[发明专利]基于机器学习的稳定性指标构造方法及装置

说明书

本发明公开了一种基于机器学习的稳定性指标构造方法及装置，方法包括：获取稳定性指标的训练样本，训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；分别去掉稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；根据ASVM和CSVM的边界距离之差得到不稳定评估指标DD；根据ASVM和CSVM改造DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。该方法通过将SVM的优点与Ridge回归算法相结合得到稳定性指标表征系统稳定裕度，用于稳定性判断的辅助决策，从而提高紧急控制的决策能力与精度。

技术领域

本发明涉及电力系统网源协调管理技术领域，特别涉及一种基于机器学习的稳定性指标构造方法及装置。

背景技术

近年来，电力系统规模不断增大，电网特性越趋复杂；新能源的大量接入使得电力系统运行状态的不确定性和波动性都大大增加；已有设备的老化和损坏带来系统故障隐患。以上各种因素使得电网安全稳定运行难度不断增大，停电事故时有发生。

导致这些停电事故的一个重要因素是在事故开始阶段，电网的调控中心无法迅速预测故障后系统暂态稳定性并采取有效的控制措施隔离故障避免事故扩大，甚至由于调度人员的误操作加剧事故的发展。由于电力系统事故发展速度快、时间短、涉及范围广，依靠人为的判断和操作不能达到准确可靠，因此准确而有效的故障后自动安全稳定分析和紧急控制决策是未来电力系统必不可少的环节之一。

目前，电网运行普遍采用离线评估方式；在线评估的研究也较为成熟，在国内外电网皆有在线应用。这两种评估方式都是基于典型故障的仿真扫描完成的，无法完全考虑到实际运行中的各种情况，可能导致评估结果的准确性受到影响。在这种情况下，为了保证应用的保守性，系统运行的稳定裕度大，造成电力设备的浪费。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于机器学习的稳定性指标构造方法，该方法可以用于稳定性判断的辅助决策，能够提高紧急控制的决策能力与精度。

本发明的另一个目的在于提出一种基于机器学习的稳定性指标构造装置。

为达到上述目的，本发明一方面实施例提出了一种基于机器学习的稳定性指标构造方法，包括以下步骤：

获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM(Support Vector Machine，支持向量机)的约束条件中引入松弛变量；分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM(Aggressive SVM，激进型支持向量机)和保守支持向量机模型CSVM(Conservative SVM，保守支持向量机)；根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。

本发明实施例的基于机器学习的稳定性指标构造方法，基于机器学习算法中改良的SVM模型，提出了灰色地带的稳定性指标，并结合Ridge回归算法构造了实际紧急控制问题中稳定性指标，即将SVM的优点与Ridge回归算法相结合得到稳定性指标，其表征系统稳定裕度，用于稳定性判断的辅助决策，能够提高紧急控制的决策能力与精度。稳定性指标由CSVM和ASVM的规则表达式改造得到，在离线阶段通过Ridge回归拟合训练样本故障清除时间和故障极限清除时间的差距，并在实时阶段通过输入系统样本数据即可生成系统稳定性指标。

另外，根据本发明上述实施例的基于机器学习的稳定性指标构造方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述支持向量机模型SVM的计算公式为：