[发明专利]基于自动化和可解释机器学习的暂态稳定评估方法及系统

说明书

本发明公开了一种基于自动化和可解释机器学习的暂态稳定评估方法和系统，所述方法首先获取监测数据并提取出关键特征数据，将关键特征数据输入自动化和可解释机器学习模型中，由暂态稳定评估子模型对电力系统的暂态稳定状况进行评估，由可解释子模型计算各关键特征数据对评估结果的贡献度；在训练暂态稳定评估子模型时对原始数据进行筛选，提取出低维度的关键特征数据，使用贝叶斯优化模型对暂态稳定评估子模型的超参数进行自动调优，并以准确率、召回率以及ROC曲线下方面积对暂态稳定评估子模型评估性能进行评价。通过实施本发明能自动化提取关键特征数据及调整评估模型的超参数，实现电力系统暂态稳定评估，并对暂态稳定评估结果进行解释。

技术领域

本发明涉及电力系统安全技术领域，尤其涉及一种基于自动化和可解释机器学习的暂态稳定评估方法及系统。

背景技术

随着可再生能源渗透率逐步提高以及大容量特高压直流馈入电网，大量燃煤同步发电机逐渐被替代。在直流和新能源高渗透型电网中，转动惯量显著降低，运行机理愈加复杂，给电力系统暂态稳定评估带来了前所未有的挑战。

现有技术中对电力系统进行暂态稳定评估一般采用时域仿真法或直接法。时域仿真法是用一组高维度非线性的微分方程去描述电力系统的响应过程，然后通过数值积分方法去求解。然而，时域仿真法计算复杂度高，密集的计算负担使其难以适用于实际大电网的暂态稳定评估。直接法是从能量的角度分析暂态稳定性。然而，在实际大电网中难以构造精确的能量函数，因此也无法适用。为此已有相关学者探讨机器学习应用于暂态稳定评估，例如决策树、极限学习机、长短期记忆神经网络、卷积神经网络和集成学习。区别于传统方法，基于机器学习的分析方法不需要对电力系统进行数学建模，而是通过数据驱动方式建立输入物理特征与输出暂态稳定状态间的映射关系。建立映射关系后，机器学习模型可在故障发生后快速评估系统的暂态稳定状态。尽管基于机器学习的暂态稳定评估方法已经取得了一定的发展，但仍然很难直接将其应用于实际电力系统的规划和调度中，主要原因有以下两个：(1)为了将机器学习运用暂态稳定评估，需要基于人工经验进行多次重复的手动特征选择和启发式的参数调整，操作繁琐、低效且耗时，这阻碍了机器学习在电力系统的部署和应用。(2)现有的应用于暂态稳定评估的机器学习模型可解释性较差。由于其往往通过黑箱模型建立了映射关系，电力系统调度员很难解释复杂机器学习模型的行为和理解这些模型如何做出特定决策。自动化和可解释性的缺乏严重限制了机器学习方法应用于在线暂态稳定评估。

发明内容

本发明实施例提供一种基于自动化和可解释机器学习的暂态稳定评估方法及系统，能自动化提取关键特征数据及调整评估模型的超参数，实现电力系统暂态稳定评估，并对暂态稳定评估结果进行解释。

本发明一实施例提供一种基于自动化和可解释机器学习的暂态稳定评估方法，包括：

获取电力系统故障清除时刻的监测数据，并从所述监测数据中提取关键特征数据；

将所述关键特征数据输入至预设的自动化和可解释机器学习模型，以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估，生成暂态稳定评估结果，并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度；

其中，所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型，所述暂态稳定评估子模型用于判断所述电力系统的暂态稳定状况，所述可解释子模型用于计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度；