CN116204771A - 电力系统暂态稳定关键特征选择方法、装置及产品 - Google Patents
电力系统暂态稳定关键特征选择方法、装置及产品 Download PDFInfo
- Publication number
- CN116204771A CN116204771A CN202211475120.8A CN202211475120A CN116204771A CN 116204771 A CN116204771 A CN 116204771A CN 202211475120 A CN202211475120 A CN 202211475120A CN 116204771 A CN116204771 A CN 116204771A
- Authority
- CN
- China
- Prior art keywords
- feature
- power system
- data samples
- feature set
- data sample
- 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
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明实施例提供了一种电力系统暂态稳定关键特征选择方法、装置及产品,属于信息处理技术领域。本发明实施例中,考虑了电网中未进行安全稳定评估的运行数据,用局部线性嵌入保留了无标签数据的运行数据样本的流形结构;本发明实施例中,采用基于Fisher Score的前向序列选择法,并采用局部线性嵌入处理无标签数据,同时利用主成分分析法计算方差累计贡献率对特征进行降维;降维后进行高效增量特征选择,从而选择出影响电力系统暂态稳定的关键特征。本发明实施例可以全面地利用电力系统运行过程中产生的未经过安全稳定评估的运行数据,提高了选择出的关键特征在测试集上的分类准确率。
Description
技术领域
本发明实施例涉及电力系统暂态稳定性分析技术领域,尤其涉及一种电力系统暂态稳定关键特征选择方法、装置、电子设备及存储介质。
背景技术
电力系统暂态稳定是对电力系统进行安全稳定评估,电网的运行条件和波动情况的不确定性以及可再生能源及新型负荷接入都会给电网安全稳定评估带来困扰。通常采用的暂态稳定性分析方法包括:时域仿真、能量函数或深度学习特征选择法来优化电网安全稳定运行。
在上述暂态稳定性分析方法中,时域仿真法通过建立系统各部分的精确数学模型,用微分与代数方程组描述系统状态及拓扑结构。以稳定状态点作为初始值,求解扰动或故障下的数值解,根据转子摇摆曲线判断系统稳定性。该方法求解精确,但建模复杂,积分计算时间长、无法计算稳定裕度,只能应用于离线分析。能量函数法通过比较故障切除时刻与极限切除时间的能量函数值来判断系统状态,计算速度快且可评估稳定裕度。但构造精确的能量函数及求解临界点是难点所在,目前方法都无法精确求解,评估结果保守。
在能够充分准确掌握输电网运行状态的前提下,选择出与系统稳定相关性强的关键特征进行评估,是优化电网稳定分析的关键方向。基于费希尔评分(Fisher Score)的前向序列选择法是目前性能良好并广泛使用的一种有监督特征选择方法,该方法使用前向序列选择法作为搜索策略,Fisher Score作为评价指标,在最大化类间散度的同时最小化类内散度利用评分阈值选择关键特征。该特征选择方式的不足之处在于:其无法有效利用电网运行过程中产生的大量未经过安全稳定评估的运行数据,同时随着已选特征个数的增加,对候选特征进行评分的计算复杂度呈三次方形式增加。
由此可见,目前亟需一种新的电力系统暂态稳定关键特征选择方法。
发明内容
本发明实施例提供一种电力系统暂态稳定关键特征选择方法、装置、电子设备及存储介质,以解决相关技术中存在的问题。
本发明实施例第一方面提供了一种电力系统暂态稳定关键特征选择方法,所述方法包括:
对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据;
对所述原始特征集合进行特征初筛,得到初筛后的特征集;
对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵;
对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵;
根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集;
在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分;
在所述费希尔评分达到输出阈值的情况下,输出所述第一特征子集,作为电力系统暂态稳定关键特征集。
可选地,所述方法还包括:
在所述特征子集中的特征数小于等于需提取的特征数的情况下,调整所述方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第二特征子集。
可选地,对所述原始特征集合进行特征初筛,包括:
采用低方差特征过滤的方法对所述原始特征集合进行特征初筛,对所有数据样本每个原始特征的方差进行排序,消除方差低于方差阈值的原始特征。
可选地,在对所述原始特征集合进行特征初筛之前,所述方法还包括:
对所述原始特征集的所有数据样本进行中心化处理,将原始特征集合中的所有数据样本减去仿真数据样本的均值。
可选地,所述原始特征集合包括母线相角、母线电压幅值、线路潮流有功功率、线路潮流无功功率、关键断面的潮流、线路电流、发电机功角、发电机转速。
可选地,所述局部线性嵌入的计算方法为:
