[发明专利]基于Spearman相关系数特征提取的电力系统暂稳评估方法

说明书

本发明涉及电力系统技术领域，具体为基于Spearman相关系数特征提取的电力系统暂稳评估方法。该方法包括：收集各发电机电磁功率、端电压、功角，各母线节点电压历史数据，生成暂稳仿真数据，进行数据预处理及样本分类；基于Spearman相关系数进行特征筛选，对数据集进行降维处理；构建暂稳评估机器学习模型，利用降维后的数据集训练模型，通过在线模型验证及再训练后，最终输出训练好的暂稳评估机器学习模型，通过训练好的暂稳评估机器学习模型对电力系统暂态稳定性进行评估。本发明可以降低量测装置成本并降低数据维度，快速准确评估大规模电力系统暂态的稳定性，为电网调度人员提供辅助决策支持，显著提升电网实际运行的安全性。

技术领域

本发明涉及电力系统技术领域，具体涉及基于Spearman相关系数特征提取的电力系统暂稳评估方法。

背景技术

近年来，随着建立新型电力系统目标的提出，越来越多的电力电子设备和可再生能源接入电网中，这使得电力系统动态特性愈发复杂，电力系统发生暂态失稳的可能性进一步加大。同时，广域测量系统和模式识别技术的发展为在线暂稳评估提供了海量数据，基于数据驱动的电力系统暂稳评估成为可能。但暂稳样本中存在的失稳样本不足从而导致的类别严重不平衡问题，仍然是影响暂稳评估的重要因素。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据实现较为精准的稳定性评估，但面对来自于电网的高维数据特征时，直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。

当前，针对数据驱动模型特征选择问题的处理方式大致可以分为两类，即人工经验选择与数据挖掘选择，后者通常包含过滤式(Filter)、包裹式(Wrapper)以及嵌入式(Embedded)三种。人工经验选择方式通常依靠系统专家手动选择一定数量的符合先验知识的变量特征作为模型的输入。显然，这种选择方式已难以满足当今数据量快速增长的现状，并可能存在因人工选择不合理而产生的信息缺漏。Filter方法通常依靠某一度量标准，对每个特征与目标变量之间的关系进行单独量化，从而挑选出排名靠前的变量形成特征子集。Filter方法计算复杂度低，特征选择效率高，适合于处理大规模的数据特征，但其过于依赖所选择的度量标准，只挑选出在该准则下分数靠前的特征，容易忽略变量之间的冗余性及组合作用。Wrapper方法具有较高的优化效率及准确率，但其在面对来自电网的高维数据时，仍十分容易遭受局部最优的问题，优化效率也会受到较大影响。由于缺乏对原始输入数据的处理，Embedded方法在面对大量的候选输入特征时容易陷入过拟合，导致模型泛化能力难以满足要求。同时，自动进行特征提取的模式对算法处理数据的能力要求较高，将占用大量计算资源。

目前，因为电网系统的高维数据特征而导致量测装置成本高，并且利用全维的量测信息进行评估的计算耗时长，现有特征选择方法效率低下，且容易陷入过拟合，导致模型泛化能力难以满足要求。传统方法难以处理好高维数据特征提取问题，对电力系统暂稳评估预测精度也较低。

发明内容

为解决现有技术所存在的技术问题，本发明提供基于Spearman相关系数特征提取的电力系统暂稳评估方法，可以高效筛选与稳定性相关的特征，降低数据维度，从而降低了后续暂稳评估机器学习模型的训练复杂度，实现高效高精度评估大规模电力系统暂态的稳定性，有助提升电网实际运行的安全性。

本发明通过采取如下技术方案达到：

基于Spearman相关系数特征提取的电力系统暂稳评估方法，所述方法包括：

收集电力系统的若干个特征变量的历史运行数据，根据特征变量的历史运行数据通过暂态时域仿真生成暂稳仿真数据，对特征变量的历史运行数据进行数据预处理，根据暂稳仿真数据和预处理后的特征变量的历史运行数据构建初筛样本集；

基于Spearman相关系数对初筛样本集中的样本数据进行特征筛选和降维，得到特征筛选降维后的低维样本集，根据低维样本集生成电力系统暂态稳定评估数据集；