CN118211854A - 一种电网暂态稳定评估方法、装置、系统和存储介质 - Google Patents
一种电网暂态稳定评估方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN118211854A CN118211854A CN202410620628.5A CN202410620628A CN118211854A CN 118211854 A CN118211854 A CN 118211854A CN 202410620628 A CN202410620628 A CN 202410620628A CN 118211854 A CN118211854 A CN 118211854A
- Authority
- CN
- China
- Prior art keywords
- power grid
- sample
- sample set
- support vector
- vector machine
- 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 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013097 stability assessment Methods 0.000 title claims abstract description 20
- 238000012706 support-vector machine Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000002372 labelling Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 230000000368 destabilizing effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网暂态稳定评估方法、装置、系统和存储介质,属于电力系统控制技术领域,所述电网暂态稳定评估方法,利用当前的标注样本集对当前的支持向量机模型进行训练;利用更新后的支持向量机模型获取当前的剩余样本集中各样本的预测可信度,对预测可信度满足预设要求的样本进行标注并更新标注样本集和剩余样本集,反复利用当前更新后的标注样本集对当前更新后的支持向量机模型进行训练直至满足迭代结束条件,最终得到目标支持向量机模型。本发明基于预测可信度从剩余样本集中主动选取机器学习模型不易判断的边界样本进行标注,减少了意义不大的标注行为,提高训练准确率的同时降低人力成本,进而提升电网暂态稳定的评估准确性。
Description
技术领域
本发明属于电力系统安全分析技术领域,更具体地,涉及一种电网暂态稳定评估方法、装置、系统和存储介质。
背景技术
暂态稳定问题是引起大电网安全事故的常见原因之一,快速、有效的暂态稳定评估对保障电力系统安全稳定运行具有重要意义。传统的暂态稳定评估由知识模型驱动,研究人员基于因果逻辑认识问题机理,提取稳定规则,做出决策判断。知识模型对应清晰的数学概念以及实际的物理过程,有助于研究人员溯源问题根本、制定控制方案,在模型完整且精度足够的前提下,能够最大限度地反映实际电力系统的运行过程。然而,随着电网规模扩大化、运行方式多样化以及问题机理复杂化,传统的暂态稳定评估存在模型构建困难、专家经验依赖度高、计算时间长等缺点,难以满足实际系统的在线评估需求。
随着计算机硬件水平的提高以及算法理论的发展,暂态稳定评估领域掀起了关于机器学习法的研究热潮。机器学习法将暂态稳定评估看作特征空间内的拟合问题,基于海量样本数据,学习与归纳输入特征到评估结果间的映射关系,再将学到的映射关系应用于目标任务中,从而实现对未知情形的智能预测。
构建机器学习模型需要大量的带标注样本。在暂态稳定评估领域中,未标注样本一般通过时域仿真进行标注,该过程需要耗费一定的时间与计算资源,在资源有限的情况下,应该优先选取最有利于提升模型性能的样本进行标注。常规的随机标注方法缺乏针对性,使得带标注样本的数据质量参差不齐,容易造成资源的浪费,并影响机器学习模型的预测准确率。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种电网暂态稳定评估方法、装置、系统和存储介质,其目的在于,在剩余样本集中主动选取机器学习模型不易判断的边界样本进行标注,减少了意义不大的标注行为,提高训练准确率的同时降低人力成本,由此解决因随机标注样本而导致的模型进行暂态评估准确率偏低的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种电网暂态稳定评估方法,包括:
获取阶段:获取电网运行数据对应的未标注样本集;
标注阶段:对所述未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;
训练阶段:利用当前的所述标注样本集对当前的支持向量机模型进行训练,以更新所述当前的支持向量机模型;
更新阶段:利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,对所述预测可信度满足预设要求的样本进行标注,并更新所述标注样本集和所述剩余样本集;
判断阶段:判断训练是否满足迭代结束条件;若不满足则转到训练阶段;反之则停止训练得到目标支持向量机模型;
