CN117150393A - 一种基于决策树的电力系统薄弱支路辨识方法及系统 - Google Patents
一种基于决策树的电力系统薄弱支路辨识方法及系统 Download PDFInfo
- Publication number
- CN117150393A CN117150393A CN202311397850.5A CN202311397850A CN117150393A CN 117150393 A CN117150393 A CN 117150393A CN 202311397850 A CN202311397850 A CN 202311397850A CN 117150393 A CN117150393 A CN 117150393A
- Authority
- CN
- China
- Prior art keywords
- power system
- branch
- weak
- sample
- decision tree
- 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.)
- Granted
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005192 partition Methods 0.000 claims description 68
- 238000012360 testing method Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 17
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000012163 sequencing technique Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 13
- 239000000243 solution Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000000638 solvent extraction Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统方面专门适用于预测目的的数据处理方法技术领域，公开一种基于决策树的电力系统薄弱支路辨识方法及系统，包括：根据电气量样本数据、电网拓扑结构样本数据、支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练电力系统薄弱支路辨识模型；通过电力系统薄弱支路辨识模型得到电网支路开断状态对电力系统稳定运行的重要性排序。本发明构建基于信息增益决策树算法的电力系统薄弱支路辨识模型，使得数据分析过程透明、可解释，能够得到在高比例可再生能源并入电网后输入特征对电力系统安全运行的影响程度，得到电力系统支路的薄弱程度排序，为针对性保护提供指导，提高电力系统的运行安全性和稳定性。
Description
技术领域
本发明涉及电力系统方面专门适用于预测目的的数据处理方法技术领域，尤其涉及一种基于决策树的电力系统薄弱支路辨识方法及系统。
背景技术
随着全球经济和工业的不断发展，环境问题和能源危机日益严峻，加快发展新能源、实现全球能源发展的绿色低碳转型成为世界各国的共识。在全球能源发展的推动下，现代电力工业也在经历着一系列的变革和发展，将相当比例的可再生能源并入电网已成为电力系统发展的必然趋势。然而，以太阳能和风能为代表的新能源受天气和环境因素的影响，具有很大的随机性和不确定性。随着电网规模的扩大和可再生能源比例的激增，多样化的拓扑结构和潮流状态给安全态势分析带来了挑战。因此，为应对不断提高的不确定性对电力系统运行的影响，迫切需要研究一种高效的电力系统薄弱支路辨识方法。
发明内容
本发明提供一种基于决策树的电力系统薄弱支路辨识方法及系统，用以解决高比例可再生能源并入电网后带来的不确定性增加了电力系统安全运行的风险的缺陷。
本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，包括：
获取电力系统发生故障前后的电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据；
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，包括：
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益；
根据信息增益，确定决策树各节点的划分属性和划分标准，直至样本划分满足预设划分要求。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益，包括：
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分前的信息熵；
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分后的信息熵；
根据样本划分前的信息熵和样本划分后的信息熵，得到信息熵差值，以信息熵差值作为样本划分后的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，通过第一表达式得到根据某一划分属性进行样本划分前的信息熵，其中，所述第一表达式为：
，
第一表达式中，表示随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵，/>表示随机事件Z为/>（随机事件z在本发明中为支路薄弱程度等级为某一等级）的概率；
以及，通过第二表达式得到根据某一划分属性进行样本划分后的信息熵，其中，所述第二表达式为：
，
第二表达式中，表示根据划分属性T进行样本划分后的信息熵，/>表示划分属性T取值为t的概率，/>表示划分属性T取值为t的情况下随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据信息增益，确定决策树各节点的划分属性和划分标准，具体为：
