CN116070384A - 基于电网特征排列重要性的暂态稳定评估方法及系统 - Google Patents
基于电网特征排列重要性的暂态稳定评估方法及系统 Download PDFInfo
- Publication number
- CN116070384A CN116070384A CN202310067986.3A CN202310067986A CN116070384A CN 116070384 A CN116070384 A CN 116070384A CN 202310067986 A CN202310067986 A CN 202310067986A CN 116070384 A CN116070384 A CN 116070384A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- feature
- model
- training
- importance
- 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 78
- 238000011156 evaluation Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013210 evaluation model Methods 0.000 claims abstract description 23
- 238000013097 stability assessment Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于电网特征排列重要性的暂态稳定评估方法及系统,获取系统运行状态和故障条件下的实时样本数据;将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;其中,暂态稳定评估模型通过以下方法建立:获取不同系统运行状态和故障条件下的历史样本数据;基于所述历史样本数据构建特征集,采用特征集训练学习模型;循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。本发明可以智能选取用于构建暂态稳定评估模型的特征,可解释性强,相比筛选前训练模型具有更高的评估精度和泛化性。
Description
技术领域
本发明属于电力系统暂态稳定评估领域,具体涉及一种基于电网特征排列重要性的暂态稳定评估方法及系统。
背景技术
现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。近年来,数据驱动方法凭借其学习能力强、计算速度快、能挖掘数据潜在有用信息等特点,受到国内外学者的广泛关注,已经被用于电力系统暂态稳定分析。基于机器学习的电力系统暂态稳定性分析认为系统中各变量,包括状态变量X和代数变量Y,与系统的暂态稳定性S之间存在函数关系F,即:
S=F(X,Y)
可以通过学习机拟合这个复杂的函数关系,学习机按照一定的学习方法建模,通过对历史数据的训练得到。对于暂态稳定性预测而言,系统的稳定性只有稳定和不稳定两种状态,因此学习机是一个二分类器。
电力系统中可供选择的安全稳定相关的变量有:发电机的功角、转速、机械功率或其发出的有功和无功功率、负荷有功和无功功率、母线电压、线路的传输功率与关键断面功率大小等,如何优化选取与电网暂态安全性强相关性的关键特征,并研究数据驱动的暂态电压安全、功角稳定和频率稳定的多维度安全稳定评估方法,是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于电网特征排列重要性的暂态稳定评估方法及系统,以克服现有数据驱动暂态稳定评估方法中特征选择问题,本发明首先建立一个基础学习模型,通过打乱特征顺序,使用打乱后的特征数据来预测计算正确率,通过多次乱打特征再求均值和方差,最终得到特征的排列重要性,选择排列靠前的特征作为输入重新训练模型从而提升模型表现。
为达到上述目的,本发明采用如下技术方案:
基于电网特征排列重要性的暂态稳定评估方法,包括:
获取系统运行状态和故障条件下的实时样本数据;
将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述暂态稳定评估模型的建立方法,包括:
获取不同系统运行状态和故障条件下的历史样本数据;
基于所述历史样本数据构建特征集,采用特征集训练学习模型;
循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
进一步地,所述获取不同系统运行状态和故障条件下的历史样本数据,具体为:利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;
所述时域仿真软件包括PSASP或PSD-BPA;
所述故障包括三相短路或两相短路。
进一步地,所述特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压。
进一步地,所述采用特征集训练学习模型,具体为:基于特征集以及系统稳定或失稳的标签训练学习模型;
故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数ITSI标记标签,计算公式为:
其中,Δδmax为任意2台发电机之间的最大功角之差,当ITSI<0时系统不稳定,反之稳定;
基于标签和输入特征构建训练集,训练学习模型,拟合特征和标签之间的关系。
进一步地,所述循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:
将特征集随机划分为训练集和验证集;
利用训练集训练学习模型,利用验证集进行预测;
在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;
依据计算结果选择排名靠前的若干特征重构特征集。
进一步地,所述将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果后,计算评价指标,所述评价指标包括准确率、精确率、召回率及F1分数;
所述准确率计算表达式为:
其中,T表示真,预测对;F表示假,预测错;P表示阳性,预测为真;N表示阴性,预测为假;
所述精确率计算表达式为:
所述召回率计算表达式为:
所述F1分数计算表达式为:
基于电网特征排列重要性的暂态稳定评估系统,包括:
实时样本数据获取模块:用于获取系统运行状态和故障条件下的实时样本数据;
评估模块:用于将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述暂态稳定评估模型通过模型建立模块建立,所述模型建立模块包括:
历史样本数据获取模块:用于获取不同系统运行状态和故障条件下的历史样本数据;
一次训练模块:用于基于所述历史样本数据构建特征集,采用特征集训练学习模型;
重构模块:用于循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
二次训练模块:用于以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
进一步地,所述历史样本数据获取模块中,利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;
所述时域仿真软件包括PSASP或PSD-BPA;
所述故障包括三相短路或两相短路;
所述一次训练模块中,特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压;
所述采用特征集训练学习模型,具体为:基于特征集以及系统稳定或失稳的标签训练学习模型;
故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数ITSI标记标签,计算公式为:
其中,Δδmax为任意2台发电机之间的最大功角之差,当ITSI<0时系统不稳定,反之稳定;
基于标签和输入特征构建训练集,训练学习模型,拟合特征和标签之间的关系。
进一步地,所述重构模块中,循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:
将特征集随机划分为训练集和验证集;
利用训练集训练学习模型,利用验证集进行预测;
在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;
依据计算结果选择排名靠前的若干特征重构特征集。
进一步地,所述评估模块中,将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果后,计算评价指标,所述评价指标包括准确率、精确率、召回率及F1分数;
所述准确率计算表达式为:
其中,T表示真,预测对;F表示假,预测错;P表示阳性,预测为真;N表示阴性,预测为假;
所述精确率计算表达式为:
所述召回率计算表达式为:
所述F1分数计算表达式为:
与现有技术相比,本发明具有以下有益的技术效果:
本发明方法首先建立一个基础学习模型,通过打乱特征顺序,使用打乱后的特征数据来预测计算正确率,通过多次乱打特征再求均值和方差,最终得到特征的排列重要性,选择排列靠前的特征作为输入重新训练模型从而提升模型表现,因此本发明可以在任何模型上使用,不只是在基于决策树的模型,在线性回归,神经网络,任何模型上都可以使用。不存在对连续型变量或高基数类别型变量的偏好,体现了变量的泛化能力,当数据发生偏移时会特别有价值,相较于循环的增加或剔除变量,不需要对模型重新训练,极大地降低了成本。进一步地,所选特征作为输入能够提升模型预测精度和泛化性。
附图说明
说明书附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明基于电网特征排列重要性的暂态稳定评估方法流程图;
图2为本发明暂态稳定评估模型的建立方法流程图;
图3为本发明实施例中一个10机39节点电力系统的单线图;
图4为本发明基于电网特征排列重要性的暂态稳定评估系统结构图;
图5为本发明模型建立模块的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
一种基于电网特征排列重要性的暂态稳定评估方法,参见图1,包括以下步骤:
步骤1、获取系统运行状态和故障条件下的实时样本数据;
步骤2、将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果并计算评价指标,评价指标包括准确率、精确率、召回率及F1分数;
其中,准确率计算表达式为:
T表示真(预测对了),F表示假(预测错了),P表示阳性(预测为真),N表示阴性(预测为假)。
精确率描述的是样本为稳定的预测中有多少被实际证明是稳定的,计算表达式为:
召回率用来描述实际为稳定的样本中有多少预测为真,计算表达式为:
F1分数是精确率和召回率的调和平均值,计算表达式为:
其中,所述暂态稳定评估模型的建立方法,如图2,包括:
步骤2.1、获取不同系统运行状态和故障条件下的历史样本数据;
具体地,利用包括PSASP、PSD-BPA等时域仿真软件模拟电力系统在不同潮流水平下,不同线路不同位置发生包括三相短路、两相短路等故障条件下的运行状况,得到历史样本数据。
步骤2.2、基于所述历史样本数据构建特征集,采用特征集训练学习模型;
具体地,特征集包括故障前、发生故障时、故障后系统特征,包括并不限于发电机的电磁功率、端电压、功角,母线电压等特征。
基于特征集以及系统稳定或失稳的标签训练学习模型,具体包括:
故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数ITSI标记标签,计算公式为:
其中,Δδmax为任意2台发电机之间的最大功角之差,当ITSI<0时系统不稳定,反之稳定;
基于标签和输入特征构建训练集,训练学习模型(机器学习或深度学习模型),拟合特征和标签之间的关系。
步骤2.3、循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
具体地,在模型建立的基础上,计算某列特征重要性时,打乱该列顺序,其余列不变,然后再使用打乱后的数据来预测,最后计算正确率;如果某列对模型预测很重要,那么打乱该列顺序之后,模型预测正确率就会很差,如果对预测结果没有影响,则说明该变量对模型没有那么重要;为了消减随机对结果的影响,要进行多次乱打,再求均值和方差。
具体包括:
将特征集随机划分为训练集和验证集两个数据集;
在训练集上训练模型,在验证集上做预测,并评价模型(如计算准确率);
循环计算每个特征的重要性:在验证集上对单个特征随机打乱;使用训练好的模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标。
步骤2.4、以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
具体地,依据排列重要性计算结果选择前20个特征构建特征集作为模型新的输入,重新训练暂态稳定评估模型,拟合特征和稳定性标签之间的关系。
应用例
本发明实施基于电网特征排列重要性的暂态稳定评估方法,输入用于潮流计算的系统网架结构、发电机、负荷、变压器、交流线路基本数据,利用电力系统分析计算软件PSD-BPA,对IEEE39节点系统(如图3)进行时域仿真,在基础负荷80%、90%、100%、110%的运行水平(发电机发出的功率等比例调整下),在每条传输线路的20%、40%、60%、80%处设置三相短路故障,故障后分别在0.1s和0.2s切除,由此可得到1088条样本,根据暂态稳定指数判断其中971条样本标记为稳定,117条样本标记为不稳定。
基于数据构建特征集,包括故障前、发生故障时、故障后一共十个时间点的系统特征,具体的为10台发电机的电磁功率、端电压、功角,39个母线电压,共690维特征。
将样本集按照8:2随机划分为训练集和验证集,然后选择常用的机器学习或者深度学习模型,在这里选择轻量梯度提升机(LGBM)模型作为分类器并训练该模型。
循环计算每个特征的重要性:将特征随机打乱来破坏特征和原有的稳定性结果的关系,如果打乱一个特征显著增加了模型在验证集上的loss,说明该特征很重要。如果打乱一个特征对模型在验证集上的loss没有影响,甚至还降低了loss,那么说明该特征对模型不重要,甚至是有害的。
