CN116131313A - 特征量与暂态功角稳定性关联关系的可解释性分析方法 - Google Patents
特征量与暂态功角稳定性关联关系的可解释性分析方法 Download PDFInfo
- Publication number
- CN116131313A CN116131313A CN202310148428.XA CN202310148428A CN116131313A CN 116131313 A CN116131313 A CN 116131313A CN 202310148428 A CN202310148428 A CN 202310148428A CN 116131313 A CN116131313 A CN 116131313A
- Authority
- CN
- China
- Prior art keywords
- characteristic quantity
- power angle
- transient power
- sample
- transient
- 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 142
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 5
- 230000001687 destabilization Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013097 stability assessment Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种特征量与暂态功角稳定性关联关系的可解释性分析方法，属于交直流混联系统领域。选择新能源特征量和直流特征量作为暂态功角稳定评估模型的输入，评估暂态功角稳定性；基于SHAP的特征量可解释分析方法，从全局和局部阐明了特征量和暂态功角稳定性的关联关系。
Description
技术领域
本发明涉及交直流混联系统领域，特别是涉及一种特征量与暂态功角稳定性关联关系的可解释性分析方法。
背景技术
含新能源的交直流混联系统相较传统电力系统具有更加复杂的结构，为电力系统的暂态功角稳定带来了不可忽视的影响，现有研究多考虑传统电力系统的暂态功角稳定特性。目前，国内外研究暂态功角稳定评估多使用人工智能的方法进行预测，如支持向量机(support vector machine，SVM)、决策树(decision tree，DT)及其改进算法等浅层学习方法，也有通过深度学习如卷积神经网络(CNN)、深度神经网络(DNN)等解决复杂的暂态功角稳定评估分类问题，但这些评估模型是“黑箱”模型，无法阐明特征量是如何影响系统的暂态功角稳定性，亟需研究可解释性方法实现特征量和暂态稳定结果间的关联关系阐释。
发明内容
本发明的目的是提供一种特征量与暂态功角稳定性关联关系的可解释性分析方法，可根据特征量评估暂态功角稳定性，并阐明特征量和暂态功角稳定性的关联关系。
为实现上述目的，本发明提供了如下方案：
一种特征量与暂态功角稳定性关联关系的可解释性分析方法，包括：
获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态；
利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型；
实时量测待测交直流混联系统的特征量组对应的特征量数据集；
将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态；
根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
可选地，所述特征量组包括：直流特征量、新能源特征量和各发电机相对功角；
所述直流特征量包括HVDC直流输电线路两端节点电压、HVDC直流输电线路电流、HVDC直流输电线路两端功率、HVDC直流输电线路触发延迟角和HVDC直流输电线路熄弧角；
所述新能源特征量包括各风电机组并网节点电压、各风电机组输出有功功率、各风电机组输出无功功率、各光伏电站并网节点电压和各光伏电站输出有功功率。
可选地，所述获取由特征量组和暂态功角状态标签构成的暂态功角样本集，具体包括：
对交直流混联系统进行多种场景的机电暂态仿真，生成特征量组对应的多个特征量数据样本集；一种场景下一个采样时刻生成一个特征量数据样本集；
判断每个特征量数据样本集对应的暂态功角状态，并将判断结果作为每个特征量数据样本集的暂态功角状态标签；
将每个特征量数据样本集和每个特征量数据样本集的暂态功角状态标签构成一个样本，所有样本构成暂态功角样本集。
可选地，所述极致梯度提升树模型在二分类任务时，利用sigmoid函数将样本的预测值转化为两类别预测的概率值；
预测值与两类别预测的概率值的关系为：
和
式中，p1为失稳状态预测的概率值，p2为稳定状态预测的概率值，
为样本i的预测值；
设定标签0代表稳定状态，标签1代表失稳状态，得到标签与p1、p2之间的关系为：
可选地，所述SHAP的解释模型为：
式中，gi为样本i的解释模型；φbase为样本预测的基准值，即所有样本
的均值；φi j为样本i第j个特征量的shapley值；M为样本i特征量的数目；
其中，
式中，
为样本i的第j个特征量，
为样本i的所有特征量集合，S为样本i的所有特征量集中除
以外的特征量子集，
指在特征量子集S下极致梯度提升树模型对样本i的预测值，
指在特征量子集
下极致梯度提升树模型对样本i的预测值，
为S与
的并集，！表示阶乘。
可选地，所述特征量的全局可解释性包括：重要性和正负相关性；
所述重要性表现为：根据SHAP的解释模型求得各特征量的shapley值并进行重要性排序，shapley值的绝对值越高表示特征量对样本的贡献越大；