令信息熵差值最小化，使得决策树的每个决策节点的信息增益最大化，以确定决策树各节点的划分属性和划分标准。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
通过累积决策树中每个划分属性的信息增益以及结合根据划分属性进行样本划分的数量，度量每个划分属性对电力系统薄弱支路辨识的重要性；
其中，度量每个划分属性对电力系统薄弱支路辨识的重要性的第三表达式为：
，
第三表达式中，表示划分属性对电力系统薄弱支路辨识的重要性，/>表示根据划分属性进行样本划分的数量，/>表示样本总数，/>表示决策树的决策节点总数，为第/>个决策节点下的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
将每个划分属性对电力系统薄弱支路辨识的重要性进行归一化处理；
其中，通过第四表达式进行归一化处理，所述第四表达式为：
，
第四表达式中，表示归一化后的第/>个划分属性对电力系统薄弱支路辨识的重要性，/>表示第/>个划分属性对电力系统薄弱支路辨识的重要性，/>为所有划分属性对电力系统薄弱支路辨识的重要性的最大值。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
通过预测准确率评估电力系统薄弱支路辨识模型的预测性能；
其中，预测准确率的第五表达式为：
，
第五表达式中，A S表示预测准确率，表示预测成功的测试集样本数，/>表示测试集样本总数。
本发明还提供一种基于决策树的电力系统薄弱支路辨识模型的构建系统，包括：
样本数据获取模块，用于：获取电力系统发生故障前后的电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据；
模型训练模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块包括：
信息增益得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益；
样本划分子模块，用于：根据信息增益，确定决策树各节点的划分属性和划分标准，直至样本划分满足预设划分要求。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述信息增益得到子模块包括：
划分前信息熵得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分前的信息熵；
划分后信息熵得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分后的信息熵；
信息熵差值得到子模块，用于：根据样本划分前的信息熵和样本划分后的信息熵，得到信息熵差值，以信息熵差值作为样本划分后的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述划分前信息熵得到子模块通过第一表达式得到根据某一划分属性进行样本划分前的信息熵，其中，所述第一表达式为：
，
第一表达式中，表示随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵，/>表示随机事件Z为/>（随机事件z在本发明中为支路薄弱程度等级为某一等级）的概率；
以及，所述划分后信息熵得到子模块通过第二表达式得到根据某一划分属性进行样本划分后的信息熵，其中，所述第二表达式为：
，
第二表达式中，表示根据划分属性T进行样本划分后的信息熵，/>表示划分属性T取值为t的概率，/>表示划分属性T取值为t的情况下随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述样本划分子模块具体用于：
令信息熵差值最小化，使得决策树的每个决策节点的信息增益最大化，以确定决策树各节点的划分属性和划分标准。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
重要性计算子模块，用于：通过累积决策树中每个划分属性的信息增益以及结合根据划分属性进行样本划分的数量，度量每个划分属性对电力系统薄弱支路辨识的重要性；
其中，度量每个划分属性对电力系统薄弱支路辨识的重要性的第三表达式为：
，
第三表达式中，表示划分属性对电力系统薄弱支路辨识的重要性，/>表示根据划分属性进行样本划分的数量，/>表示样本总数，/>表示决策树的决策节点总数，为第/>个决策节点下的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
归一化子模块，用于：将每个划分属性对电力系统薄弱支路辨识的重要性进行归一化处理；
其中，通过第四表达式进行归一化处理，所述第四表达式为：
，
第四表达式中，表示归一化后的第/>个划分属性对电力系统薄弱支路辨识的重要性，/>表示第/>个划分属性对电力系统薄弱支路辨识的重要性，/>为所有划分属性对电力系统薄弱支路辨识的重要性的最大值。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
预测性能评估子模块，用于：通过预测准确率评估电力系统薄弱支路辨识模型的预测性能；
其中，预测准确率的第五表达式为：
，
第五表达式中，A S表示预测准确率，表示预测成功的测试集样本数，/>表示测试集样本总数。
本发明还提供一种基于决策树的电力系统薄弱支路辨识方法，包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
本发明还提供一种基于决策树的电力系统薄弱支路辨识系统，包括：
数据获取模块，用于：获取电网支路开断状态数据；
辨识模块，用于：根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
