CN116305683A - 基于样本均衡化的电力系统暂态稳定评估方法及系统 - Google Patents
基于样本均衡化的电力系统暂态稳定评估方法及系统 Download PDFInfo
- Publication number
- CN116305683A CN116305683A CN202310064440.2A CN202310064440A CN116305683A CN 116305683 A CN116305683 A CN 116305683A CN 202310064440 A CN202310064440 A CN 202310064440A CN 116305683 A CN116305683 A CN 116305683A
- Authority
- CN
- China
- Prior art keywords
- transient stability
- power system
- sample
- sample data
- samples
- 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 85
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 36
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002194 synthesizing effect Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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
本发明公开了基于样本均衡化的电力系统暂态稳定评估方法及系统,获取电力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电力系统暂态稳定评估模型,得到暂态稳定评估结果。本发明在时域仿真构造样本集的基础上,按照SVM选择出来的支持向量,在这些支持向量周围采用SMOTE算法生成少数类的样本,从而使稳定样本和不稳定样本平衡进而用来训练暂态评估模型。
Description
技术领域
本发明属于电力系统暂态稳定评估领域,具体涉及一种基于样本均衡化的电力系统暂态稳定评估方法及系统。
背景技术
暂态稳定分析是电力系统安全分析的重要内容,快速、准确的暂态稳定评估对于保证电力系统安全稳定运行具有重要意义。传统的电力系统暂态稳定分析方法的时域仿真过于耗时,直接法需要构造能量函数,而数据驱动方法不依赖模型、学习能力强、计算速度快、已经被广泛应用于电力系统暂态稳定分析。
数据驱动电力系统暂态稳定评估方法最依赖的就是数据,而在实际电力系统中发生失稳的情况比较少,采用电力系统分析综合程序进行时域仿真时也会遇到这种情况,仿真所得样本大多数为稳定样本,只有少数样本为不稳定样本,这样模型在做分类的时候结果并不可靠。因此,迫切需要开展样本不平衡下的数据处理技术、暂态稳定评估模型搭建的研究。
发明内容
本发明的目的在于提供一种基于样本均衡化的电力系统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面临的样本不平衡问题,本发明在时域仿真构造样本集的基础上,按照SVM选择出来的支持向量,在这些支持向量周围采用SMOTE算法生成少数类的样本,从而使稳定样本和不稳定样本平衡进而用来训练暂态评估模型。
为达到上述目的,本发明采用如下技术方案:
基于样本均衡化的电力系统暂态稳定评估方法,包括:
获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述电力系统暂态稳定评估模型的建立方法,包括:
获取电力系统不同运行方式和不同故障条件下的历史样本数据;
根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
统计数据集中标签分布情况,如果存在类别不平衡情况,则采用支持向量机合成少数类过采样算法使样本均衡;
基于均衡化后的样本训练学习模型,得到电力系统暂态稳定评估模型。
进一步地,所述获取电力系统不同运行方式和不同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、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;
所述历史样本数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角及母线电压。
进一步地,所述根据暂态稳定判据对历史样本数据设置标签,构造得到数据集,具体为:
所述标签为系统稳定或失稳,所述标签的暂态稳定判据为暂态稳定指数TSI;
其中,Δδmax为任意2台发电机之间的最大功角之差,当TSI<0时系统失稳,反之系统稳定。
进一步地,所述采用支持向量机合成少数类过采样算法使样本均衡,具体为:使用支持向量机分类器产生支持向量,生成新的少数类样本,使用合成少数类过采样算法合成样本;
具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m,若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
进一步地,所述基于均衡化后的样本训练学习模型,具体为:基于标签和系统特征建立分类器,用于拟合系统特征和标签之间的关系。
进一步地,所述将实时样本数据输入预先建立的电力系统暂态稳定评估模型,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:
基于样本均衡化的电力系统暂态稳定评估系统,包括:
实时样本数据获取模块:用于获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述电力系统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:用于获取电力系统不同运行方式和不同故障条件下的历史样本数据;
数据集构造模块:用于根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
均衡模块:用于统计数据集中标签分布情况,如果存在类别不平衡情况,则采用支持向量机合成少数类过采样算法使样本均衡;
训练模块:基于均衡化后的样本训练学习模型,得到电力系统暂态稳定评估模型。
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、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;
所述历史样本数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角及母线电压。
进一步地,所述数据集构造模块中,所述标签为系统稳定或失稳,所述标签的暂态稳定判据为暂态稳定指数TSI;
其中,Δδmax为任意2台发电机之间的最大功角之差,当TSI<0时系统失稳,反之系统稳定。
进一步地,所述均衡模块中,采用支持向量机合成少数类过采样算法使样本均衡,具体为:使用支持向量机分类器产生支持向量,生成新的少数类样本,使用合成少数类过采样算法合成样本;
具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m,若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
与现有技术相比,本发明具有以下有益的技术效果:
本发明方法相比传统SMOTE过采样更关注分类边界区域,围绕少数类支持向量的多数类样本密度来选择不同的决策机制,进而合成少数类样本,可以实现更好的分类性能。本发明方法应用于离线仿真搭建模型阶段,可以有效解决不平衡样本条件下数据驱动电力系统暂态稳定评估模型样本漏判率高的问题,提升数据驱动电力系统暂态稳定评估模型的表现力。
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为本发明基于样本均衡化的电力系统暂态稳定评估方法流程图;