其中,zi为局部线性嵌入的数据点,Ni={zi1,zi2,…,zik}为zi的邻域集,zj为zi的第j个临近点,同Ni内的表述一致,Mij为每个临近点对应的权重系数,M=(Mij)为得到的局部线性表示矩阵。
可选地,所述方法还包括:随机选取所述数据样本中的80%作为训练集,其余20%为测试集,用1-最近邻分类器确定所述关键特征集的分类准确率。
本发明实施例第二方面提供了一种电力系统暂态稳定关键特征选择装置,所述装置包括:
数据样本处理模块,用于对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据;
特征初筛模块,用于对所述原始特征集合进行特征初筛,得到初筛后的特征集;
第一计算模块,用于对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵;
局部线性嵌入模块,用于对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵;
主成分分析模块,用于根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集;
第二计算模块,用于在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分;
输出模块,用于在所述费希尔评分达到输出阈值的情况下,输出所述第一特征子集,作为电力系统暂态稳定关键特征集。
可选地,所述装置还包括:
调整模块,用于在所述特征子集中的特征数小于等于需提取的特征数的情况下,调整所述方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第二特征子集。
可选地,所述特征初筛模块,具体用于:
采用低方差特征过滤的装置对所述原始特征集合进行特征初筛,对所有数据样本每个原始特征的方差进行排序,消除方差低于方差阈值的原始特征。
可选地,所述装置还包括:
中心化处理模块,用于对所述原始特征集的所有数据样本进行中心化处理,将原始特征集合中的所有数据样本减去仿真数据样本的均值。
可选地,所述原始特征集合包括:母线相角、母线电压幅值、线路潮流有功功率、线路潮流无功功率、关键断面的潮流、线路电流、发电机功角、发电机转速。
可选地,所述局部线性嵌入的计算方法为:
其中,zi为局部线性嵌入的数据点,Ni={zi1,zi2,…,zik}为zi的邻域集,zj为zi的第j个临近点,同Ni内的表述一致,Mij为每个临近点对应的权重系数,M=(Mij)为得到的局部线性表示矩阵。
可选地,所述装置还包括:
验证模块,用于随机选取所述数据样本中的80%作为训练集,其余20%为测试集,用1-最近邻分类器确定所述关键特征集的分类准确率。
本发明实施例第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现如本发明第一方面所述的方法中的步骤。
本发明实施例中,考虑了电网中未进行安全稳定评估的运行数据,用局部线性嵌入保留了无标签数据的运行数据样本的流形结构;本发明实施例中,采用基于FisherScore的前向序列选择法,并采用局部线性嵌入处理无标签数据,同时利用主成分分析法计算方差累计贡献率对特征进行降维;降维后进行高效增量特征选择,从而选择出影响电力系统暂态稳定的关键特征;本发明实施例可以合理地利用仿真数据和运行数据的结合,考虑到增量选择的时间复杂度问题,使得暂态稳定性分析结果能够综合计及不同特征数和不同方法的分类准确率和计算时间,暂态稳定关键特征选择结论更为合理、有效。
本发明实施例可以全面地利用电力系统运行过程中产生的未经过安全稳定评估的运行数据,提高了选择出的关键特征在测试集上的分类准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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是本发明实施例的一种电力系统暂态稳定关键特征选择方法的流程图;
图2是本发明实施例的另一种电力系统暂态稳定关键特征选择方法的流程图;
图3是本发明实施例的一种电力系统暂态稳定关键特征选择装置的装置框图。
具体实施方式
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。
在电力系统中,运行数据的数量是巨大的,而仿真数据的数量相比运行数据而言是极小的,如果在选择关键特征的过程中仅利用到仿真数据,得出的结果无疑是不够准确的。因此,本发明实施例提出,在进行电力系统暂态稳定关键特征选择时考虑运行数据对关键特征选择的影响。
具体的,本发明提出了一种基于流形正则化的半监督电力系统暂态稳定关键特征选择方法,参照图1,示出了本发明实施例的一种电力系统暂态稳定关键特征选择方法的流程图,本发明实施例所提供的电力系统暂态稳定关键特征选择方法可以包括以下步骤:
S101,对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据。
本发明实施例中提到的电力系统可以为IEEE 39节点系统。
IEEE 39节点系统是一个在电力系统领域较为有名的区域性输电系统网络,又被称为新英格兰39节点系统(New England 39Bus System,NE39BS),该基准网络配置于美国新英格兰地区,由39个母线组成,其中包括10个发电机母线和19个负荷母线,广泛应用于小信号稳定性研究、动态稳定分析、电能质量分析与控制等领域。
本发明实施例中,可以利用仿真软件对电力系统进行暂态稳定时域仿真,进行故障分析,得到仿真数据,导出作为电力系统仿真数据样本。