本发明还提供一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现上述基于决策树的电力系统薄弱支路辨识方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于决策树的电力系统薄弱支路辨识方法。
本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述基于决策树的电力系统薄弱支路辨识方法。
本发明提供的一种基于决策树的电力系统薄弱支路辨识方法及系统，通过数据驱动的方法，根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，利用决策树生成过程具有可视化的优势，构建基于信息增益决策树算法的电力系统薄弱支路辨识模型，使得数据分析过程透明、可解释，以及通过电力系统薄弱支路辨识模型能够高效率、高精度地预测电力系统薄弱支路，极大程度上提高了预测效率和预测准确性；进一步的，利用电力系统薄弱支路辨识模型能够分析输入特征对输出结果的重要性，能够得到在高比例可再生能源并入电网后输入特征对电力系统安全运行的影响程度，从而得到电力系统支路的薄弱程度排序，为电力系统运行中的针对性保护提供指导，有效提高电力系统的运行安全性和稳定性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做出简单地介绍，显而易见地，下面描述中的附图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为本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法的流程示意图。
图2为决策树模型的原理说明图。
图3为IEEE39节点系统的结构示意图。
图4为电力系统薄弱支路辨识模型的决策树生成过程示意图。
图5为本发明提供的一种基于决策树的电力系统薄弱支路辨识系统的结构示意图。
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，它们不应该理解成对本发明的限制。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。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
下面结合图1-图6描述本发明提供的基于决策树的电力系统薄弱支路辨识方法及系统。
图1是本发明提供的基于决策树的电力系统薄弱支路辨识模型的构建方法的流程示意图。参照图1，本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建方法，可以包括：
步骤S110、获取电力系统发生故障前后的电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据；
步骤S120、根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型。
需要说明的是，高比例可再生能源并网运行的大趋势和电力系统实际运行的不确定性增加了电网安全稳定分析的难度，推动了数据驱动方法在电力系统薄弱支路辨识中的应用。数据驱动方法基于特征提取实现规律拟合，可有效克服不确定性建模精度有限、传统机理方法缺乏时效性等缺点，但部分算法因决策透明度不够、缺乏可解释性而无法广泛应用。因此，本发明采用生成过程具有可视化的决策树算法构建电力系统薄弱支路辨识模型，使得数据分析过程更具透明度和可解释性，以提高模型预测准确性和效率。
需要说明的是，可以通过现有的电力系统仿真软件采集电力系统发生故障前后的电气量数据，根据模型输入输出需要对所采集的数据进行重构生成样本数据集，并将样本样本集划分为训练数据集和测试数据集，其中训练数据集用于电力系统薄弱支路辨识模型的学习训练，测试数据集用于电力系统薄弱支路辨识模型的测试。
具体的，考虑电网不同负荷水平、功率注入方式和故障位置等多种因素和运行场景，利用电力系统仿真软件进行离线仿真，采集电力系统发生故障时刻前后的电气量数据，并根据模型输入输出需要对采集数据进行重构生成样本数据集。针对本发明对电力系统薄弱支路辨识的需要，可以选取电力系统发生故障前注入各支路的有功功率、无功功率、故障前后注入各支路的有功功率之差和无功功率之差、以及电网拓扑结构作为电力系统薄弱支路辨识模型的输入样本数据，根据电力系统发生故障后的电压变化值判断支路开断对于电力系统安全的危害程度，如式（1）所示将电力系统支路的薄弱程度进行分级并作为电力系统薄弱支路辨识模型的输出样本标签数据。
式（1）中，表示电力系统发生故障前后电网拓扑结构中所有节点的电压变化量的平均值。
在计算机系统下，节点为用作特征存储、数值计算和结果输出的基本计算单元，而边仅用于表示节点的拓扑关联和传输其特征信息，为利用数据驱动方法对电力系统支路薄弱属性进行检验，本发明将电网域中的“支路”映射为到计算机图域中的“节点”，将“支路”的开断状态映射为计算机图域中的“边”。样本数据被存储以支持映射关系的拟合，其中节点特征矩阵X是N个支路的d维输入特征，在本发明中为各电力系统支路的电气量，关联向量A描述各支路的开断情况，Y是N个支路的F维输出结果，在本发明中为各电力系统支路的薄弱程度，f表示映射函数，映射函数可以自定义也可以使用现有的，表示Y是自变量为X和A的函数。
关联向量A的具体表达式如下所示：
基于关联向量可以得到电网拓扑结构的映射矩阵，针对电力系统薄弱支路辨识的需要，最终结合电力系统仿真软件获取的电气量数据从而生成样本数据集。
样本数据集通常按照一定比例划分为训练数据集和测试数据集。其中，训练数据集是用于电力系统薄弱支路辨识模型拟合的数据样本，其作用是确定神经元内置参数，而测试数据集用于评估电力系统薄弱支路辨识模型最终的泛化能力，只用来评估模型好坏，不作为调参、特征选择等算法相关的选择依据。