图2为本发明电力系统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为本发明基于样本均衡化的电力系统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;
图6为本发明实施例中一个SVMSMOTE合成样本过程图;
图7为原始样本和样本平衡后三种暂态稳定评估模型的计算评价指标展示图,其中(a)为多层感知机MLP的计算结果,(b)为LightGBM模型的计算结果,(c)为随机森林模型的计算结果。
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
本发明提供一种基于样本均衡化的电力系统暂态稳定评估方法,参见图1,包括以下步骤:
获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,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;
准确率的计算表达式为:
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,电力系统暂态稳定评估模型通过以下步骤建立,如图2所示:
步骤1、利用时域仿真软件模拟电力系统在不同潮流水平下、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;
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三相短路故障条件下的运行状况,仿真所得数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角,母线电压等,n个时间点系统特征Xt1,Xt2,...Xtn,共3ⅹnⅹi+nⅹj维特征,i为发电机个数,j为母线个数。
步骤2、根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
所述标签为系统稳定或失稳,所述标签的暂态稳定判据为暂态稳定指数TSI;
其中,Δδmax为任意2台发电机之间的最大功角之差,当TSI<0时系统失稳,反之系统稳定。
步骤3、统计数据集中标签分布情况,如果存在类别不平衡情况则对其采用支持向量机(SVM)合成少数类过采样算法(SMOTE)使样本均衡;
具体地,在统计所得数据集中标签分布不平衡后采用SVMSMOTE算法使用支持向量机分类器产生支持向量然后再生成新的少数类样本,然后使用SMOTE合成样本,具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m。若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
步骤4、基于均衡化后的样本训练电力系统暂态稳定评估模型。
具体地,将均衡化后的样本按照一定比例(如8:2)随机划分为训练集和验证集,训练集用于训练模型,然后采用训练好的模型在验证集上做预测,采用的模型为机器学习或深度学习模型,包括并不限于决策树、支持向量机、随机森林等模型,目标为基于标签和输入特征Xt1,Xt2,...Xtn建立一分类器来拟合系统特征和标签之间的关系。
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,步骤一: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,每条样本包括故障前、发生故障时、故障后一共十个时间点,共690维特征。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。
步骤二:基于步骤一的仿真结果计算可得,样本中稳定与不稳定样本的比例为8.3:1,处于一种不平衡状态。采用支持向量机(SVM)合成少数类过采样算法(SMOTE)使样本均衡,具体实施流程如附图6所示:
首先根据原始样本集稳定与不稳定样本个数计算需要生成的样本个数;
然后根据SVM算法计算支持向量(不稳定样本)的集合,计算每个支持向量最近的10个样本和5个缺陷样本;
根据插值法补全每个支持向量需要新生成的样本,最终得到平衡后的样本集包含971条标记为稳定的样本和971条标记为不稳定的样本。
步骤三:将原始样本集按照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,在这里选择多层感知机(MLP)、轻量梯度提升机(LGBM)、随机森林(RF)作为分类器并训练该模型,在验证集上检验模型表现。
步骤四:依据步骤二样本均衡后得到的数据作为输入重新训练三种模型并在步骤三上所划分的验证集上检验模型表现。
步骤五:对比前后不同训练样本输入所训练的模型的评价指标,包括前边所述的准确率、精确率、召回率、F1分数,计算表达式为:
最终对比结果如图7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。可以看到经过样本均衡后的数据集作为输入训练所得多层感知机(MLP)、轻量梯度提升机(LGBM)、随机森林(RF)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。
实施例二
本发明还提供一种基于样本均衡化的电力系统暂态稳定评估系统,参见图4,包括:
实时样本数据获取模块:用于获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述电力系统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:用于获取电力系统不同运行方式和不同故障条件下的历史样本数据;具体地,利用时域仿真软件模拟电力系统在不同潮流水平下、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;所述历史样本数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角及母线电压。
数据集构造模块:用于根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
所述标签为系统稳定或失稳,所述标签的暂态稳定判据为暂态稳定指数TSI;
其中,Δδmax为任意2台发电机之间的最大功角之差,当TSI<0时系统失稳,反之系统稳定。
均衡模块:用于统计数据集中标签分布情况,如果存在类别不平衡情况,则采用支持向量机合成少数类过采样算法使样本均衡;
采用支持向量机合成少数类过采样算法使样本均衡,具体为:使用支持向量机分类器产生支持向量,生成新的少数类样本,使用合成少数类过采样算法合成样本;
具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m,若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
训练模块:基于均衡化后的样本训练学习模型,得到电力系统暂态稳定评估模型。
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.基于样本均衡化的电力系统暂态稳定评估方法,其特征在于,包括:
获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述电力系统暂态稳定评估模型的建立方法,包括:
获取电力系统不同运行方式和不同故障条件下的历史样本数据;
根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
统计数据集中标签分布情况,如果存在类别不平衡情况,则采用支持向量机合成少数类过采样算法使样本均衡;
基于均衡化后的样本训练学习模型,得到电力系统暂态稳定评估模型。
2.根据权利要求1所述的基于样本均衡化的电力系统暂态稳定评估方法,其特征在于,所述获取电力系统不同运行方式和不同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、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;
所述历史样本数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角及母线电压。