评估阶段:将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
在其中一个实施例中,所述对所述未标注样本集中的部分样本进行标记,包括:
判断所述未标注样本集中各样本在时域仿真过程中各发电机之间的最大功角差与设定值的大小关系;
若小于或等于所述设定值则标记该样本对应的电网系统处于稳定状态;若大于所述设定值则标记该样本对应的电网系统处于失稳状态。
在其中一个实施例中,所述若小于或等于所述设定值则标记该样本对应的电网系统处于稳定状态;若大于所述设定值则标记该样本对应的电网系统处于失稳状态,包括:
若样本对应的最大功角差小于或等于所述设定值则该样本的标注值为1,视为该样本对应的电网系统处于稳定状态;
若样本对应的最大功角差大于所述设定值则该样本的标注值为-1,视为该样本对应的电网系统处于失稳状态。
在其中一个实施例中,所述对所述预测可信度满足预设要求的样本进行标注,包括:
对预测可信度低于门槛值的样本进行标注,并更新所述标注样本集和所述剩余样本集。
在其中一个实施例中,所述利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,包括:
将所述剩余样本集中各样本输入更新后的支持向量机模型,得到所述剩余样本集中各样本在特征空间中到分类超平面的分类距离,所述分类距离表征对应样本的预测可信度。
在其中一个实施例中,所述分类距离的计算公式为:
;
其中,d(mk)为剩余样本集M={mk,1≤k≤n}中第k个样本mk的分类距离,n为剩余样本集中样本总数,α i *、b*为当前对应的支持向量机模型的模型参数,N为训练样本总数,x i 、yi分别为第i个训练样本的特征向量与标注值,K(mk,xi)为mk和x i 对应的核函数值,||表示绝对值。
在其中一个实施例中,所述电网运行数据包括:电网在稳态下各发电机输出的有功功率和无功功率、电网在故障下的导纳矩阵的上三角元素的模值。
按照本发明的另一个方面,提供了一种电网暂态稳定评估装置,包括:
获取模块,用于获取电网运行数据对应的未标注样本集;
标记模块,用于对所述未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;
训练模块,用于利用当前的所述标注样本集对当前的支持向量机模型进行训练,以更新所述当前的支持向量机模型;
更新模块,用于利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,对所述预测可信度满足预设要求的样本进行标注,并更新所述标注样本集和所述剩余样本集;
判断模块,用于判断训练是否满足迭代结束条件;若不满足则转入训练模块;反之则停止训练得到目标支持向量机模型;
评估装置,用于将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
按照本发明的另一个方面,提供了一种电网暂态稳定评估系统,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的电网暂态稳定评估方法的步骤。
按照本发明的另一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的电网暂态稳定评估方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提供了一种电网暂态稳定评估方法,利用当前的标注样本集对当前的支持向量机模型进行训练;利用更新后的支持向量机模型获取当前的剩余样本集中各样本的预测可信度,对预测可信度满足预设要求的样本进行标注,并更新标注样本集和剩余样本集,反复利用当前更新的标注样本集对当前更新后的支持向量机模型进行训练直至满足迭代结束条件,得到目标支持向量机模型。本发明根据更新后的支持向量机模型输出的当前的所述剩余样本集中各样本的预测可信度,在剩余样本集中主动选取机器学习模型不易判断的边界样本进行标注,减少了意义不大的标注行为,提高训练准确率的同时降低人力成本,由此解决因随机标注样本而导致的模型进行暂态稳定预测准确率偏低的技术问题。
(2)本方案通过判断所述未标注样本集中各样本在时域仿真过程中各发电机之间的最大功角差与设定值的大小关系,可以快速准确地对样本对应的电网系统处于稳定状态还是失稳状态进行识别,进而减低整个估计模型算法的计算复杂度并提升构建估计模型的精度。
(3)本方案若识别到样本对应的电网系统处于稳定状态则标记为1,若识别到样本对应的电网系统处于失稳状态则标记为1,通过符号进行两种状态的区分,操作简单,计算复杂度低。
(4)本方案对预测可信度低于门槛值的样本进行标注,若预测可信度高于门槛值,显然属于易于预测的样本,即使放入标记样本集,对后续训练的意义不大,该方式虽然操作简单但可以有效的过滤冗余训练样本。
(5)本方案将所述剩余样本集中各样本输入更新后的支持向量机模型,得到所述剩余样本集中各样本在特征空间中到分类超平面的分类距离,以表征对应样本的预测可信度,该方式能够从所述剩余样本集中找出支持向量机模型不易判断的边界样本进行标注,实现对现有训练样本集的高质量扩充。
(6)本方案利用公式计算分类距离,该方式可以得到表征样本不确定性的定量指标,基于该指标能够有选择性地标注样本,减少达到预期目标时所需的样本标注量。
附图说明
图1是本发明实施例1提供的电网暂态稳定评估方法的示意图。
图2是本发明实施例1提供的支持向量机模型的结构示意图。
图3是本发明实施例1提供的根据预测可信度从剩余样本集中选取样本进行标注的示意图。
图4是本发明实施例1提供的电网暂态稳定评估方法的流程图。
图5是本发明实施例2提供的电网暂态稳定评估装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
如图1所示,本实施例提供了一种电网暂态稳定评估方法,包括:S1:获取电网运行数据对应的未标注样本集;S2:对未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;S3:利用当前的标注样本集对当前的支持向量机模型进行训练,以更新当前的支持向量机模型;S4:利用更新后的支持向量机模型获取当前的剩余样本集中各样本的预测可信度,对预测可信度满足预设要求的样本进行标注,并更新标注样本集和剩余样本集;S5:判断训练是否满足迭代结束条件;若不满足则转入S3;反之则停止训练得到目标支持向量机模型;S6:将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
步骤S1具体包括:通过电网数据管理系统或电气仿真软件获得电网运行数据,对电网运行数据进行预处理得到未标注样本集。对电网运行数据进行预处理包括特征选取、特征归一化等。电网运行数据包含了整个系统各采样点的信息,需要从中提取具有代表性的输入特征构建未标注样本集,不同的输入特征选取策略将直接影响基于机器学习的支持向量机模型的预测性能以及应用范围。另外,不同的输入特征之间存在量纲与尺度的差异,需要对模型输入特征进行缩放处理,以提高支持向量机模型的训练效率与泛化能力。本实施例中,选取的输入特征包括稳态运行下各发电机输出的有功、无功,故障下的导纳矩阵的上三角元素的模值。采用的归一化算法为z-score标准化,变换后各输入特征的均值为0,标准差为1,计算方法如下:,其中,/>、/>分别为待缩放输入特征的均值与标准差。
在其中一个实施例中,S2包括:S21:判断未标注样本集中各样本在时域仿真过程中各发电机之间的最大功角差与设定值的大小关系;S22:若小于或等于设定值则标记该样本对应的电网系统处于稳定状态;若大于设定值则标记该样本对应的电网系统处于失稳状态。
在其中一个实施例中,S22包括:若样本对应的最大攻角差小于或等于设定值则该样本的标注值为1,视为该样本对应的电网系统处于稳定状态;若样本对应的最大攻角差大于设定值则该样本的标注值为-1,视为该样本对应的电网系统处于失稳状态。
本实施例中,设定值为360°,样本标注公式为:;其中,/>为仿真过程中发电机之间的最大功角差,L为样本标签。
在其中一个实施例中,S4包括:S41:利用更新后的支持向量机模型获取剩余样本集中各样本的预测可信度;S42:对预测可信度低于门槛值的样本进行标注,并更新标注样本集和剩余样本集。
在其中一个实施例中,S41包括:将剩余样本集中各样本输入更新后的支持向量机模型,得到剩余样本集中各样本在特征空间中到分类超平面的分类距离,分类距离表征对应样本的预测可信度。
其中,支持向量机的原理示意如图2所示。支持向量机的学习目标就是在特征空间中找到一个划分超平面,将正、负类样本正确分开,并使得样本点到分类面的间隔尽可能大。
在其中一个实施例中,采用了核技巧训练支持向量机模型,核函数选取为多项式函数。完成训练后的支持向量机可以输出样本到分类超平面的分类距离:。其中,α i *、b*为当前对应的支持向量机模型的模型参数,N为训练样本总数,x i ,yi分别为第i个训练样本的特征向量与标注值,K(mk,xi)为mk和x i 对应的核函数值。基于分类距离从剩余未标注样本集中选取满足要求的未标注样本进行标注,示意图如图3所示。将计算所得的分类距离d(mk)作为衡量未标注样本不确定性程度的定量指标,设置门槛值dset,将d(mk)低于dset的样本筛选出来,采用时域仿真进行标注,并将新标注的样本加入到已标注样本集中,并从剩余样本集中剔除该样本。
进一步地,利用更新后的标注样本集和更新后的支持向量机模型循环执行操作S3-S4,直至达到设定的循环结束条件,导出目标支持向量机模型,将该目标支持向量机模型用于暂态稳定评估。具体的,循环流程如图4所示。首先,建立标注样本集D与剩余样本集U。然后,重复进行目标支持向量机模型的训练与剩余样本集中样本的标注,直到循环次数达到设定值,或最新一轮循环中新标注样本的数目为零。最后,将训练得到的目标支持向量机模型用于暂态稳定评估。
本实施例提供了一种电网暂态稳定评估方法,包括:将当前电网的待评估样本输入上述的目标支持向量机模型,以使其输出当前电网的暂态稳定评估结果。为了进一步说明本发明所提供的电网暂态稳定评估方法,选择新英格兰10机39节点系统作为测试系统,仿真模拟不同的运行工况与故障场景以生成电网运行数据,并利用目标支持向量机模型来评估系统能否保持暂态稳定。分别采用随机标注方法与主动学习方法进行样本标注,所得目标支持向量机模型的预测性能如表1所示。结果表明,本发明中的暂态稳定智能评估方法能够构建出具有更高质量的训练样本集,从而能够提高相应模型的各项性能指标。
在其中一个实施例中,本实施例提供了一种电网暂态稳定评估装置,如图5所示,包括:获取模块、标记模块、训练模块、更新模块、判断模块和评估模块。其中,获取模块,用于获取电网运行数据对应的未标注样本集;标记模块,用于对未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;训练模块,用于利用当前的标注样本集对当前的支持向量机模型进行训练,以更新当前的支持向量机模型;更新模块,用于利用更新后的支持向量机模型获取当前的剩余样本集中各样本的预测可信度,对预测可信度满足预设要求的样本进行标注,并更新标注样本集和剩余样本集;判断模块,用于判断训练是否满足迭代结束条件;若不满足则转入训练模块;反之则停止训练得到目标支持向量机模型。评估模块,用于将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
在其中一个实施例中,本实施例提供了一种电网暂态稳定评估系统,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述的电网暂态稳定评估方法的步骤。
在其中一个实施例中,本实施例提供了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,所述计算机程序被处理器执行时实现上述的电网暂态稳定评估方法的步骤。
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。本发明实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明保护范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电网暂态稳定评估方法,其特征在于,包括:
获取阶段:获取电网运行数据对应的未标注样本集;
标注阶段:对所述未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;
训练阶段:利用当前的所述标注样本集对当前的支持向量机模型进行训练,以更新所述当前的支持向量机模型;
更新阶段:利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,对所述预测可信度满足预设要求的样本进行标注,并更新所述标注样本集和所述剩余样本集;
判断阶段:判断训练是否满足迭代结束条件;若不满足则转到训练阶段;反之则停止训练得到目标支持向量机模型;
评估阶段:将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
2.如权利要求1所述的电网暂态稳定评估方法,其特征在于,所述对所述未标注样本集中的部分样本进行标记,包括:
判断所述未标注样本集中各样本在时域仿真过程中各发电机之间的最大功角差与设定值的大小关系;
若小于或等于所述设定值则标记该样本对应的电网系统处于稳定状态;若大于所述设定值则标记该样本对应的电网系统处于失稳状态。
3.如权利要求2所述的电网暂态稳定评估方法,其特征在于,所述若小于或等于所述设定值则标记该样本对应的电网系统处于稳定状态;若大于所述设定值则标记该样本对应的电网系统处于失稳状态,包括:
若样本对应的最大功角差小于或等于所述设定值则该样本的标注值为1,视为该样本对应的电网系统处于稳定状态;
若样本对应的最大功角差大于所述设定值则该样本的标注值为-1,视为该样本对应的电网系统处于失稳状态。
4.如权利要求1所述的电网暂态稳定评估方法,其特征在于,所述对所述预测可信度满足预设要求的样本进行标注,包括:
对预测可信度低于门槛值的样本进行标注,并更新所述标注样本集和所述剩余样本集。
5.如权利要求4所述的电网暂态稳定评估方法,其特征在于,所述利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,包括:
将所述剩余样本集中各样本输入更新后的支持向量机模型,得到所述剩余样本集中各样本在特征空间中到分类超平面的分类距离,所述分类距离表征对应样本的预测可信度。
6.如权利要求5所述的电网暂态稳定评估方法,其特征在于,所述分类距离的计算公式为:
;
其中,d(mk)为剩余样本集M={mk,1≤k≤n}中第k个样本mk的分类距离,n为剩余样本集中样本总数,α i *、b*为当前对应的支持向量机模型的模型参数,N为训练样本总数,x i 、yi分别为第i个训练样本的特征向量与标注值,K(mk,xi)为mk和x i 对应的核函数值,||表示绝对值。
7.如权利要求1-6任一项所述的电网暂态稳定评估方法,其特征在于,所述电网运行数据包括:电网在稳态下各发电机输出的有功功率和无功功率、电网在故障下的导纳矩阵的上三角元素的模值。
8.一种电网暂态稳定评估装置,其特征在于,包括:
获取模块,用于获取电网运行数据对应的未标注样本集;
标记模块,用于对所述未标注样本集中的部分样本进行标记,获得标注样本集和剩余样本集;
训练模块,用于利用当前的所述标注样本集对当前的支持向量机模型进行训练,以更新所述当前的支持向量机模型;
更新模块,用于利用更新后的支持向量机模型获取当前的所述剩余样本集中各样本的预测可信度,对所述预测可信度满足预设要求的样本进行标注,并更新所述标注样本集和所述剩余样本集;
判断模块,用于判断训练是否满足迭代结束条件;若不满足则转入训练模块;反之则停止训练得到目标支持向量机模型;
评估装置,用于将当前电网的待评估样本输入所述目标支持向量机模型,以使其输出所述当前电网的暂态稳定评估结果。
9.一种电网暂态稳定评估系统,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的电网暂态稳定评估方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电网暂态稳定评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410620628.5A CN118211854A (zh) | 2024-05-20 | 2024-05-20 | 一种电网暂态稳定评估方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410620628.5A CN118211854A (zh) | 2024-05-20 | 2024-05-20 | 一种电网暂态稳定评估方法、装置、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118211854A true CN118211854A (zh) | 2024-06-18 |
Family
ID=91448915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410620628.5A Pending CN118211854A (zh) | 2024-05-20 | 2024-05-20 | 一种电网暂态稳定评估方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118211854A (zh) |
-
2024
- 2024-05-20 CN CN202410620628.5A patent/CN118211854A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prabha et al. | Software defect prediction using machine learning techniques | |
CN102110013B (zh) | 用于有效生成处理器体系结构模型的方法和设备 | |
CN110362814B (zh) | 一种基于改进损失函数的命名实体识别方法及装置 | |
CN113094198A (zh) | 一种基于机器学习和文本分类的服务故障定位方法及装置 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
Fang et al. | A novel approach to process operating mode diagnosis using conditional random fields in the presence of missing data | |
CN116933114B (zh) | 一种基于cnn-lstm的直流微电网检测方法及装置 | |
CN114757286A (zh) | 一种基于条件对抗生成网络的多类别故障数据生成方法 | |
CN116594601A (zh) | 一种基于知识库和多步提示的预训练大模型代码生成方法 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN110929809A (zh) | 一种特征自增强的循环神经网络的污水关键水质指标软测量方法 | |
CN114139604A (zh) | 基于在线学习的电力工控攻击监测方法和装置 | |
CN113010420B (zh) | 一种促进测试代码与产品代码协同演化的方法及终端设备 | |
Huang et al. | Adaptive quickest estimation algorithm for smart grid network topology error | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN118211854A (zh) | 一种电网暂态稳定评估方法、装置、系统和存储介质 | |
Hapsari et al. | Fractional gradient descent optimizer for linear classifier support vector machine | |
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 | |
CN116701222A (zh) | 基于特征加权迁移学习的跨项目软件缺陷预测方法及系统 | |
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 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
Ni et al. | Predicting severity of software vulnerability based on BERT-CNN | |
CN116204771A (zh) | 电力系统暂态稳定关键特征选择方法、装置及产品 | |
CN115587017A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Shaik et al. | Integrating Random Forest and Support Vector Regression Models for Optimized Energy Consumption Evaluation in Cloud Computing Data Centers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |