[发明专利]基于梯度提升树的大规模新能源接入电网稳定性辨识方法

权利要求书

1.基于梯度提升树的大规模新能源接入电网稳定性辨识方法，其特征是包括以下步骤：

步骤1：模型建立

步骤1.1CART模型

对于包含有N个训练样本的数据集D，假设将输入空间划分为M个单元R₁，R₂，…，R_M，且单元R_j上输出的数值为c_m,m＝1,2,……，M，则回归树的模型为：

其中，I(·)为示性函数；

若任意选取一个以划分空间，回归树在训练数据集上误差利用损失函数表示，采用平方最小构建损失函数，如公式2：

其中，yi为第i个子空间的真实值；

回归树需要寻找最佳划分点，使得划分方案对应的回归树平方误差在所有划分方案中误差最小，即满足损失函数要求；假设输入k维数据任意选择第j维的取值s作为划分变量的划分点；定义两个区域：

根据公式4构建数学模型公式4，求解分析最优划分变量j和最优划分点s；

其中，c1、c2分别为R1和R2区域所有输入样本对应的输出值的平均值；通过求解L′(xi)可得最优划分点，再利用最优划分点划分区域，划分区域结果计算对应的输出值，如此循环计算这一过程，将最终满足终止条件的M个区域组合成决策树；常用终止条件有：节点中样本个数小于预定值、样本集的平方误差小于预定值和无更多特征可供划分选择；

步骤1.2XGboost算法

以CART为基学习器算法，XGboost的构建过程是多个CART树的合理组合，由弱学习器不断累加形成强学习能力；模型根节点中包含所有样本数据，根据一定规则将样本节点分为左叶子节点和右叶子节点；左叶子节点中包含特征与最终目标相近时，左叶子节点将继续划分；

假设存在k棵树，则样本i的得分为：

设样本集共n个样本，在K棵树下的目标函数为：

式中，为损失函数；Ω(fk)为正则项，表征树的复杂度；

XGboost中学习器按顺序进行学习分类，模型学习过程可归纳为：

F_m+1(x)＝F_m(x)+h(x)    公式7

其中，x为样本中的变量；F_m(x)表示m个弱学习器的组合结果；h(x)形式灵活，可根据具体问题变换形式；公式7表明XGboost算法从样本集中按照一定规则将特征分类，并将特征逐层向下传递；每个学习器之间具有紧密的联系，上一个学习器输出信息作为下一学习器的样本数据，逐层向下，最终将学习器合理组合，构建完整模型；

步骤2：基于电网电压、功角、频率数据的特征选择

将电网电压、功角、频率数据作为判定电网状态的基础数据，即判别模型的输入样本数据；

所述电网电压是指暂态稳定仿真计算得到的电网母线电压变化数值序列，取全网220kV及以上电压等级母线的数据序列，取值数量为故障发生后300周波的结果；

电网功角是指暂态稳定仿真计算得到的电网各发电机绝对功角变化序列，取全网发电机绝对功角的数据序列，取值数量为故障发生后300周波的结果；

电网频率是指暂态稳定仿真计算得到的电网母线频率变化数值序列，取全网220kV及以上电压等级母线的数据序列，取值数量为故障发生后300周波的结果；

电网电压、功角、频率数据构成样本的特征，按照母线电压、发电机绝对功角、母线频率数据的顺序排列，用下述公式表示：

s＝{V,θ,F}                    公式8

V＝{v_bus1,v_bus2…v_busn},

θ＝{θ_Gen1,θ_Gen2…θ_Genn},

F＝{f_bus1,f_bus2…f_busn}

其中，V表示母线电压序列，θ表示发电机功角序列，F表示母线频率序列；

步骤3：建立CART模型，将样本子空间划分为稳定状态、不稳定状态和临界状态

在进行XGbost模型训练时，将训练样本分为稳定状态、不稳定状态和临界状态三个集合，分别标记：

所述稳定状态指样本的电网电压、功角、频率数据都是稳定的，即没有超出电网运行规定的限值，不存在电压、功角、频率失稳的可能；

所述不稳定状态是指样本的电网电压、功角、频率数据曲线至少有一种是失稳的，即超出电网运行规定的限值；

所述临界状态是指样本的电网电压、功角、频率数据曲线各自出现5次及以上振荡后才平直，此时系统为临界稳定；

上述处理使得XGboost最终将有三个叶子节点，这三个叶子节点中任意有一个显示为失稳，则系统失稳；若无失稳节点，但任意有一个叶子节点显示为临界状态，系统临界稳定；三个叶子节点均显示为稳定状态，则系统稳定；

步骤4：采用4层XGboost结构的模型

采用4层XGboost模型同时接入前述步骤2电压、功角、频率的特征样本，输出即为电压、功角、频率的判定结果。

2.根据权利要求1所述的基于梯度提升树的大规模新能源接入电网稳定性辨识方法，其特征是步骤3中根据叶子节点显示为何种特征的失稳，可以判断系统失稳的类型为电压、功角或频率失稳。