超立方抽样结果图；

图5是本发明提供的不同特征选择算法准确率比较图。

具体实施方式

以下对本发明实施例作进一步详述：

一种基于电网特征智能筛选的暂态稳定判别方法，包括以下步骤：

步骤1、利用拉丁超立方抽样生成电网的各种运行状态样本；

所述步骤1的具体方法为：

对除平衡机以外的所有发电机有功出力进行拉丁超立方抽样，生成电网的各种运行状态，各个发电机抽样过程之间保持相互独立，并按照功率平衡原则调整负荷有功功率。

在本实施例中，利用人工智能算法进特征选择之前需要构造大量的样本数据，为使样本更好地遍布整个状态空间，本发明采用了拉丁超立方抽样 (Latin HypercubeSampling，LHS)方法。该抽样方法是抽样技术的最新发展，它是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡罗积分等。

拉丁超立方抽样中使用了“抽样不替换”技术，首先选中一个要抽样的分层，然后从选中的分层中，随机选取数值。假设系统中运行状态呈正态分布，在其概率累积曲线上进行5次抽样，拉丁超立方抽样的结果如图1所示。

累积分布的分层数目与所进行抽样的次数相同，在上面的例子中，有5 次抽样，所以累积分布有5个分层，每个分层都有一个样本被取出。一旦从分层中抽取样本，就不再对这个分层进行抽样——它的值已在样本集中被表示。当使用拉丁超立方抽样从多维变量空间中抽样时，保持各维变量间的独立性很重要，而且每个变量的抽样过程不应相互影响。拉丁超立方抽样作为一种更加高效的抽样方法，在效率和运行时间(由于少的迭代次数)方面具有独特优势，并且有助于分析输入概率分布中的低概率结果。通过强制抽样中包含低概率事件，拉丁超立方抽样确保了低概率事件在模拟输出中的准确表示。

这些特点能够满足考虑电网极端运行状态的需要，因此使用LHS生成的样本分布更加均匀，有利于提高暂态稳定评估器的泛化能力。在构造样本时，本发明对除平衡机以外的所有发电机有功出力进行拉丁超立方抽样，各个发电机抽样过程之间保持相互独立，并按照功率平衡原则调整负荷有功功率。

步骤2、基于步骤1的生成电网的各种运行状态样本，使用改进的最大相关最小冗余算法筛选能够表征系统暂态稳定性的关键特征；

特征选择(Feature Selection)也称特征子集选择(Feature Subset Selection,FSS)，或属性选择(Attribute Selection)。是指从已有的M个特征中选择N 个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程，是提高学习算法性能的一个重要手段。对于一个学习算法来说，好的学习样本是训练模型的关键。

为此，本发明改进了基于互信息理论的mRMR算法，所述步骤2的具体步骤包括：

(1)假设特征集S中特征t_i(第i个特征)和分类c的概率密度分别为p(t_i)和p(c)，联合概率密度为p(t_i,c)，则t_i和c之间的互信息I(t_i；c)定义为：

若变量离散，则该式变为：

其中，t_in是特征t_i第n个可能的取值，c_i是分类c第i个可能的取值。

(2)上述公式对均衡样本有很好的效果，但是当样本出现不均衡现象，就会产生明显误差。针对这个问题，本发明对式(2)进行了改进，引入了考虑样本均衡性的信息增益比指标，该指标是互信息和信息熵的比值：

其中，信息熵H(t_i；c)的表达式为：

样本越均衡对应的信息熵越大，它作为分母，可以校正互信息容易偏向于均衡样本的问题。于是，最大相关性是搜索满足以下公式的特征：

式中，|S|为特征数目，D为均值互信息，可反映特征集与相应类别的相关性。并引入最小冗余的概念，来选择与已选特征冗余较小的特征：

式中，I(t_i；t_j)是特征i和特征j之间的互信息，R表示特征之间的冗余性。将最大相关性D与最小冗余度R结合起来，即最大相关最小冗余准则如下：

maxΦ(D,R),Φ＝D-R (7)

(3)实际应用中，采用定义增量搜索方法可以得到近似最优解。假设已经获得特征子集S_m-1，需要在剩余的S-S_m-1特征子集中选择出第m个特征，通过最大化Φ(D,R)来进行特征选择，即：

