[发明专利]基于多重极限学习机的电力系统故障后暂态稳定分层评估方法

权利要求书

1.基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：根据最大相关最小冗余算法MRMR，在电力系统历史大数据中提取能够表征当前电力系统暂态稳定状况的关键特征；利用提取出的电力系统暂态稳定状况的关键特征对多重极限学习机ELMs进行分层学习训练，然后将故障后电力系统关键特征群，输入到各层训练好的多重极限学习机ELMs中，最后各层利用决策评价准则，得出最终的暂态稳定评价结果。

2.根据权利要求1所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：所述多重极限学习机ELMs，是由多个极限学习机ELM组成的整体。

3.根据权利要求1所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：所述单个极限学习机ELM的训练方法如下：

输出函数为：

根据ELM的相关理论，式(1)与下式等价：

Hβ＝Y (2)

对于单个样本训练过程，随机给定隐含节点数、输入权值向量ω_i和b_i，则输出权值矩阵β＝H⁺Y,其中H⁺是H的广义逆矩阵。

4.基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于包括以下步骤：

步骤1：设定训练及相关参数初始值，确定具体评估层数；

步骤2：针对电力系统原始待选特征数据集，利用最大相关最小冗余MRMR算法确定降维后的核心特征集；

步骤3：在核心特征集中选取训练特征，构成多重极限学习机ELMs训练样本集；

步骤4：完成对多重极限学习机ELMs的集中训练学习；

步骤5：提取当前故障后电力系统暂态稳定关键特征群数据，并将其送入到已训练好的多重极限学习机ELMs中；

步骤6：分层评估模块基于置信决策规则，对该层多重极限学习机ELMs的评估结果进行总结，并将不符合置信条件的样本送入下一层；

步骤7：下一层增加训练特征数量与极限学习机ELM数目，重复步骤3-步骤6，直到达到设定层数。

5.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：所述步骤1中，训练及相关参数初始值主要包括：具体评估层数(n)；每层评估时间(t_n)；第n层ELM总数(J_n)；各层训练集特征数(F_n)；隐含层节点数区间[h_min,h_max]。

6.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：所述步骤2中，核心特征集的确定，指的是保留关键特征的前提下，剔除不必要的冗余特征变量，加强后续训练的针对性；将最大相关最小冗余MRMR加入到多重极限学习机ELMs特征提取中，对初步筛选后的数据集中再次提取，选择最能表征当前暂稳状态特征构成核心特征集。

7.根据权利要求4所述基于多重极限学习机的电力系统故障后暂态稳定分层评估方法，其特征在于：所述步骤3中，最优训练特征的选择，针对不同难度的暂态稳定评估问题，应用不同规模的训练特征集D，尽可能快的给出尽可能准确的评估结果；因此，在第一层评估过程中，以排名前50％的最优特征作为输入训练集的特征；在第二层评估过程中，使用完整的最优特征进行训练；后续评估层使用更多的训练特征进行训练。