进一步的，利用样本数据集构建基于信息增益的决策树模型（电力系统薄弱支路辨识模型），利用训练数据集对电力系统薄弱支路辨识模型进行训练，可以根据电力系统薄弱支路辨识模型训练结果对各输入特征变量的重要性进行排序，从而得出电力系统的薄弱支路。
需要说明的是，决策树是一种有监督的机器学习方法，其原理图如图2所示。决策树是一种典型的树形结构，反映了特征和标签之间的功能映射关系。在决策树中，每个非叶节点代表对属性的判断，即样本对特征的划分，每个分支代表判断结果的输出。根据样本数据集在该特征上的不同取值，决策树被分为若干子树，直到叶子节点，最终每个叶子节点代表一个分类结果。与其他算法相比，决策树的生成过程具有可视性，并且可以对输入特征变量的重要性进行排序，因此具有很强的可解释性和指导意义。
电力系统薄弱支路辨识模型的训练样本组成为：输入特征由节点特征矩阵X，即N个支路在故障发生时刻前后的注入有功功率、注入无功功率/>，故障前后的注入有功功率之差/>、注入无功功率之差/>，和表示电网拓扑结构的关联向量A组成，如下式（3）所示；输出标签为支路薄弱程度等级。
在电力系统薄弱支路辨识模型的训练过程中，主要的挑战是确定每个子树中根节点的最优特征，以便进行样本划分，这一过程被称为特征选择。在决策树中，有三种特征选择方法，即信息增益法、信息增益率法和基尼指数法。本发明采用基于信息增益的决策树模型。在训练过程中，决策树按照输入集合中的某个元素进行划分，通过计算样本划分后的信息增益确定划分属性（输入特征）及划分标准，从而得到训练完善的决策树，进而可以进行电力系统薄弱支路辨识。
在一种实施例中，步骤S120包括：
步骤S1201、根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益；
步骤S1202、根据信息增益，确定决策树各节点的划分属性和划分标准，直至样本划分满足预设划分要求。
在一种实施例中，步骤S1201包括：
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分前的信息熵；
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分后的信息熵；
根据样本划分前的信息熵和样本划分后的信息熵，得到信息熵差值，以信息熵差值作为样本划分后的信息增益。
需要说明的是，信息增益基于信息熵，信息熵反映了事件的不确定性。对于一般的事件分布，熵是以概率为权重的各种可能性的熵之和。
具体的，可以通过第一表达式（4）得到根据某一划分属性进行样本划分前的信息熵，其中，所述第一表达式为：
第一表达式中，表示随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵，/>表示随机事件Z为z（随机事件z在本发明中为支路薄弱程度等级为某一等级）的概率。
以及，通过第二表达式（5）得到根据某一划分属性进行样本划分后的信息熵，其中，所述第二表达式为：
第二表达式中，表示根据划分属性T进行样本划分后的信息熵，/>表示划分属性T取值为t的概率，/>表示划分属性T取值为t的情况下随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵。
对于决策树来说，特征选择的目的是使每个分支更加纯粹，最好是每个分支中的数据尽量属于同一类别，而熵代表事件的不确定性，消除熵可以增加事件的确定性，因此，基于信息增益的特征选择方法是选择划分后熵最小的特征。
为使样本划分后的信息熵最小，需要最大化决策树的每个决策节点的信息增益，以确定决策树各节点的划分属性和划分标准。
需要最大化的信息增益可以如下式（6）表示：
式（6）中，表示根据划分属性T对样本进行划分后的信息增益。
在电力系统薄弱支路辨识模型训练过程中，应以信息增益最大化为目标进行训练，直至训练样本的划分满足精度要求，最终得到训练完善的电力系统薄弱支路辨识模型。
在一种实施例中，步骤S120还包括：
通过累积决策树中每个划分属性的信息增益以及结合根据划分属性进行样本划分的数量，度量每个划分属性对电力系统薄弱支路辨识的重要性；
其中，度量每个划分属性对电力系统薄弱支路辨识的重要性的第三表达式（7）为：
第三表达式中，表示划分属性对电力系统薄弱支路辨识的重要性，/>表示根据划分属性进行样本划分的数量，/>表示样本总数，/>表示决策树的决策节点总数，为第/>个决策节点下的信息增益。
需要说明的是，训练电力系统薄弱支路辨识模型的主要任务是在每个决策节点上以信息增益最大化为目标选择最佳的特征（划分属性）进行分割，因此，可以通过累积决策树中出现的每个特征的信息增益度量特征对输出结果的重要性，同时，注意到决策树根节点能够帮助过滤所有的输入样本，而底部节点有助于区分的样本数则相对较少，因此，一个特征在每个决策节点获得的增益的权重并不相同，即一个特征在一个决策节点获得的增益应按该决策节点帮助区分的样本比例进行加权，从而更加精准地度量每个划分属性对电力系统薄弱支路辨识的重要性。
在一种实施例中，步骤S120还包括：
将每个划分属性对电力系统薄弱支路辨识的重要性进行归一化处理；
其中，通过第四表达式（8）进行归一化处理，所述第四表达式为：
第四表达式中，表示归一化后的第/>个划分属性对电力系统薄弱支路辨识的重要性，/>表示第/>个划分属性对电力系统薄弱支路辨识的重要性，/>为所有划分属性对电力系统薄弱支路辨识的重要性的最大值。
需要说明的是，为更加直观地对特征重要性，即支路薄弱程度进行比较，本发明对特征重要性进行归一化处理，即将重要性对应的值缩放到（0，1）的范围内。
在一种实施例中，步骤S120还包括：
通过预测准确率评估电力系统薄弱支路辨识模型的预测性能；
其中，预测准确率的第五表达式（9）为：
第五表达式中，A S表示预测准确率，表示预测成功的测试集样本数，/>表示测试集样本总数。