4.根据权利要求3所述的基于样本均衡化的电力系统暂态稳定评估方法,其特征在于,所述采用支持向量机合成少数类过采样算法使样本均衡,具体为:使用支持向量机分类器产生支持向量,生成新的少数类样本,使用合成少数类过采样算法合成样本;
具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m,若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
5.根据权利要求3所述的基于样本均衡化的电力系统暂态稳定评估方法,其特征在于,所述基于均衡化后的样本训练学习模型,具体为:基于标签和系统特征建立分类器,用于拟合系统特征和标签之间的关系。
7.基于样本均衡化的电力系统暂态稳定评估系统,其特征在于,包括:
实时样本数据获取模块:用于获取电力系统不同运行方式和不同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电力系统暂态稳定评估模型,得到暂态稳定评估结果;
其中,所述电力系统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:用于获取电力系统不同运行方式和不同故障条件下的历史样本数据;
数据集构造模块:用于根据暂态稳定判据对历史样本数据设置标签,构造得到数据集;
均衡模块:用于统计数据集中标签分布情况,如果存在类别不平衡情况,则采用支持向量机合成少数类过采样算法使样本均衡;
训练模块:基于均衡化后的样本训练学习模型,得到电力系统暂态稳定评估模型。
8.根据权利要求7所述的基于样本均衡化的电力系统暂态稳定评估系统,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、线路位置处发生三相短路故障时的运行状况,得到历史样本数据;
所述历史样本数据包括系统稳态时、发生故障时刻以及故障后的特征轨迹,所述特征轨迹包括发电机的电磁功率、端电压、功角及母线电压。
10.根据权利要求8所述的基于样本均衡化的电力系统暂态稳定评估系统,其特征在于,所述均衡模块中,采用支持向量机合成少数类过采样算法使样本均衡,具体为:使用支持向量机分类器产生支持向量,生成新的少数类样本,使用合成少数类过采样算法合成样本;
具体地,设在少数类样本Xi的K个近邻样本中,多数类样本的数量为m,若m=K/2,则认为Xi为噪声样本,重新标记;若m<K/2,则对Xi进行外插值;若m>K/2,则对Xi进行内插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064440.2A CN116305683A (zh) | 2023-01-15 | 2023-01-15 | 基于样本均衡化的电力系统暂态稳定评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064440.2A CN116305683A (zh) | 2023-01-15 | 2023-01-15 | 基于样本均衡化的电力系统暂态稳定评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116305683A true CN116305683A (zh) | 2023-06-23 |
Family
ID=86829546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064440.2A Pending CN116305683A (zh) | 2023-01-15 | 2023-01-15 | 基于样本均衡化的电力系统暂态稳定评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305683A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215205A (zh) * | 2023-11-09 | 2023-12-12 | 国网经济技术研究院有限公司 | 基于决策树和iss理论的直流系统控制参数分析方法 |
-
2023
- 2023-01-15 CN CN202310064440.2A patent/CN116305683A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117215205A (zh) * | 2023-11-09 | 2023-12-12 | 国网经济技术研究院有限公司 | 基于决策树和iss理论的直流系统控制参数分析方法 |
CN117215205B (zh) * | 2023-11-09 | 2024-02-06 | 国网经济技术研究院有限公司 | 基于决策树和iss理论的直流系统控制参数分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108551167B (zh) | 一种基于XGBoost算法的电力系统暂态稳定判别方法 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
Bai et al. | A novel parameter identification approach via hybrid learning for aggregate load modeling | |
CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
CN110994604B (zh) | 基于lstm-dnn模型的电力系统暂态稳定评估方法 | |
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN109670213B (zh) | 一种风电场多机等值建模方法及装置 | |
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 | |
CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
CN111725802B (zh) | 基于深度神经网络的交直流混联电网暂态稳定判断方法 | |
Wen et al. | Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework | |
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 | |
CN111652478B (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
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 | |
CN114330571B (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
CN114066214A (zh) | 一种基于多融合卷积神经网络的电能质量分析方法 | |
CN111814394A (zh) | 一种基于相关性和冗余性检测的电力系统安全评估方法 | |
CN117394313A (zh) | 一种电力系统暂态稳定评估方法、系统、芯片及设备 | |
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 | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
Li et al. | Data augment using deep convolutional generative adversarial networks for transient stability assessment of power systems | |
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 | |
Zamzam et al. | A two-stage CNN-LSTM model-based transient stability assessment for power system |
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 |