[发明专利]一种基于Pin-SVM的电力系统暂态稳定评估方法

说明书

一种基于Pin‑SVM的电力系统暂态稳定评估方法：构建原始特征集，分为训练样本数据和测试样本数据；由训练样本数据训练电力系统的暂态稳定评估模型；采用电力系统暂态稳定评估模型对用测试样本数据模拟的电力系统状态进行稳定性评估，针对实际电力系统的故障类型，依据电力系统特征子集相对于电力系统稳定类与不稳定类的隶属度将故障划归到相应的类，当分类为不稳定类，则认为该故障为严重故障；反之，则认为该故障为不严重故障；在故障筛选和稳定评估完成的同时得到评价指标。本发明可以降低特征集维数和减少冗余信息，降低特征维数；具有更高的评估精度，可应用于我国区域电力系统的在线安全稳定评估，有力保障复杂电力系统的安全稳定运行。

技术领域

本发明涉及一种电力系统暂态稳定评估的方法。特别是涉及一种基于Pin-SVM的电力系统暂态稳定评估方法。

背景技术

暂态稳定评估(Transient Stability Assessment,TSA)是电力系统安全稳定分析的重要组成部分。随着电力系统不断发展，区域电网互联规模不断扩大，电力系统正面临更多的安全稳定运行风险，为避免类似美加和西欧大停电事故的重演，寻求准确、稳定的电力系统暂态稳定评估方法具有重要意义。

人工智能方法中以统计学原理为基础的支持向量机(Support Vector Machine,SVM)算法已在电力系统暂态稳定评估中得到广泛应用，但该方法在实际应用中存在输入特征构建与选取及分类器构建的难题仍需改善。较多的输入特征可能包含与稳定性指标无关的特征，特征之间的冗余使得模型训练时间长、权值收敛困难及分类性能不理想；而能量函数指标与系统稳定性强相关，少量指标即可表征系统的稳定状态。因此，将直接法的暂态动能等指标作为人工智能方法的样本特征，采用最大相关最小冗余(maximal Relevance andMinimal Redundancy,mRMR)特征选择方法对系统指标和投影能量函数指标组成的原始特征集进行特征压缩，可有效降低特征空间维度的同时增强评估准确率。在分类器的构建方面Pin-SVM相比其他机器学习算法，具有更高的准确率，对边界干扰样本不敏感，评估稳定性强，鉴于现有电力系统暂态稳定评估方法在评估准确率和稳定性上仍需改善的现状，将Pin-SVM算法应用在电力系统暂态稳定评估，改善SVM分类器的评估准确率和稳定性。

发明内容

本发明所要解决的技术问题是，提供一种受边界干扰样本的影响小、稳定性强的基于Pin-SVM的电力系统暂态稳定评估方法。

本发明所采用的技术方案是：一种基于Pin-SVM的电力系统暂态稳定评估方法，包括如下步骤：

1)构建原始特征集，包括：获取电力系统响应轨迹数据，选取蕴含电力系统暂态稳定状态的离线或在线的监测数据作为数据源，对数据源进行特征提取，确定电力系统指标和投影能量函数指标，通过最大相关最小冗余特征选择方法对电力系统指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力系统特征子集，将样本数据按一定的比例分为训练样本数据和测试样本数据；

2)由训练样本数据训练电力系统的暂态稳定评估模型

基于Pin-SVM思想引入分位数改变电力系统稳定类与不稳定类之间的最近点位置，以训练样本数据作为Pin-SVM的输入，训练具有线性分类功能的Pin-SVM的数学模型表示如下：

式中，x_i为第i个样本的空间向量，x_i∈R_n，R_n为n维行向量，y_i为第i个样本的类别标志，y_i∈{-1,1}，m为样本总数，n为样本空间维数，m为样本个数，w为最优超平面的法向量，w^T为w的转置，b为最优超平面的偏差量，C为惩罚参数，L_τ为Pin-SVM的损失函数用下式表示：