需要说明的是，在训练得到电力系统薄弱支路辨识模型后，可以通过电力系统薄弱支路辨识模型对测试数据集的支路薄弱程度进行预测，获得支路薄弱程度辨识结果，并以预测准确率和预测效率为指标对模型预测效果进行评价。本实施例通过预测准确率评估电力系统薄弱支路辨识模型的预测性能，能够反映薄弱支路辨识的整体效果，预测准确率越高表明模型预测效果越好。在实际电网运行过程中，可利用训练完善的电力系统薄弱支路辨识模型对电力系统薄弱支路进行预测，从而为后续保护措施的制定和实施奠定基础。
基于本发明提供的基于决策树的电力系统薄弱支路辨识模型的构建方法，本发明还可以提供一种基于决策树的电力系统薄弱支路辨识方法，包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
本发明考虑将各支路的开断状态作为输入特征量，输入特征量的特征重要性越大，则该输入特征量所代表的支路的开断状态对于电力系统的安全稳定运行水平的影响越大，因而该支路的薄弱程度越大。因此，根据电力系统薄弱支路辨识模型预测结果对各输入特征变量的重要性进行排序，便可以得出电力系统支路的薄弱程度排序。
下面给出本发明的一个具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
IEEE39节点系统结构示意图如图3所示。IEEE39节点系统是美国新英格兰地区的一个电力网络，该系统包括10台发电机、39个母线、12台变压器，所有电机均采用励磁、调速以及电力系统稳定器PSS进行调控。
首先，利用电力系统仿真软件（Matlab/simulink）采集发生故障时刻前后的电气量数据，根据模型输入输出需要对采集数据进行重构生成样本数据集，并将样本集划分为训练数据集和测试数据集。
考虑不同负荷水平、功率注入方式和断线位置，选取故障前注入各支路的有功功率、无功功率，故障前后注入各支路的有功功率之差及无功功率之差，以及电网拓扑结构作为输入，选取支路薄弱程度等级作为输出，利用仿真软件进行仿真生成样本数据集。负荷水平设置为额定水平的80%、90%、100%、110%和120%，考虑六种功率注入方式，并将IEEE39节点系统中46条支路分别进行开断，样本总量为1380。
选取样本数据集80%的数据作为训练数据集，其余20%的数据作为测试数据集，训练数据集为用于模型拟合的数据样本，测试数据集用于评估模型最终辨识能力。
其次，利用训练数据集对基于信息增益的决策树模型进行训练，得到电力系统薄弱支路辨识模型，根据电力系统薄弱支路辨识模型训练结果对各输入特征变量的重要性进行排序，得出电力系统支路的薄弱程度排序。
图4展示了电力系统薄弱支路辨识模型的决策树生成过程，所有样本通过输入特征的取值进行样本划分，最终每个叶子节点都由支路薄弱程度相同的样本组成。生成过程的可视性和透明性使得电力系统薄弱支路辨识模型相较其他数据驱动方法具有更强的可解释性。
本发明考虑各支路的开断状态并将其作为输入特征量，输入特征量的特征重要性越大，则该输入特征量所代表的支路的开断状态对于电力系统的安全稳定运行水平的影响越大，因而该支路的薄弱程度越大。电力系统薄弱支路辨识模型能够输出每个输入特征变量的重要性，因此，通过对它们进行排序，可以得到电力系统中的支路薄弱程度的排序。将电力系统薄弱支路辨识模型应用于IEEE39节点系统后，得到了系统中薄弱靠前的五个支路，如表1所示。可以看出，这些薄弱支路的共同特点是都位于重要的输电走廊上，它们的断开会直接导致输电走廊的中断，使部分地区电力供应不足。以15-16支路为例，其断开将导致33、34、35和36号发电机的电力无法送出，造成系统其他部分电力供应严重不足，最终可能导致系统功能不稳定。
最后，通过训练后的电力系统薄弱支路辨识模型对测试数据集的支路薄弱程度进行预测，获得预测结果，并以预测准确率和预测效率为指标对模型预测效果进行评价。
采用式（9）所示的评价指标计算本发明的电力系统薄弱支路辨识模型以及其它不同模型的平均预测准确率，结果如表2所示。
由表2可以看出，本发明的电力系统薄弱支路辨识模型的回归预测准确率为97.06%，高于其它数据驱动模型，证明本发明的电力系统薄弱支路辨识模型对于电力系统薄弱支路的辨识效果相对较好。
再者，计算本发明的电力系统薄弱支路辨识模型以及其它不同模型和传统方式下辨识薄弱支路所用时间，结果如表3所示。
由表3可以看出，通过本发明的电力系统薄弱支路辨识模型进行电力系统薄弱支路辨识，相对传统的电力系统薄弱支路辨识方法以及其它数据驱动的薄弱支路辨识方法，在计算速度上有很大的提高。
需要说明的是，本发明将电力系统中各支路的开断状态作为输入特征量，从而度量输入特征量所代表的支路的开断状态对于电力系统的安全稳定运行水平的影响程度，在其他实施例中，也可以考虑电力系统中的其它变量作为输入特征量，而度量不同输入特征量对电力系统的安全稳定运行水平的影响。
下面对本发明提供的基于决策树的电力系统薄弱支路辨识系统进行描述，下文描述的基于决策树的电力系统薄弱支路辨识系统与上文描述的基于决策树的电力系统薄弱支路辨识方法可相互对应参照。
参照图5，本发明提供的一种基于决策树的电力系统薄弱支路辨识系统，可以包括：
数据获取模块，用于：获取电网支路开断状态数据；
辨识模块，用于：根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
本发明提供的一种基于决策树的电力系统薄弱支路辨识方法及系统，通过数据驱动的方法，根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，利用决策树生成过程具有可视化的优势，构建基于信息增益决策树算法的电力系统薄弱支路辨识模型，使得数据分析过程透明、可解释，以及通过电力系统薄弱支路辨识模型能够高效率、高精度地预测电力系统薄弱支路，极大程度上提高了预测效率和预测准确性；进一步的，利用电力系统薄弱支路辨识模型能够分析输入特征对输出结果的重要性，能够得到在高比例可再生能源并入电网后输入特征对电力系统安全运行的影响程度，从而得到电力系统支路的薄弱程度排序，为电力系统运行中的针对性保护提供指导，有效提高电力系统的运行安全性和稳定性。
本发明还提供一种基于决策树的电力系统薄弱支路辨识模型的构建系统，包括：