计算排列重要性结果如表1所示,可以得到对于稳定性评估重要的特征排序,依据计算结果选择排名前20的特征重构特征集。
表1特征重要性排序
重要度 | 特征编号 |
0.0052±0.0031 | 421 |
0.0046±0.0000 | 647 |
0.0046±0.0000 | 233 |
0.0044±0.0016 | 679 |
0.0043±0.0023 | 85 |
0.0041±0.0028 | 186 |
0.0041±0.0080 | 525 |
0.0040±0.0031 | 208 |
0.0038±0.0034 | 144 |
0.0038±0.0034 | 142 |
0.0037±0.0037 | 184 |
0.0035±0.0039 | 212 |
0.0035±0.0039 | 571 |
0.0035±0.0039 | 667 |
0.0032±0.0042 | 346 |
0.0032±0.0042 | 619 |
0.0029±0.0044 | 158 |
0.0026±0.0088 | 424 |
0.0023±0.0046 | 530 |
0.0020±0.0045 | 527 |
依据筛选出来的特征作为输入重新训练LGBM模型并在验证集上检验效果,其中训练集和验证集样本依然为上述划分结果。
对比前后不同特征输入所训练的模型的评价指标,包括准确率、精确率、召回率、F1分数,计算表达式为:
最终对比结果如表2所示,其中auc表示表示ROC曲线的面积,较大的auc代表了较好的性能表现。可以看到经过排列重要性计算筛选后的特征作为输入训练所得LGBM模型在准确率、精确率、召回率、F1分数这些评价指标上更高,暂态稳定评估模型预测有更高的精度和良好的泛化性,验证了本发明的实施效果。
表2暂态稳定评估模型评价
实施例二
本发明还提供基于电网特征排列重要性的暂态稳定评估系统,如图4所示,包括:
实时样本数据获取模块:用于获取系统运行状态和故障条件下的实时样本数据;
评估模块:用于将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果,计算评价指标,所述评价指标包括准确率、精确率、召回率及F1分数;
所述准确率计算表达式为:
其中,T表示真,预测对;F表示假,预测错;P表示阳性,预测为真;N表示阴性,预测为假;
所述精确率计算表达式为:
所述召回率计算表达式为:
所述F1分数计算表达式为:
其中,所述暂态稳定评估模型通过模型建立模块建立,如图5所示,所述模型建立模块包括:
历史样本数据获取模块:用于获取不同系统运行状态和故障条件下的历史样本数据;其中,利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;
所述时域仿真软件包括PSASP或PSD-BPA;
所述故障包括三相短路或两相短路;
一次训练模块:用于基于所述历史样本数据构建特征集,采用特征集训练学习模型;所述特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压;
所述采用特征集训练学习模型,具体为:基于特征集以及系统稳定或失稳的标签训练学习模型;
故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数ITSI标记标签,计算公式为:
其中,Δδmax为任意2台发电机之间的最大功角之差,当ITSI<0时系统不稳定,反之稳定;
基于标签和输入特征构建训练集,训练学习模型,拟合特征和标签之间的关系。
重构模块:用于循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
具体地,循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:
将特征集随机划分为训练集和验证集;
利用训练集训练学习模型,利用验证集进行预测;
在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;
依据计算结果选择排名靠前的若干特征重构特征集。
二次训练模块:用于以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,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:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.基于电网特征排列重要性的暂态稳定评估方法,其特征在于,包括:
获取系统运行状态和故障条件下的实时样本数据;
将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述暂态稳定评估模型的建立方法,包括:
获取不同系统运行状态和故障条件下的历史样本数据;
基于所述历史样本数据构建特征集,采用特征集训练学习模型;
循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
2.根据权利要求1所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述获取不同系统运行状态和故障条件下的历史样本数据,具体为:利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;
所述时域仿真软件包括PSASP或PSD-BPA;
所述故障包括三相短路或两相短路。
3.根据权利要求2所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压。
5.根据权利要求4所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:
将特征集随机划分为训练集和验证集;
利用训练集训练学习模型,利用验证集进行预测;
在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;
依据计算结果选择排名靠前的若干特征重构特征集。
7.基于电网特征排列重要性的暂态稳定评估系统,其特征在于,包括:
实时样本数据获取模块:用于获取系统运行状态和故障条件下的实时样本数据;
评估模块:用于将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述暂态稳定评估模型通过模型建立模块建立,所述模型建立模块包括:
历史样本数据获取模块:用于获取不同系统运行状态和故障条件下的历史样本数据;
一次训练模块:用于基于所述历史样本数据构建特征集,采用特征集训练学习模型;
重构模块:用于循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;
二次训练模块:用于以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。