(4)此外，本发明还提出一种利用mRMR本身指标的特征个数确定方法。当待选特征集中所有特征由式(8)计算出的Φ都小于某一数值时，可以认为待选特征集中的特征对结果的表征贡献不大，此时待选特征集中的特征与分类结果的相关性不大或与已选特征有较大的冗余，因此可以终止选择。在进行特征选择时，首次选取与类别相关性最大的特征。从第二个特征开始按式(8)计算Φ指标，本发明取第二次特征选择时计算出最大Φ的5％作为特征选择的终止条件，即：

Φ(t_i)≤ε＝0.05Φ(t₂)i＝3,4,...,|S| (9)

式中，ε为特征选择的终止条件。

本发明将稳态时的量测数据作为样本特征，将系统稳定状态作为类别，选择与系统稳定状态相关性最大，并且彼此冗余最小的特征作为最终选取特征。本发明选取发电机有功出力、无功出力，负荷节点有功负荷、无功负荷，输电线路的有功潮流、无功潮流，母线电压幅值、相角构成原始特征空间。

假设原始特征集S中共有n个特征，X和Y分别为已选特征子集和待选特征子集，下面是生成待选特征子集的具体流程，如图2所示。

1)初始化。S→Y，

2)计算t_i∈Y与系统稳定类别c之间的相关性I_B(t_i；c)，选择使max[I_B(t_i；c)]成立的特征并记作t₁，令Y-{t₁}→Y,{t₁}→X；

3)设

从X中选择使式(8)成立的最大特征并记作t₂，令 Y-{t₂}→Y,X+{t₁}→X；

4)重复步骤3)，直到特征选择满足式(9)所示的终止条件，将得到的特征子集Y中的特征按降序排列。

步骤2考虑了不同特征之间的冗余特性，以及选取特征的个数确定方法；

步骤3、利用步骤2筛选出的关键特征对系统稳定性进行判别，并与其他方法进行了对比。

所述步骤3的具体方法为：

本发明以支持向量机作为稳定预测模型，将生成的样本随机分为训练样本和测试样本，使用训练样本对暂态稳定评估器进行训练，训练出的模型可用于系统稳定性判别，并可以通过测试样本验证模型的准确度。

下面通过具体算例，对本发明作进一步说明：

本发明以新英格兰10机39节点系统(如图3所示)为例，对本发明具体实施方式做出详细说明。一种基于电网特征智能筛选的暂态稳定评估方法，包括以下步骤：

(1)样本构造

采用拉丁超立方抽样抽取3000组不同的发电和负荷组合，作为样本原始输入数据。系统中发电机G30、G31和G33有功出力的拉丁超立方抽样结果如图4所示，可以看到发电机G30、G31和G33的有功出力遍布整个状态空间，有利于提高暂态稳定评估器的泛化能力。

(2)特征选择

本发明将稳态时的量测数据作为样本特征，将系统稳定状态作为类别，选择与系统稳定状态相关性最大，并且彼此冗余最小的特征作为最终选取特征。预想故障设置为线路15-14首端发生三相短路，0.15秒后故障消失。采用中国电力科学研究院开发的PSD-BPA作为仿真软件，对生成的3000组发电—负荷组合进行故障模拟。每种情况下仿真时长500周波，以仿真结束时系统最大功角差是否大于360°为判稳依据。

原始特征空间由发电机有功出力、无功出力，负荷节点有功负荷、无功负荷，输电线路的有功潮流、无功潮流，母线电压幅值、相角构成，一共204 个特征。采用改进的mRMR算法进行特征选择，共筛选出23个特征，如表1 所示：

表1筛选出的23个特征

从表1可以看出，筛选出的23个特征比较均匀地分布在系统中各处，没有呈现出集中现象。电网中一个相近区域内的特征量往往相互关联，可以彼此推导得出，而距离较远的特征量能在一定程度上保持相互独立。本算例中筛选出的特征彼此电气距离较远，符合冗余性剔除的直观认识。

(3)系统稳定性判别

本发明以线性支持向量机(Linear Support Vector Machine,LSVM)为例作为准确率校验工具，将生成的3000组样本随机分为2500组训练样本和500 组测试样本，使用训练样本对暂态稳定评估器进行训练，并通过测试样本验证模型准确度。为了验证本发明方法的有效性，将本发明所提方法与其他经典特征选择方法进行比较，每种方法均选择23个特征，对比结果如表2所示。