所述正负相关性表现为：由SHAP的解释模型得到各特征量的shapley值与预测值存在线性关系，特征量的shapley值的正负影响样本的稳定结果；若特征量的shapley值大于零，则表明特征量提升了预测值，促进了样本的失稳结果；若特征量的shapley值小于零，则表明特征量降低了预测值，促进了样本的稳定结果；
所述特征量的局部可解释性表现为：由SHAP的解释模型得到各特征量对样本的暂态功角稳定性的影响过程。
一种特征量影响暂态功角稳定性的可解释性分析系统，包括：
样本集获取模块，用于获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态；
离线训练模块，用于利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型；
实测模块，用于实时量测待测交直流混联系统的特征量组对应的特征量数据集；
暂态功角状态预测模块，用于将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态；
可解释性分析模块，用于根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如前述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种特征量与暂态功角稳定性关联关系的可解释性分析方法，选择新能源特征量和直流特征量作为暂态功角稳定评估模型的输入，评估暂态功角稳定性；基于SHAP的特征量可解释分析方法，从全局和局部阐明了特征量和暂态功角稳定性的关联关系。
附图说明
为了更清楚地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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的特征量与暂态功角稳定性关联关系的可解释性分析方法的原理图；
图2为本发明实施例提供的特征量与暂态功角稳定性关联关系的可解释性分析方法的流程图；
图3为现有的交直流混联系统拓扑图；
图4为本发明实施例提供的特征量的可解释性的示意图。
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，都属于本发明保护的范围。
本发明的目的是提供一种特征量与暂态功角稳定性关联关系的可解释性分析方法，可根据特征量评估暂态功角稳定性，并阐明特征量和暂态功角稳定性的关联关系。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
为解决交直流混联系统暂态功角稳定评估及特征量的可解释性问题，本发明提供了一种特征量与暂态功角稳定性关联关系的可解释性分析方法，如图1所示，分为三个部分，分别是离线训练、在线评估及结果的可解释性分析。
参照图2，本发明实施例提供的一种特征量与暂态功角稳定性关联关系的可解释性分析方法，包括以下步骤：
步骤S1，获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态。
特征量组包括：直流特征量、新能源特征量和各发电机相对功角。直流特征量包括HVDC直流输电线路两端节点电压、HVDC直流输电线路电流、HVDC直流输电线路两端功率、HVDC直流输电线路触发延迟角和HVDC直流输电线路熄弧角。新能源特征量包括各风电机组并网节点电压、各风电机组输出有功功率、各风电机组输出无功功率、各光伏电站并网节点电压和各光伏电站输出有功功率，如表1所示。
表1暂态功角稳定评估特征量
获取由特征量组和暂态功角状态标签构成的暂态功角样本集，具体包括：对交直流混联系统进行多种场景的机电暂态仿真，生成特征量组对应的多个特征量数据样本集；一种场景下一个采样时刻生成一个特征量数据样本集；判断每个特征量数据样本集对应的暂态功角状态，并将判断结果作为每个特征量数据样本集的暂态功角状态标签；将每个特征量数据样本集和每个特征量数据样本集的暂态功角状态标签构成一个样本，所有样本构成暂态功角样本集。
以图3所示的交直流混联系统为例，该系统共包含53个节点，风火打捆经3回交流线路和1回±500kV HVDC直流输电线路送出系统，装机占比为：新能源(480万千瓦)/常规(600万千瓦)＝1/1.25。其中光伏电站4台，风电机组8台，常规火电机组10台(以Gen4A-1作为参考机组)。其中，Gen1A-1到Gen1A-4、Gen1B-1到Gen1B-3、Gen4A-1到Gen4A-4均表示火电机组，bus1A-1到bus1A-6、bus1B-1到bus1B-7均表示主网架母线。
采用电力系统仿真软件PSD-BPA对系统进行机电暂态仿真，构建新能源(风电汇集站A、B，光伏汇集站C)同时率0％、20％、50％、60％四种场景，对26条线路进行三相永久N-1故障，设置故障位置距离线路首段25％、50％、75％，故障发生时间为第50周波(1s)，故障清除时间为故障发生后的第7周波(0.14s)到第15周波(0.3s)共9种。对仿真产生的2764个样本进行暂态功角稳定判断，其中稳定样本1834个，失稳样本930个，并随机选取训练集和测试集且设置比例为7:3。
步骤S2，利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型。
将特征量集合及对应的标签分别作为评估模型的输入和输出并以7：3的比例随机划分为训练集和测试集。通过训练集对极致梯度提升树(eXtreme Gradient Boosting，XGBoost)模型进行训练，并根据网格搜索和交叉验证计算模型最优参数，最后通过测试集和模型分类性能指标对模型进行评价。
步骤S1和步骤S2构成离线训练部分。
步骤S3，实时量测待测交直流混联系统的特征量组对应的特征量数据集。
步骤S4，将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态。
