[发明专利]一种基于集成分类模型的电力系统在线动态安全评估方法

说明书

一种基于集成分类模型的电力系统在线动态安全评估方法，步骤1：建立一个电力系统安全评估的初始样本集；步骤2：通过特征选择构建一个包含关键变量和相应动态安全分类标签的高效样本集；步骤3：获得能够准确预测电力系统运行状态的动态安全评估模型；步骤4：将实时数据作为动态安全评估模型的输入实现电力系统的在线动态安全评估。本发明的目的是为了解决电力系统DSA过程中的评估数据的不平衡问题和误分类问题所带来的评估误差。

技术领域

本法发明涉及电力系统动态安全评估领域，具体涉及一种基于集成分类模型的电力系统在线动态安全评估方法。

背景技术

随着电力系统规模的逐步增大，以及新能源的并网规模不断扩大，给系统的安全稳定运行带来了巨大的挑战，如何保证系统在更经济的条件下安全稳定运行已显得愈来愈重要。因此，电力系统的动态安全分析已经发展成为了研究的重要热点。电力系统的数据具有数据量大、数据种类混杂的特点，快速、准确捕捉电力系统的事故安全报警信号变得更加困难且格外的重要。采用电力系统动态安全评估(Dynamic Security Assessment，DSA)模型对电力系统数据进行安全分类总是存在以下两个问题：

第一、系统中数据样本的分类往往存在两种误分类，即将稳定状态误判为不稳定状态和将不稳定状态误判为稳定状态两种情况，错误的分类对电力系统的危害程度是不一样的，因此迫切需要能有效降低分类误差的方法来提高电力系统的稳定状况；

第二、电力系统中的不平衡数据集分类效果往往不是非常理想，数据的非平衡采样可能会使分类的结果并不能符合实际情况，因此迫切需要新的方法来解决非平衡数据采样带来的影响，提高系统动态安全稳定预测的精确度。

目前常用于电力系统DSA的分类方法有人工神经网络(Artificial NeuralNetwork，ANN)，决策树(Decision Tree，DTs)、随机森林(Random Forest，RF)、支持向量机(Support Vector Machine，SVM)、极限学习机(Extreme Learning Machine，ELM)等。但这些方法往往集中在提高DSA总体分类精度上，将两种误分类同等对待，增加了DSA的误差，并且这些分类方法无法很好的处理数据样本中数据不平衡的问题，对DSA的评估精度产生了一定的影响。

授权公告为CN106849069B的专利文献公开了一种基于Pin-SVM的电力系统暂态稳定评估方法：该方法首先构建原始特征集，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。该发明的缺点是没有考虑不平衡数据及样本数据的误分类对评估结果造成的影响，致使评估结果在置信度方面存在不足。

综上所述，目前的安全评估方法并不能满足现代电力系统对DSA方法的高适应性、高精度的需求。

发明内容

本发明为了解决电力系统DSA过程中的评估数据的不平衡问题和误分类问题所带来的评估误差，提出了一种基于集成分类模型的电力系统动态安全评估方法，采用样本分层的双向过采样(Stratified Bi-directional Oversampling，SBO)方法获取样本，并使用三种高精度NP分类器集成一个DSA模型，对于多个NP分类器的结果采用多数投票的方式得到系统DSA的最终结果，有效提高了DSA的精度。

为了实现上述发明目的，本发明采用了以下方案：

一种基于集成分类模型的电力系统在线动态安全评估方法，包括以下步骤：

步骤1：构建动态安全分类标签，基于电力系统历史运行数据与故障仿真产生的数据，建立一个电力系统安全评估的初始样本集；