表2各种特征选择方法结果对比

可以看出，当特征选择数为23时，本发明方法在准确率、召回率和AUC 分数等三个指标上均有较大优势。进一步比较不同特征选择方法在特征选取数变化情况下的准确率指标，如图5所示。

可以看到本发明方法在大多数情况下准确率都是最高的，说明了本发明方法的有效性。特征数量达到20后，本发明方法的准确率不会随特征个数增加而发生明显增长，并且还可能有小的波动，这是由于特征增加带来的冗余影响了LSVM的训练模型。此外，还可以看到Relief方法和卡方检验方法在特征数较小时准确率不高，随特征数的增加准确率会有明显提升。信息增益法随特征数的增多，准确率会有小幅度持续增长。相关系数法准确率比较平稳，但总体上低于本发明方法。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于电网特征智能筛选的暂态稳定判别方法，其特征在于：包括以下步骤：

步骤1、利用拉丁超立方抽样生成电网的各种运行状态样本；

步骤2、基于步骤1的生成电网的各种运行状态样本，使用改进的最大相关最小冗余算法筛选能够表征系统暂态稳定性的关键特征；

步骤3、利用步骤2筛选出的关键特征对系统稳定性进行判别。

2.根据权利要求1所述的一种基于电网特征智能筛选的暂态稳定判别方法，其特征在于：所述步骤1的具体方法为：

对除平衡机以外的所有发电机有功出力进行拉丁超立方抽样，生成电网的各种运行状态，各个发电机抽样过程之间保持相互独立，并按照功率平衡原则调整负荷有功功率。

3.根据权利要求1所述的一种基于电网特征智能筛选的暂态稳定判别方法，其特征在于：所述步骤2的具体步骤包括：

(1)假设特征集S中特征t_i(第i个特征)和分类c的概率密度分别为p(t_i)和p(c)，联合概率密度为p(t_i,c)，则t_i和c之间的互信息I(t_i；c)定义为：

若变量离散，则该式变为：

其中，t_in是特征t_i第n个可能的取值，c_i是分类c第i个可能的取值；

(2)引入考虑样本均衡性的信息增益比指标，该指标是互信息和信息熵的比值：

其中，信息熵H(t_i；c)的表达式为：

样本越均衡对应的信息熵越大，它作为分母，可以校正互信息容易偏向于均衡样本的问题，于是，最大相关性是搜索满足以下公式的特征：

式中，|S|为特征数目，D为均值互信息，可反映特征集与相应类别的相关性；并引入最小冗余的概念，来选择与已选特征冗余较小的特征：

式中，I(t_i；t_j)是特征i和特征j之间的互信息，R表示特征之间的冗余性；将最大相关性D与最小冗余度R结合起来，即最大相关最小冗余准则如下：

maxΦ(D,R),Φ＝D-R (7)

(3)采用定义增量搜索方法可以得到近似最优解：假设已经获得特征子集S_m-1，需要在剩余的S-S_m-1特征子集中选择出第m个特征，通过最大化Φ(D,R)来进行特征选择，即：

(4)利用mRMR本身指标确定关键特征个数：

当待选特征集中所有特征由式(8)计算出的Φ都小于某一数值时，认为待选特征集中的特征对结果的表征贡献不大，此时待选特征集中的特征与分类结果的相关性不大或与已选特征有较大的冗余，因此终止选择；在进行特征选择时，首次选取与类别相关性最大的特征，从第二个特征开始按式(8)计算Φ指标，本发明取第二次特征选择时计算出最大Φ的5％作为特征选择的终止条件，即：

Φ(t_i)≤ε＝0.05Φ(t₂) i＝3,4,...,|S| (9)

式中，ε为特征选择的终止条件。

4.根据权利要求1所述的一种基于电网特征智能筛选的暂态稳定判别方法，其特征在于：所述步骤3的具体方法为：

以支持向量机作为稳定预测模型，将生成的样本随机分为训练样本和测试样本，使用训练样本对暂态稳定评估器进行训练，训练出的模型可用于系统稳定性判别，并可以通过测试样本验证模型的准确度。

Images