本发明实施例中,对于每条仿真数据样本,可以依据其功角失稳情况为判据,为其添加标签,例如:对于功角失稳的仿真数据样本赋予其数据标签0,对于功角稳定的仿真数据样本赋予其数据标签1。
随着广域测量系统的快速发展,获取足量表征电力系统运行状态的运行数据已经成为可能。如果将这些运行数据处理成训练样本,尽管并不知道它们对应的系统状态稳定与否,但却能为模型训练提供了关于数据分布的信息。
因此,本发明实施例中,对于电力运行数据样本,将其作为无标签的运行数据样本添加到数据样本中。
本发明实施例中,可以提前预设原始特征集合。所述原始特征集合为与暂态过程有关的特征集合,包括母线相角、母线电压幅值、线路潮流有功功率、线路潮流无功功率、关键断面的潮流、线路电流、发电机功角、发电机转速等。
本发明实施例中,在整理得到数据样本之后,可以把所有数据样本按照各个特征,输入到原始特征集合中。
S102,对所述原始特征集合进行特征初筛,得到初筛后的特征集。
本发明实施例中,为了减小后续计算的计算量、提高后续计算的计算效率,可以预先对原始特征集合中的特征进行初筛。
具体的,可以利用有标签的仿真数据样本,根据其携带的数据标签,预先筛除部分与数据标签相关性不高的特征。
S103,对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵。
本发明实施例中,相关计算方法为本领域技术人员所熟知的,在此不再赘述。
本发明实施例中,可以先对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵,以便于后续对各个特征进行费希尔评分。
S104,对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵。
本发明实施例中,局部线性嵌入的核心思想在于:将一个样本由邻域的其他几个样本线性表示出来。从而,本发明实施例中可以将电力系统运行数据应用起来,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵,以在考虑到电力系统运行数据的基础上,完成各个特征的费希尔评分。
S105,根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集。
本发明实施例中,可以对第二总散度矩阵进行主成分分析降维,基于方差累计贡献率阈值,选择排序靠前的若干个特征,组成第一特征子集。
S106,在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分。
本发明实施例中,可以直接计算第一特征子集对应的费希尔评分,以确定其是否达到输出阈值。也可以对降维后得到的第一特征子集进行高效增量特征选择,并计算对应的费希尔评分。
具体的,本发明实施例中,Fisher Score特征子集评分方法为:
SemiFS(X)=tr{(Sst)-1Ssb}=tr{(X(F+λL)XT)-1XWXT}
其中,X为经过局部线性嵌入后的低维特征矩阵,Sst和Ssb为改进的半监督的类间散度矩阵与总散度矩阵,λ为流形正则化项的系数,L=(I-M)T(I-M)为原始高维数据的Laplace矩阵,I为单位矩阵,C为类别数,nk为第k类数据的总数,l为有标签样本个数。
S107,在所述费希尔评分达到输出阈值的情况下,输出对应的特征子集,作为电力系统暂态稳定关键特征集。
本发明实施例中,输出阈值可以由技术人员提前预设。最终输出的特征子集,其费希尔评分可以达到输出阈值且其特征数大于需提取的特征数。
本发明实施例中,最终输出的特征子集可以为第一特征子集,也可以为第一特征子集的子集。从而,本发明实施例中,本发明实施例可以全面地利用电力系统运行过程中产生的未经过安全稳定评估的运行数据,确定出电力系统暂态稳定关键特征集。
参照图2,示出了本发明实施例的一种电力系统暂态稳定关键特征选择方法的流程图,本发明实施例所提供的电力系统暂态稳定关键特征选择方法可以包括以下步骤:
S201,对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据。
所述步骤S201与上述步骤S101类似,在此不再赘述。
S202,对所述原始特征集的所有数据样本进行中心化处理,将原始特征集合中的所有数据样本减去仿真数据样本的均值。
本发明实施例中,对原始特征集的数据样本进行中心化处理,确保数据均值为0,可以保证后续计算的连贯性。
具体的,本发明实施例中,将原始特征集合中的所有数据样本减去仿真数据样本的均值,使得其平移到坐标原点,达到中心化目的。
S203,采用低方差特征过滤的方法对所述原始特征集合进行特征初筛,对所有数据样本每个原始特征的方差进行排序,消除方差低于方差阈值的原始特征。
具体的,本发明实施例中,方差阈值可以为10-4,从而消除方差低于10-4的原始特征,形成初筛后的特征集。
S204,对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵。
所述步骤S204与上述步骤S103类似,在此不再赘述。
S205,对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵。
本发明实施例中,可以根据公式(1)对无标签样本进行局部线性嵌入,并得到局部线性嵌入矩阵M;
其中,zi为局部线性嵌入的数据点,Ni={zi1,zi2,…,zik}为zi的邻域集,zj为zi的第j个临近点,同Ni内的表述一致,Mij为每个临近点对应的权重系数,M=(Mij)为得到的局部线性表示矩阵。
