[发明专利]一种基于错分代价分类学习的电网暂态电压稳定评估方法

摘要

本发明涉及一种基于错分代价分类学习的电网暂态电压稳定评估方法，属于电力系统稳定分析评估领域。本发明方法以同步相量测量单元的动态量测数据为基础，从大量动态量测数据构成的时间序列中提取出与电网状态密切相关的关键子序列；通过设定电网稳定、失稳状态的不同错分代价，向学习样本引入权重系数；利用融入样本权重系数的决策树算法进行分类学习，得到决策树模型，将决策树模型用于在线监测，对电网暂态电压稳定状况实施评估。

主权项

1.一种基于错分代价分类学习的电网暂态电压稳定评估方法，其特征在于该方法包括以下步骤：(1)从电网的调度运行记录中采集电网的典型运行方式集、典型故障集和节点集，根据所述电网的典型运行方式集、典型故障集和节点集，采用计算机时域仿真方法对电网中各节点在各种运行方式下的各种故障进行N次时域仿真，分别记录每次时域仿真过程中所述节点在故障发生后Δt时间内电压、电流、有功功率、无功功率随时间的变化曲线，四种变化曲线均形成长度为m的时间序列，依次记为U、I、P、Q，其中Δt＝(m–1)×ΔT，ΔT为仿真时间间隔，m为所记录的变化曲线的数据点数，并记录每次时域仿真过程中电网的状态Z，将电网处于稳定状态记为Z＝1，电网处于失稳状态记为Z＝‑1，将一次时域仿真过程中记录的数据集合成一个样本，进行N次时域仿真后共得到N个样本，N个样本形成一个初始样本集，计算初始样本集对电网状态Z的信息熵E1＝‑(N1/N)log2(N1/N)‑(N2/N)log2(N2/N)，其中N1为所有N个样本中电网状态为Z＝1的样本总数，N2为所有N个样本中电网状态为Z＝‑1的样本总数，N1+N2＝N；(2)从上述步骤(1)的初始样本集中获取所有N个样本的U、I、P、Q时间序列，并获取相应的电网状态Z的记录，分别从U、I、P、Q时间序列中提取出与电网状态Z的类别关系最密切的关键子序列，以此作为初始样本集中的特征属性，具体过程如下：(2‑1)从上述步骤(1)的初始样本集中获取所有N个样本的U、I、P、Q时间序列，并获取相应的电网状态Z的记录；(2‑2)设定一个长度为l的矩形窗，其中3≤l≤m，通过矩形窗滑动方式从步骤(2‑1)的N个样本中的第i个样本的U、I、P、Q时间序列中获取长度为l的子序列集；(2‑3)从步骤(2‑2)的子序列集中任意选取第j个子序列，采用欧几里得距离定义形式，分别计算第j个子序列与初始样本集中所有N个样本对应时间序列的距离，计算得到的N个距离的数值构成距离数据集，将距离数据集中的距离数值按从小到大的顺序排列为D＝{d1,d2,…,dN}，在[d1,dN]区间内任意选取距离分裂点spk＝(dk+dk+1)/2，k＝1,2,3,…,N‑1，将距离数值大于spk的样本总数Ns1和距离数值小于或等于spk的样本分别集成为两个样本子集S1和S2，统计S1中电网状态为Z＝1的样本总数Ns11和电网状态为Z＝‑1的样本总数Ns12，统计S2中电网状态为Z＝1的样本总数Ns21和电网状态为Z＝‑1的样本总数Ns22，并分别统计S1中的样本总数Ns1＝(Ns11+Ns12)和S2中的样本总数Ns2＝(Ns21+Ns22)，计算距离分裂点spk分裂距离数据集后得到的期望信息E2：(2‑4)遍历步骤(2‑3)中的所有(N‑1)个距离分裂点，依次计算各距离分裂点分裂距离数据集后得到的期望信息，从中找出期望信息的最大值，记为E2max，根据步骤(1)中初始数据集对电网状态Z的信息熵E1，计算步骤(2‑3)中第j个子序列对电网状态Z的信息增益IG＝E1‑E2max；(2‑5)遍历第i个样本中所有长度为l的子序列，重复上述步骤(2‑3)，得到所有长度为l的子序列的信息增益，从中选出信息增益最大的子序列，作为候选关键子序列；(2‑6)遍历初始样本集中所有N个样本，重复上述步骤(2‑2)～(2‑4)，得到所有N个样本的候选关键子序列，从所有N个样本的候选关键子序列中选出信息增益最大的候选关键子序列，作为与电网状态Z的类别关系最密切的关键子序列，以关系最密切的关键子序列作为初始样本集中的特征属性，将步骤(2‑3)中计算得到的所述关键子序列与所有N个样本对应时间序列的距离作为特征属性值；(3)设定电网暂态电压稳定评估中，将电网状态Z＝1错分为电网状态Z＝‑1的代价为C1，将电网状态Z＝‑1错分为电网状态Z＝1的代价为C2，根据步骤(1)的初始样本集中的各样本的电网状态Z依次为各样本确定权重系数w，引入方法如下：对Z进行判断，若Z＝1，则对应的样本确定权重系数w＝N·C1/(N1·C1+N2·C2)，若Z＝‑1，则对应的样本确定权重系数w＝N·C2/(N1·C1+N2·C2)；(4)构成一个数据挖掘训练集，将上述步骤(2‑5)得到的特征属性和特征属性值作为数据挖掘训练集的输入数据，将步骤(1)得到的各样本中电网状态Z作为数据挖掘训练集的输出数据，以决策树算法对数据挖掘训练集进行分类学习，以步骤(3)的各样本权重系数作为分类学习过程中的样本权重，得到一个决策树模型，以交叉验证方式判断决策树模型的分类准确率Pre和召回度Rec，若Pre≥97％且Rec≥98％，则决策树模型分类性能满足要求，进行步骤(5)，若Pre＜97％且Rec≥98％，或者Pre＜97％且Rec＜98％，或者Pre≥97％且Rec＜98％，以决策树算法重新对数据挖掘训练集进行分类学习，直到得到的决策树模型的分类准确率满足Pre≥97％且Rec≥98％，进行步骤(5)；(5)当所述电网遭遇短期大扰动时，电网中各节点的同步相量测量单元实时采集该节点在Δt时间内的电压、电流、有功功率、无功功率的实时量测数据，分别形成U’、I’、P’、Q’时间序列，计算步骤(4)的各特征属性与U’、I’、P’、Q’时间序列的距离，将得到的距离输入到步骤(4)的决策树模型中，由决策树模型输出电网状态Z’，作为电网暂态电压稳定的实时评估结果。