将特征量数据集输入已训练好的XGBoost模型(暂态功角稳定评估模型)中，分类预测系统的暂态功角稳定或失稳状态。
XGBoost做二分类任务时样本预测值
为(-∞,+∞)间的任意值，根据sigmoid函数可以将样本i的预测值
转化为两类别预测的概率值p1、p2，其对应的有如下关系：
基于p∈(0,1)，可以将样本i进一步标签为0或1，设定标签0代表稳定样本，1代表失稳样本，得到标签与概率值p1、p2之间的关系：
根据式(1)和(2)分析可以得到当样本的预测值
时p2＞0.5，表明此时标签为0的概率大于50％，样本为稳定样本；当样本的预测值
时p1≥0.5，样本为失稳样本。
步骤S3和步骤S4构成在线评估部分。
步骤S5，根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
如图4所示，SHAP(Shapley Additive exPlanations)是一种为机器学习提供事后解释的方法，定义g为解释模型，由于SHAP具有局部保真性，当样本i输入到模型g中时，得到的gi与XGBoost得到的预测值
相等：
其中M为输入特征的数目，φbase为样本预测的基准值，即所有样本
的均值，
为样本i第j个特征的shapley值。因此可以将样本i的预测值归因到每一个特征量的shapley值上。
对于样本i中的特征j，需要针对所有可能的特征组合计算shapley值，再加权求和，因此
的表达式为：
式中
为样本i的第j个特征量，
为所有特征量集合，S为除xi j特征以外的特征量子集，
指在特征子集S下XGBoost模型对样本i的预测值，
指在特征量子集
下极致梯度提升树模型对样本i的预测值，
为S与
的并集，！表示阶乘。
SHAP对特征量的全局可解释性表现为：根据式(4)求得各特征量的shapley值并进行重要性排序，shapley值的绝对值越高表示该特征量对样本的贡献越大；由式(3)得到各特征量的shapley值与预测值
存在线性关系，且
结合式(1)、(2)说明当
时，样本为稳定样本；当
时，样本为失稳样本。因此
的正负能影响样本的稳定结果，当
表明该特征提升了预测值，促进了样本的失稳结果，
表明该特征降低了预测值，促进了样本的稳定结果，因此通过SHAP可以反映特征量的shapley值对暂态功角稳定结果的促进或抑制作用。
SHAP对特征量的局部可解释性表现为：对样本i而言，可依据式(3)将各特征量的shapley值之和加上样本预测的基准值等于模型的输出结果，从而可通过这一线性关系反映各特征量对某一稳定或失稳样本结果的渐进影响过程。
针对交直流混联系统暂态功角稳定评估中的分类器模型，采用python 3.9.12在Scikit-learn平台进行搭建。为验证XGBoost模型的有效性将XGBoost与其他主流分类模型进行对比：AdaBoost、随机森林(random forest，RF)、KNN、支持向量机(support vectormachine，SVM)。其中XGBoost、AdaBoost、RF均为树模型采用100棵树，其余算法采用默认参数。通过准确率Accuracy、召回率Recall和模型训练时间t来评价分类器性能，对比结果如表2所示。
表2算法性能对比
结果显示，本发明交直流混联系统的暂态功角稳定评估模型使用的XGBoost分类器相较于其他算法准确率和召回率都较高，且训练时间也较短，能够准确的对输入样本进行预测分类。XGBoost、AdaBoost和RF都属于树结构模型，AdaBoost的准确率、召回率低于XGBoost，且训练时间较长；RF与KNN虽然都能快速对模型进行训练，但是召回率和准确率均低于XGBoost；SVM结构简单，处理大量数据误差较大，整体性能较差。
本发明中基于SHAP提出特征量的可解释性分析方法，可以从两方面对特征量进行解释：a)从全局出发对特征量进行重要性排序，挖掘了对系统暂态功角稳定影响最大的新能源和直流特征量，并分析特征量的shapley值与样本预测值间的关系，进一步说明特征量的shapley值的正负对暂态稳定结果呈现抑制和促进两种特性，以全部样本的角度得到特征量值本身的大小与暂态功角稳定之间的关系。b)从局部对单个稳定与失稳样本进行解释，说明特征量对样本预测值的影响关系，从而提高稳定结果的可信度，并明确交直流混联系统中新能源和直流特征量与暂态功角稳定间的关系。
传统电力系统的暂态功角稳定评估多采用母线电压相角等常规特征量，本发明为了研究交直流混联系统中不同于传统系统的特征量特性，选择新能源和直流特征量作为稳定评估模型的输入，证明新能源和直流特征量能够对交直流混联系统的稳定结果进行有效预测。
通过暂态功角稳定评估及特征量可解释性分析能使交直流混联系统的研究更加透明，得到新能源和直流对系统暂态功角稳定的影响关系，为保证系统的安全稳定运行提供帮助和参考价值。
本发明选择新能源和直流特征量作为稳定评估模型的输入并由sigmoid函数得到样本预测值与稳定结果之间的关系，提出基于极致梯度提升树(eXtreme GradientBoosting，XGBoost)的交直流混联系统暂态功角稳定评估方法。
本发明为进一步分析新能源和直流特征量对系统暂态功角稳定的影响，提出基于SHAP的特征量可解释分析方法，从全局说明新能源和直流特征量的重要性，并从全部样本的角度反映各特征量值本身的大小与稳定结果的促进和抑制关系，再从局部得到特征量对单个样本稳定结果的影响。
本发明实施例还提供了一种特征量影响暂态功角稳定性的可解释性分析系统，包括：
样本集获取模块，用于获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态；
离线训练模块，用于利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型；
实测模块，用于实时量测待测交直流混联系统的特征量组对应的特征量数据集；
暂态功角状态预测模块，用于将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态；
可解释性分析模块，用于根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
本发明实施例提供的特征量影响暂态功角稳定性的可解释性分析系统与上述实施例所述的特征量影响暂态功角稳定性的可解释性分析方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述方法实施例的介绍。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如前述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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，对于本领域的一般技术人员，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 (9)
1.一种特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，包括：
获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态；
利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型；
实时量测待测交直流混联系统的特征量组对应的特征量数据集；
将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态；
根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
2.根据权利要求1所述的特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，所述特征量组包括：直流特征量、新能源特征量和各发电机相对功角；
所述直流特征量包括HVDC直流输电线路两端节点电压、HVDC直流输电线路电流、HVDC直流输电线路两端功率、HVDC直流输电线路触发延迟角和HVDC直流输电线路熄弧角；
所述新能源特征量包括各风电机组并网节点电压、各风电机组输出有功功率、各风电机组输出无功功率、各光伏电站并网节点电压和各光伏电站输出有功功率。
3.根据权利要求1所述的特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，所述获取由特征量组和暂态功角状态标签构成的暂态功角样本集，具体包括：
对交直流混联系统进行多种场景的机电暂态仿真，生成特征量组对应的多个特征量数据样本集；一种场景下一个采样时刻生成一个特征量数据样本集；
判断每个特征量数据样本集对应的暂态功角状态，并将判断结果作为每个特征量数据样本集的暂态功角状态标签；
将每个特征量数据样本集和每个特征量数据样本集的暂态功角状态标签构成一个样本，所有样本构成暂态功角样本集。
4.根据权利要求1所述的特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，所述极致梯度提升树模型在二分类任务时，利用sigmoid函数将样本的预测值转化为两类别预测的概率值；
预测值与两类别预测的概率值的关系为：
和
式中，p1为失稳状态预测的概率值，p2为稳定状态预测的概率值，
为样本i的预测值；
设定标签0代表稳定状态，标签1代表失稳状态，得到标签与p1、p2之间的关系为：
5.根据权利要求4所述的特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，所述SHAP的解释模型为：
式中，gi为样本i的解释模型；φbase为样本预测的基准值，即所有样本
的均值；φi j为样本i第j个特征量的shapley值；M为样本i特征量的数目；
其中，
式中，
为样本i的第j个特征量，
为样本i的所有特征量集合，S为样本i的所有特征量集中除
以外的特征量子集，
指在特征量子集S下极致梯度提升树模型对样本i的预测值，
指在特征量子集
下极致梯度提升树模型对样本i的预测值，
为S与
的并集，！表示阶乘。
6.根据权利要求5所述的特征量与暂态功角稳定性关联关系的可解释性分析方法，其特征在于，所述特征量的全局可解释性包括：重要性和正负相关性；
所述重要性表现为：根据SHAP的解释模型求得各特征量的shapley值并进行重要性排序，shapley值的绝对值越高表示特征量对样本的贡献越大；
所述正负相关性表现为：由SHAP的解释模型得到各特征量的shapley值与预测值存在线性关系，特征量的shapley值的正负影响样本的稳定结果；若特征量的shapley值大于零，则表明特征量提升了预测值，促进了样本的失稳结果；若特征量的shapley值小于零，则表明特征量降低了预测值，促进了样本的稳定结果；
所述特征量的局部可解释性表现为：由SHAP的解释模型得到各特征量对样本的暂态功角稳定性的影响过程。
7.一种特征量影响暂态功角稳定性的可解释性分析系统，其特征在于，包括：
样本集获取模块，用于获取由特征量组和暂态功角状态标签构成的暂态功角样本集；所述特征量组包括直流特征量和新能源特征量；所述暂态功角状态包括稳定状态和失稳状态；
离线训练模块，用于利用所述暂态功角样本集对极致梯度提升树模型进行离线训练，获得暂态功角稳定评估模型；
实测模块，用于实时量测待测交直流混联系统的特征量组对应的特征量数据集；
暂态功角状态预测模块，用于将所述特征量数据集输入暂态功角稳定评估模型，输出待测交直流混联系统的暂态功角状态；
可解释性分析模块，用于根据所述特征量数据集和待测交直流混联系统的暂态功角状态，采用SHAP分析特征量与暂态功角稳定性的关联关系，获得特征量的全局可解释性和局部可解释性。
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至6中任一项所述的特征量与暂态功角稳定性关联关系的可解释性分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310148428.XA CN116131313A (zh) | 2023-02-16 | 2023-02-16 | 特征量与暂态功角稳定性关联关系的可解释性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310148428.XA CN116131313A (zh) | 2023-02-16 | 2023-02-16 | 特征量与暂态功角稳定性关联关系的可解释性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116131313A true CN116131313A (zh) | 2023-05-16 |
Family
ID=86297313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310148428.XA Pending CN116131313A (zh) | 2023-02-16 | 2023-02-16 | 特征量与暂态功角稳定性关联关系的可解释性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116131313A (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
- 2023-02-16 CN CN202310148428.XA patent/CN116131313A/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 |
|---|---|---|
| Ray et al. | Optimal feature and decision tree-based classification of power quality disturbances in distributed generation systems | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
| CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
| CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
| CN116131313A (zh) | 特征量与暂态功角稳定性关联关系的可解释性分析方法 | |
| CN110389268B (zh) | 一种电力系统的在线监测系统 | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| Jia et al. | Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method | |
| CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
| Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
| CN117335426A (zh) | 一种适用于短期电压稳定性评估的关键特征识别方法 | |
| CN117148034A (zh) | 基于经验小波变换及图注意力网络的配电网故障选线方法 | |
| CN113128130B (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
| CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
| Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: WECC case study | |
| CN115510961A (zh) | 一种基于主动学习的社区综合能源系统运行安全评估方法 | |
| Liu et al. | A machine learning-based fault identification method for microgrids with distributed generations | |
| Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier | |
| Bais et al. | Faulty Line Localization in IEEE 30 Bus System Using CNN-LSTM | |
| Qiao et al. | Transient Stability Assessment for AC-DC Hybrid Systems Based on Bayesian Optimization XGBoost | |
| Sun et al. | Classification of Frequency Disturbance Event in Power Systems Considering Optimal PMU Placement | |
| Gu et al. | Power System Transient Stability Assessment Based on Graph Neural Network with Interpretable Attribution Analysis | |
| CN117872038B (zh) | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
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 |