8.根据权利要求7所述的基于电网特征排列重要性的暂态稳定评估系统,其特征在于,所述历史样本数据获取模块中,利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;
所述时域仿真软件包括PSASP或PSD-BPA;
所述故障包括三相短路或两相短路;
所述一次训练模块中,特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压;
所述采用特征集训练学习模型,具体为:基于特征集以及系统稳定或失稳的标签训练学习模型;
故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数ITSI标记标签,计算公式为:
其中,Δδmax为任意2台发电机之间的最大功角之差,当ITSI<0时系统不稳定,反之稳定;
基于标签和输入特征构建训练集,训练学习模型,拟合特征和标签之间的关系。
9.根据权利要求8所述的基于电网特征排列重要性的暂态稳定评估系统,其特征在于,所述重构模块中,循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:
将特征集随机划分为训练集和验证集;
利用训练集训练学习模型,利用验证集进行预测;
在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;
依据计算结果选择排名靠前的若干特征重构特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067986.3A CN116070384A (zh) | 2023-01-15 | 2023-01-15 | 基于电网特征排列重要性的暂态稳定评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310067986.3A CN116070384A (zh) | 2023-01-15 | 2023-01-15 | 基于电网特征排列重要性的暂态稳定评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070384A true CN116070384A (zh) | 2023-05-05 |
Family
ID=86169535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310067986.3A Pending CN116070384A (zh) | 2023-01-15 | 2023-01-15 | 基于电网特征排列重要性的暂态稳定评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070384A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992255A (zh) * | 2023-07-13 | 2023-11-03 | 华北电力大学 | 一种暂态电压稳定特征量的筛选方法、系统及电子设备 |
-
2023
- 2023-01-15 CN CN202310067986.3A patent/CN116070384A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992255A (zh) * | 2023-07-13 | 2023-11-03 | 华北电力大学 | 一种暂态电压稳定特征量的筛选方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Dynamic-feature extraction, attribution, and reconstruction (DEAR) method for power system model reduction | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110943453A (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN110532596A (zh) | 一种基于lstm算法生成电网仿真样本的方法和系统 | |
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及系统 | |
CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
CN112564107A (zh) | 一种电力系统暂态稳定评估方法 | |
CN116401532A (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
Ibrahim et al. | Novel data compression technique for power waveforms using adaptive fuzzy logic | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN106022590A (zh) | 有源配电网的电压质量评估方法和装置 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
CN112465136A (zh) | 一种水电机组劣化预测方法和系统 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN111525590A (zh) | 动态无功补偿装置建模方法及装置 | |
Turovic et al. | Machine learning for application in distribution grids for power quality applications | |
CN116070159A (zh) | 一种样本不平衡下实现飞机主电源系统故障诊断的方法及装置 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
Zhang et al. | Prediction for the maximum frequency deviation of post-disturbance based on the deep belief network | |
CN114744631A (zh) | 一种基于非pmu配电网的数据驱动电压估计方法 | |
Gorjani et al. | Application of optimized deterministic methods in long-term power quality | |
CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
CN107102543A (zh) | 一种能量路由器抗干扰控制器的形成方法及装置 | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction |
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 |