S206,根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集。
本发明实施例中,可以对第二总散度矩阵进行主成分分析降维,按照方差累计贡献率阈值,选择排序靠前的若干个特征,组成第一特征子集。
若方差累计贡献率大于阈值且降维后的特征数大于需提取的特征数,则转步骤S207。
若方差累计贡献率大于阈值且降维后的特征数小于等于需提取的特征数,则调整方差累计贡献率阈值,继续对总散度矩阵进行主成分分析降维,计算其协方差矩阵的特征值和方差累计贡献率,以使降维后的特征数大于需提取的特征数。
具体的,本发明实施例中,数据中心化后可通过求解协方差矩阵计算其特征值,利用SVD奇异值分解计算特征值。
通过计算方差的累积贡献率(如公式2所示),结合数据模型可以实现数据的降维,基于方差贡献率可以确定最终降维的维数。
方差累积贡献率:
其中,λk为总散度矩阵的协方差矩阵的第k个特征值,∑为特征值矩阵,U为对应的特征向量为列组成的矩阵,Ur为特征值由大到小排序前r个特征值对应的特征向量矩阵,∑r为保留的前r个特征值,目的是使后面特征值小的约等于0,简化总散度矩阵。
本发明实施例中,通过设置方差累计贡献率阈值,对比降维后的特征维数和需要提取的特征数目,若降维后的特征维数大于需要提取的特征数目,则简化总散度矩阵继续高效增量提取特征,反之则调整方差累计贡献率阈值重复主成分分析降维直到降维后的特征维数大于需要提取的特征数目。
S207,对增量加入的总散度矩阵进行SVD分解,优化加速增量总散度矩阵的计算,得到基于流形正则化项的髙效增量半监督Fisher Score。
本发明实施例中,为了降低运算量,在第一特征子集中的特征数大于需要提取的特征数目的情况下,可以先选择若干个特征,对第二总散度矩阵进行SVD分解,以简化第二总散度矩阵,后续逐步增加候选特征,得到增量加入的总散度矩阵,并进行计算,得到对应的费希尔得分,直至费希尔得分达到输出阈值。
具体的,本发明实施例中,所述步骤S207包括:
1.化简第二总散度矩阵
假设当前已选择出d个特征,对第二总散度矩阵进行SVD分解。
Sst=X(F+λL)XT=XGGTXT=QQT (4)
2、确定加速增量的总散度矩阵
当已选入特征的个数为d基于Fisher Score的前向序列特征选择法评估第d+1个候选特征的时间复杂度为O(min(d+1,N)3),其中N为样本个数.随着d的増加,所需的计算时间会越来越大,因此本发明实施例基于前述所提出的半监督Fisher Score特征评价方法,利用特征子空间理论构造了一种高效的增量式的半监督特征选择方法。
S208,判断此时是否达到输出阈值。
如果是则转步骤S209,否则转步骤S207。
S209,输出最优特征子集,以及相关指标。
本发明实施例中,考虑到时间复杂度问题,还可以对降维后,得到的第一特征子集,进行高效增量特征选择,最终得到费希尔评分满足输出阈值、特征数量满足所需特征数的最优特征子集,作为电力系统暂态稳定关键特征集,并且,可以进一步对电力系统暂态稳定关键特征集进行分析,得到相关指标,以评判电力系统暂态稳定关键特征集的准确性。
具体的,在第一特征子集中的特征数大于需提取的特征数的情况下,可以简化第二总散度矩阵并逐步高效增量提取特征,对增量加入的总散度矩阵进行SVD分解,优化加速增量总散度矩阵的计算,得到对应的费希尔评分。
从而,本发明实施例中,在第一特征子集中的特征数大于需提取的特征数的情况下,可以采用增量式特征评分更新策略逐步得到数量满足需提取的特征数的最优特征子集,降低了时间复杂度,提高了计算速度。
所述相关指标至少包括:该子集的Fisher Score、计算时间和在测试集上的分类准确率。
具体的,在确定出最优子集之后,随机选取所述数据样本中的80%作为训练集,其余20%为测试集,用1-最近邻分类器确定所述关键特征集的分类准确率。
基于同一发明构思,本发明实施例提供一种电力系统暂态稳定关键特征选择装置,参考图3,图3是本发明实施例提供的电力系统暂态稳定关键特征选择装置的示意图。如图3所示,该装置包括:
数据样本处理模块301,用于对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据;
特征初筛模块302,用于对所述原始特征集合进行特征初筛,得到初筛后的特征集;
第一计算模块303,用于对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵;
局部线性嵌入模块304,用于对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵;
主成分分析模块305,用于根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集;
第二计算模块306,用于在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分;
输出模块307,用于在所述费希尔评分达到输出阈值的情况下,输出所述第一特征子集,作为电力系统暂态稳定关键特征集。
可选地,所述装置还包括:
调整模块,用于在所述特征子集中的特征数小于等于需提取的特征数的情况下,调整所述方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第二特征子集。
可选地,所述特征初筛模块302,具体用于:
采用低方差特征过滤的装置对所述原始特征集合进行特征初筛,对所有数据样本每个原始特征的方差进行排序,消除方差低于方差阈值的原始特征。