样本数据获取模块，用于：获取电力系统发生故障前后的电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据；
模型训练模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块包括：
信息增益得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益；
样本划分子模块，用于：根据信息增益，确定决策树各节点的划分属性和划分标准，直至样本划分满足预设划分要求。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述信息增益得到子模块包括：
划分前信息熵得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分前的信息熵；
划分后信息熵得到子模块，用于：根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分后的信息熵；
信息熵差值得到子模块，用于：根据样本划分前的信息熵和样本划分后的信息熵，得到信息熵差值，以信息熵差值作为样本划分后的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述划分前信息熵得到子模块通过第一表达式得到根据某一划分属性进行样本划分前的信息熵，其中，所述第一表达式为：
，
第一表达式中，表示随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵，/>表示随机事件Z为/>（随机事件z在本发明中为支路薄弱程度等级为某一等级）的概率；
以及，所述划分后信息熵得到子模块通过第二表达式得到根据某一划分属性进行样本划分后的信息熵，其中，所述第二表达式为：
，
第二表达式中，表示根据划分属性T进行样本划分后的信息熵，/>表示划分属性T取值为t的概率，/>表示划分属性T取值为t的情况下随机事件Z（随机事件Z在本发明中为支路薄弱程度等级）的信息熵。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述样本划分子模块具体用于：
令信息熵差值最小化，使得决策树的每个决策节点的信息增益最大化，以确定决策树各节点的划分属性和划分标准。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
重要性计算子模块，用于：通过累积决策树中每个划分属性的信息增益以及结合根据划分属性进行样本划分的数量，度量每个划分属性对电力系统薄弱支路辨识的重要性；
其中，度量每个划分属性对电力系统薄弱支路辨识的重要性的第三表达式为：
，
第三表达式中，表示划分属性对电力系统薄弱支路辨识的重要性，/>表示根据划分属性进行样本划分的数量，/>表示样本总数，/>表示决策树的决策节点总数，为第/>个决策节点下的信息增益。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
归一化子模块，用于：将每个划分属性对电力系统薄弱支路辨识的重要性进行归一化处理；
其中，通过第四表达式进行归一化处理，所述第四表达式为：
，
第四表达式中，表示归一化后的第/>个划分属性对电力系统薄弱支路辨识的重要性，/>表示第/>个划分属性对电力系统薄弱支路辨识的重要性，/>为所有划分属性对电力系统薄弱支路辨识的重要性的最大值。
根据本发明提供的一种基于决策树的电力系统薄弱支路辨识模型的构建系统，所述模型训练模块还包括：
预测性能评估子模块，用于：通过预测准确率评估电力系统薄弱支路辨识模型的预测性能；
其中，预测准确率的第五表达式为：
，
第五表达式中，A S表示预测准确率，表示预测成功的测试集样本数，/>表示测试集样本总数。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于决策树的电力系统薄弱支路辨识方法，该方法包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
此外，上述的存储器830中的逻辑指令可以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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于决策树的电力系统薄弱支路辨识方法，该方法包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于决策树的电力系统薄弱支路辨识方法，该方法包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过上述任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，包括：
获取电力系统发生故障前后的电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据；
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型。
2.根据权利要求1所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，包括：
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益；
根据信息增益，确定决策树各节点的划分属性和划分标准，直至样本划分满足预设划分要求。
3.根据权利要求2所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到样本划分后的信息增益，包括：
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分前的信息熵；
根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，得到根据某一划分属性进行样本划分后的信息熵；
根据样本划分前的信息熵和样本划分后的信息熵，得到信息熵差值，以信息熵差值作为样本划分后的信息增益。
4.根据权利要求3所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，通过第一表达式得到根据某一划分属性进行样本划分前的信息熵，其中，所述第一表达式为：
，
第一表达式中，表示随机事件Z的信息熵，/>表示随机事件Z为/>的概率；
以及，通过第二表达式得到根据某一划分属性进行样本划分后的信息熵，其中，所述第二表达式为：
，
第二表达式中，表示根据划分属性T进行样本划分后的信息熵，/>表示划分属性T取值为t的概率，/>表示划分属性T取值为t的情况下随机事件Z的信息熵。
5.根据权利要求3所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据信息增益，确定决策树各节点的划分属性和划分标准，具体为：
令信息熵差值最小化，使得决策树的每个决策节点的信息增益最大化，以确定决策树各节点的划分属性和划分标准。
6.根据权利要求5所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
通过累积决策树中每个划分属性的信息增益以及结合根据划分属性进行样本划分的数量，度量每个划分属性对电力系统薄弱支路辨识的重要性；
其中，度量每个划分属性对电力系统薄弱支路辨识的重要性的第三表达式为：
，
第三表达式中，表示划分属性对电力系统薄弱支路辨识的重要性，/>表示根据划分属性进行样本划分的数量，/>表示样本总数，/>表示决策树的决策节点总数，为第/>个决策节点下的信息增益。
7.根据权利要求6所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
将每个划分属性对电力系统薄弱支路辨识的重要性进行归一化处理；
其中，通过第四表达式进行归一化处理，所述第四表达式为：
，
第四表达式中，表示归一化后的第/>个划分属性对电力系统薄弱支路辨识的重要性，/>表示第/>个划分属性对电力系统薄弱支路辨识的重要性，/>为所有划分属性对电力系统薄弱支路辨识的重要性的最大值。
8.根据权利要求6所述的基于决策树的电力系统薄弱支路辨识模型的构建方法，其特征在于，所述根据电气量样本数据、电网拓扑结构样本数据以及支路薄弱程度样本标签数据，采用基于信息增益的决策树框架，训练得到电力系统薄弱支路辨识模型，还包括：
通过预测准确率评估电力系统薄弱支路辨识模型的预测性能；
其中，预测准确率的第五表达式为：
，
第五表达式中，A S表示预测准确率，表示预测成功的测试集样本数，/>表示测试集样本总数。
9.一种基于决策树的电力系统薄弱支路辨识方法，其特征在于，包括：
获取电网支路开断状态数据；
根据电网支路开断状态数据，通过权利要求1-8中任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
10.一种基于决策树的电力系统薄弱支路辨识系统，其特征在于，包括：
数据获取模块，用于：获取电网支路开断状态数据；
辨识模块，用于：根据电网支路开断状态数据，通过权利要求1-8中任一项所述的电力系统薄弱支路辨识模型进行电力系统薄弱支路预测，得到电网支路开断状态对电力系统稳定运行的重要性排序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311397850.5A CN117150393B (zh) | 2023-10-26 | 2023-10-26 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311397850.5A CN117150393B (zh) | 2023-10-26 | 2023-10-26 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150393A true CN117150393A (zh) | 2023-12-01 |
| CN117150393B CN117150393B (zh) | 2024-01-05 |
Family
ID=88904585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311397850.5A Active CN117150393B (zh) | 2023-10-26 | 2023-10-26 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150393B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183606A (zh) * | 2020-09-23 | 2021-01-05 | 内蒙古电力(集团)有限责任公司乌海电业局 | 基于c4.5算法的电力系统故障识别分类方法及系统 |
| CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
| US20210097449A1 (en) * | 2020-12-11 | 2021-04-01 | Intel Corporation | Memory-efficient system for decision tree machine learning |
| CN113313304A (zh) * | 2021-05-28 | 2021-08-27 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据决策树的电网事故异常分析方法及系统 |
| CN116011330A (zh) * | 2022-12-30 | 2023-04-25 | 贵州电网有限责任公司 | 一种基于改进随机森林的电力系统电压稳定评估方法 |
