[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

说明书

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，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。该方法具有高精度的同时，还满足了智能电网大数据的快速性要求。

技术领域

本发明涉及电力系统暂态安全评估技术领域，具体涉及一种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。

背景技术

随着智能电网建设的推进,电力系统设备的利用率在现有基础上将得到进一步的提高,这势必将导致电力系统的运行越来越靠近其稳定运行极限,使得现代电力系统发生相继故障的可能性越来越高，而暂态稳定破坏作为诱发相继故障演化为大停电事故的重要因素之一,能否对其进行快速准确的评估对于大停电防御体系中的预防控制、紧急控制和校正控制措施的有效执行有着重要的意义。

传统的暂稳评估方法主要有基于时域仿真法和能量函数法两类。其中时域仿真法由于需要对非线性微分方程组进行积分求解，评估速度有限、不适用于大规模系统的在线评估；能量函数法虽然具有较快的评估速度，但该方法的核心是对复杂系统的近似等值，很多关键因素可能被等值忽略，这导致最终构建的系统模型不够精确，且其判断准则是系统稳定的必要不充分条件，这些不足都使得能量函数法易于给出过于保守的评估结论，因此也难以实现对复杂系统的高精度评估。

结合暂态稳定评估的时序特性分析，故障发生后越早给出评估结果，对维持系统的整体稳定性越有利，这使得故障后暂态稳定评估有迫切的及时性要求；但与此相矛盾的是，故障后持续时间越久，获得的数据对系统稳定性的表征越明显，评估算法越易于得出正确的结论，评估精度也越高。因此如何统筹兼顾评估精度和评估速度两个因素，在两者之间找到合适的平衡点，对智能算法的实际应用有重要意义。

发明内容

为解决上述技术问题，本发明提供一种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，解决传统的暂稳评估无法兼顾评估速度和评估精度两方面的需求等问题的同时，满足更高的整体评估精度要求。

本发明采取的技术方案为：

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，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。该方法具有高精度的同时，还满足了智能电网大数据的快速性要求。

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。极限学习机ELM是一种由输入层、隐含层和输出层构成的单隐含层前馈神经网络，由于其隐含层结构相对简单，仅有一层，使其训练和判定的速度都较快，从结构上能够满足大数据的实时性要求；由于其样本训练过程具有普遍的随机化概念，使其克服了传统神经网络易于陷入最小值陷阱等的诸多缺点。

单个极限学习单元ELM的训练方法已在现有技术文献中有涉及，故本发明只做简要介绍，设训练样本个数为L，用随机函数作为激活函数，单个ELM的训练方法如下：

假设有L个任意样本(x_i,y_i)，则输出函数为：

其中，β_i表示连接第i个隐藏节点与网络输出层节点的输出权值向量，ω_i表示连接网络输入节点与第i个隐层节点的输入权值向量，b_i是第i个隐层单元的偏置。

根据ELM的相关理论，(1)式与下式等价：