可选地,所述装置还包括:
中心化处理模块,用于对所述原始特征集的所有数据样本进行中心化处理,将原始特征集合中的所有数据样本减去仿真数据样本的均值。
可选地,所述原始特征集合包括:母线相角、母线电压幅值、线路潮流有功功率、线路潮流无功功率、关键断面的潮流、线路电流、发电机功角、发电机转速。
可选地,所述局部线性嵌入的计算方法为:
其中,zi为局部线性嵌入的数据点,Ni={zi1,zi2,…,zik}为zi的邻域集,zj为zi的第j个临近点,同Ni内的表述一致,Mij为每个临近点对应的权重系数,M=(Mij)为得到的局部线性表示矩阵。
可选地,所述装置还包括:
验证模块,用于随机选取所述数据样本中的80%作为训练集,其余20%为测试集,用1-最近邻分类器确定所述关键特征集的分类准确率。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一实施例所述的电力系统暂态稳定关键特征选择方法中的步骤。
基于同一发明构思,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现上述任一实施例所述的电力系统暂态稳定关键特征选择方法中的步骤。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种电力系统暂态稳定关键特征选择方法、装置、电子设备及存储介质,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 (10)
1.一种电力系统暂态稳定关键特征选择方法,其特征在于,所述方法包括:
对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据;
对所述原始特征集合进行特征初筛,得到初筛后的特征集;
对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵;
对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵;
根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集;
在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分;
在所述费希尔评分达到输出阈值的情况下,输出对应的特征子集,作为电力系统暂态稳定关键特征集。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述特征子集中的特征数小于等于需提取的特征数的情况下,调整所述方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第二特征子集。
3.根据权利要求1所述的方法,其特征在于,对所述原始特征集合进行特征初筛,包括:
采用低方差特征过滤的方法对所述原始特征集合进行特征初筛,对所有数据样本每个原始特征的方差进行排序,消除方差低于方差阈值的原始特征。
4.根据权利要求1所述的方法,其特征在于,在对所述原始特征集合进行特征初筛之前,所述方法还包括:
对所述原始特征集的所有数据样本进行中心化处理,将原始特征集合中的所有数据样本减去仿真数据样本的均值。
5.根据权利要求1所述的方法,其特征在于,所述原始特征集合包括母线相角、母线电压幅值、线路潮流有功功率、线路潮流无功功率、关键断面的潮流、线路电流、发电机功角、发电机转速。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:随机选取所述数据样本中的80%作为训练集,其余20%为测试集,用1-最近邻分类器确定所述关键特征集的分类准确率。
8.一种电力系统暂态稳定关键特征选择装置,其特征在于,所述装置包括:
数据样本处理模块,用于对电力系统仿真数据样本添加数据标签,得到有标签的仿真数据样本,将电力系统运行数据样本作为无标签的运行数据样本,将所述仿真数据样本和所述运行数据样本作为数据样本输入原始特征集合,所述数据标签以功角失稳为判据;
特征初筛模块,用于对所述原始特征集合进行特征初筛,得到初筛后的特征集;
第一计算模块,用于对初筛后的特征集中的仿真数据样本进行计算,得到仿真数据样本的类间散度矩阵和第一总散度矩阵;
局部线性嵌入模块,用于对初筛后特征集中的运行数据样本进行局部线性嵌入,得到局部线性表示矩阵和加入运行数据样本的第二总散度矩阵;
主成分分析模块,用于根据方差累计贡献率阈值,对所述第二总散度矩阵进行主成分分析降维,得到第一特征子集;
第二计算模块,用于在所述第一特征子集中的特征数大于需提取的特征数的情况下,计算所述第一特征子集对应的费希尔评分;
输出模块,用于在所述费希尔评分达到输出阈值的情况下,输出所述第一特征子集,作为电力系统暂态稳定关键特征集。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述的电力系统暂态稳定关键特征选择方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述的电力系统暂态稳定关键特征选择方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426320 | 2022-11-15 | ||
CN2022114263204 | 2022-11-15 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116204771A true CN116204771A (zh) | 2023-06-02 |
Family
ID=86516210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211475120.8A Pending CN116204771A (zh) | 2022-11-15 | 2022-11-23 | 电力系统暂态稳定关键特征选择方法、装置及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204771A (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 |
-
2022
- 2022-11-23 CN CN202211475120.8A patent/CN116204771A/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 |
---|---|---|
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
Luo et al. | Advanced pattern discovery-based fuzzy classification method for power system dynamic security assessment | |
CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
CN105512808A (zh) | 一种面向大数据的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 | |
CN112330165A (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 | |
CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
Luo et al. | Graph convolutional network-based interpretable machine learning scheme in smart grids | |
CN117424201A (zh) | 电力系统暂态稳定可解释评估方法、系统、设备及存储介质 | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN113506186B (zh) | 电力系统受扰轨迹筛选方法、装置、电子设备和存储介质 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
Guo et al. | On-line prediction of transient stability using decision tree method—Sensitivity of accuracy of prediction to different uncertainties | |
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 | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
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 | |
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 | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
Chen et al. | Distribution-aware graph representation learning for transient stability assessment of power system | |
Liu et al. | Fuzzy equivalence relation clustering-based algorithm for coherency identification among generators | |
Li et al. | Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning | |
Ou et al. | Single-phase Grounding Fault Type Identification of Distribution Network Based on LSTM | |
Khalilifar et al. | Estimation of voltage instability inception time by employing k‐nearest neighbour learning algorithm | |
Jain et al. | A decision tree C4. 5-based voltage security events classifier for electric power systems | |
Niu et al. | Research on Power System Transient Security Prediction Based on AdaBoost-SVM |
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 |