| CN116861336A (zh) * | 2023-06-06 | 2023-10-10 | 北京科东电力控制系统有限责任公司 | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 |
| CN116928038A (zh) * | 2023-07-19 | 2023-10-24 | 中国船舶重工集团海装风电股份有限公司 | 基于海上风电机组主轴承温度的故障预警方法及装置 |
-
2023
- 2023-10-26 CN CN202311397850.5A patent/CN117150393B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183606A (zh) * | 2020-09-23 | 2021-01-05 | 内蒙古电力(集团)有限责任公司乌海电业局 | 基于c4.5算法的电力系统故障识别分类方法及系统 |
| US20210097449A1 (en) * | 2020-12-11 | 2021-04-01 | Intel Corporation | Memory-efficient system for decision tree machine learning |
| CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
| CN113313304A (zh) * | 2021-05-28 | 2021-08-27 | 国网江苏省电力有限公司电力科学研究院 | 一种基于大数据决策树的电网事故异常分析方法及系统 |
| CN116011330A (zh) * | 2022-12-30 | 2023-04-25 | 贵州电网有限责任公司 | 一种基于改进随机森林的电力系统电压稳定评估方法 |
| CN116861336A (zh) * | 2023-06-06 | 2023-10-10 | 北京科东电力控制系统有限责任公司 | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 |
| CN116928038A (zh) * | 2023-07-19 | 2023-10-24 | 中国船舶重工集团海装风电股份有限公司 | 基于海上风电机组主轴承温度的故障预警方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150393B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dahal et al. | Comprehensive clustering of disturbance events recorded by phasor measurement units | |
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| 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 | |
| CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
| CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
| CN110570122A (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
| CN114004155B (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
| CN112257784A (zh) | 一种基于梯度提升决策树的窃电检测方法 | |
| 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 | |
| CN115036922B (zh) | 一种分布式光伏发电电量预测方法及系统 | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN114610706A (zh) | 基于过采样和改进随机森林的窃电检测方法、系统及装置 | |
| CN113452018A (zh) | 一种电力系统备用不足风险场景辨识方法 | |
| Kharlamova et al. | Evaluating Machine-Learning-Based Methods for Modeling a Digital Twin of Battery Systems Providing Frequency Regulation | |
| CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
| CN117150393B (zh) | 一种基于决策树的电力系统薄弱支路辨识方法及系统 | |
| CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
| CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
| CN112598148A (zh) | 基于协同表达和LightGBM算法的风机变桨电机温度故障预警方法 | |
| CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
| CN116432023A (zh) | 基于样本迁移学习的新型电力系统故障分类方法 | |
| CN117078035A (zh) | 基于lstm的电力系统暂态稳定性评估方法、系统及存储介质 | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |