[发明专利]一种电力系统运行方式数据特征两阶段选择方法

权利要求书

1.一种电力系统运行方式数据特征两阶段选择方法，该方法包括以下步骤：

(1)对电力系统运行方式数据进行基于标准化互信息和交互信息增益的Filter阶段特征选择，包含以下步骤：

(1-1)从电力系统的同步矢量测量单元中获取电力系统运行方式数据，并对数据中的缺失数据进行补充，对重复数据进行删除，得到有效数据，对每一组运行数据构建出一个样本以及样本的特征，按照暂态稳定与否对样本打上0或1的标签，记做样本的类别属性C；

(1-2)构建一个已选特征子集S，初始化S为空集；构建一个备选特征集合US，初始化为空集；分别构建集合S和集合US的分类准确率指标，记做Acc(S)和Acc(US)，初始化时将Acc(S)和Acc(US)分别设为0；

上述Acc(US)和Acc(S)分别表示目标最优特征子集S和备选特征集合US的分类准确率，分类准确率的计算公式如下：

式中，TP、FN、FP和TN分别表示在给定的机器学习算法中，二分类问题的样本被正确地划分为正例的样本个数、被错误地划分为负例的样本个数、被错误地划分为正例的样本个数和被正确地划分为负例的样本个数；

(1-3)根据步骤(1-1)的有效数据，构建一个电力系统运行方式数据的初始特征集合，将备选特征集合US更新为该初始特征集合；

(1-4)采用Parzen窗方法，对当前的备选特征集合US中的各个特征进行离散估计和概率密度估计，得到电力系统运行方式数据特征的概率分布，即特征f_i的概率分布p(f_i)、特征f_j,f_i的联合概率分布p(f_i,f_j)，特征类别属性C的概率分布p(c)和特征f_j在特征类别属性C下的条件概率分布p(f_j,c)；

(1-5)利用下式，分别计算步骤(1-4)的备选特征集合US中的所有特征f和类别属性C的标准化互信息NMI(f；C)：

其中，MI(f；C)表示特征f和特征类别属性C之间的互信息，即：

H(f)表示特征f的信息熵，H(C)表示特征类别属性C的信息熵，对于单个连续变量X，信息熵的计算公式如下：

H(X)＝-∫p(x)log₂(p(x))

其中p(x)是变量X的概率分布；

将NMI(f；C)中取值为零的相应特征从备选特征集合US中剔除；

(1-6)计算步骤(1-4)的备选特征集合US中任意两个特征之间的NIG指标和Score指标，利用下式形成每个特征的IG-RFE评价标准结果，即对备选特征集合US的每个特征进行计算，得到备选特征集合US中所有特征的权重得分w(f_i)：

其中，N为备选特征集合US中的特征数量；

Score指标Score(f_i,f_j)的表达式如下：

(1-7)对步骤(1-6)中所有特征的权重得分w(f_i)的进行降序排列，从备选特征集合US中剔除与max(1,r*N)个排序中的最小权重得分相对应的特征，其中r为后向搜索单次迭代最小剔除比例，N为备选特征集合US中特征的总个数；

(1-8)对步骤(1-7)的备选特征集合US中特征的总个数进行判断，若US为空集，则将当前的已选特征子集S输出作为最优特征子集，实现电力系统运行方式数据特征的两阶段选择；若US不为空集，则将当前的备选特征集合US作为步骤(2)的输入，进行第二阶段的筛选；

(2)以步骤(1)所得到的备选特征集合US作为改进混合核函数SVM的输入，进行第二阶段Wrapper特征选择，包含以下步骤：

(2-1)采用改进混合核函数支持向量机算法，以备选特征集合US为输入，根据10折交叉验证方法对备选特征集合US进行分类训练，输出得到当前备选特征集合US的分类准确率Acc(US)；

(2-2)将已选特征子集S的分类准确率Acc(S)与步骤(2-1)计算得到的备选子集US分类准确率进行比较，若Acc(US)大于Acc(S)，则将S更新为US，并将Acc(S)更新为Acc(US)，返回步骤(1-4)，若Acc(US)小于或等于Acc(S),则直接返回步骤(1-4)。