一种电力系统稳定特征自动提取方法及装置制造方法及图纸

技术编号:15514254 阅读:245 留言:0更新日期:2017-06-04 06:10
本发明专利技术提出一种电力系统稳定特征自动提取方法及装置,其包括确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;定义包含LASSO惩罚项的代价函数,利用迭代法更新所述带LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;并选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型;将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。该方案通过逻辑回归模型对电网预想故障的稳定程度(CCT)进行拟合,在代价函数中加入参数矩阵θ的1范数的罚函数项,使主要特征得到凸显;从而实现了稳定特征的自动提取。

【技术实现步骤摘要】
一种电力系统稳定特征自动提取方法及装置
本专利技术属于大电网稳定与控制领域,具体涉及是一种电力系统稳定特征自动提取方法及装置。
技术介绍
随着经济水平的飞速提升,中国社会对电力的需求也日益强烈。为了保障电能安全可靠的传输,中国电网中开展了西电东送、全国联网以及特高压输电等重大工程,交直流混联的特大电网已经基本形成。随着电网规模的扩大,电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明,输电电压等级的提高、联网规模扩大以及传输容量的增加,都会增大电网故障带来的危害,故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制,保障电力生产、传输和使用的安全是各国电力行业的迫切需求。开展电网在线安全稳定分析工作,计算速度是必须保障的核心指标之一,如果失去计算速度,那么在线分析也就失去了时效性,而变得没有意义。现有在线分析系统主要采用时域仿真方法进行分析,计算量较大,难以进一步提升速度;而采用快速判稳方法,虽然速度较快,但它非常依赖于电网稳定特征的选取,不准确的特征将造成预测结果的极大误差。另一方面,在线分析系统积累了大量的历史数据,其中蕴含了宝贵的电网运行规律,同时又贴近实际运行情况,可作为稳定特征识别的依据。本专利技术的目标就是利用历史数据来对不同方式和预想故障下的电网稳定特征进行自动辨识。随着电网规模的扩大,影响电网稳定的因素越来越复杂,而从中有效地挖掘关键的稳定特征也就成为掌控电网运行的重要课题。稳定特征辨识方法目前已有一定的研究,现有方法往往过于依赖人工经验,所选特征比较局限,不能广泛地选取,造成存在漏选的可能。
技术实现思路
为了克服上述缺陷,提出一种电力系统稳定特征自动提取方法及装置,利用历史数据来对不同方式和预想故障下的电网稳定特征进行自动辨识。本专利技术的目的是采用下述技术方案实现的:一种电力系统稳定特征自动提取方法,所述方法包括:确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;在指数坐标系下按比例取值,选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型;将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。优选的,所述确定逻辑回归训练模型的样本输入量包括:对电网系统故障进行离线仿真,以机组功率、线路功率、厂站总发电和厂站总负荷为输入,以离散化的临界切除时间为输出,将临界切除时间作为电网稳定程度指标,从而确定逻辑回归训练模型的样本输入量。优选的,对所述样本输入量进行分类包括:将逻辑回归训练模型的逻辑回归参数矩阵θ映射到[0,1]区间范围内,自定义分界线,分别将高于或低于所述分界线的逻辑回归参数进行分类;所述逻辑回归训练模型的分类数量通过下式确定:式中,hθ(x)表示对于训练样本x分类结果取1的概率,x为样本输入量,θ为逻辑回归参数矩阵。优选的,所述定义超参数集合λ={λ1,λ2,…,λn},λ∈[0,1],n为超参数的个数。优选的,所述定义包含LASSO惩罚项的代价函数包括:在代价函数中增加一个参数θ矩阵1范数的罚函数,获得下式包含LASSO惩罚项的代价函数:式中,J(x)为x的代价函数,x为样本输入量,y为样本分类标签,λi为调整比例的超参数,用于在代价函数和逻辑回归参数矩阵θ的惩罚值之间取得平衡,m为样本总数,k为分类数量。优选的,所述利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ包括:a.初始化逻辑回归参数矩阵θ;b.将θ代入式(2)求解代价函数,并利用梯度下降法获取代价函数对θ的梯度;c.根据梯度值和预设学习率迭代更新θ;d.判断代价函数在单位时间内未降低或者迭代次数达到上限,若是,则输出当前θ,若否则返回步骤b。进一步地,所述初始化逻辑回归参数矩阵θ包括:将m个样本输入量x={x1,x2,…,xm},及其对应的分类标签y={y1,y2,…,ym},构成一个k维的特征向量,将m个k维特征向量构成一个m*k的逻辑回归参数矩阵θ。一种电力系统稳定特征自动提取装置,包括:设置模块,用于确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;更新模块,用于定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;获取模块,用于在指数坐标系下按比例取值,选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型;定义模块,用于将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。与最接近的现有技术相比,本专利技术的有益效果为:本专利技术方案提出一种主动配电网不确定性潮流仿真方法及装置,确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;将把预想故障的临界切除时间作为电网稳定程度指标,利用电力系统在线安全稳定分析系统中产生的历史数据,确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;从数据自身特点和分布特征出发,扩大选择范围,可以覆盖电力系统在线数据中全部设备的静态量;定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;外部循环逐一对超参数λ取不同数值的逻辑回归模型进行求解;内部循环为求解逻辑回归模型的迭代过程;循环完成后,通过对比得到最优模型,最终自动辨识出对于电网稳定影响最大的主要特征。实际算例验证了本方法的有效性,所选特征符合电网稳定分析理论的预期,可进一步用于快速判稳、运行方式对比等高级分析功能。附图说明图1为本专利技术实施例中提供的一种电力系统稳定特征自动提取方法流程图;具体实施方式本专利技术一种电力系统稳定特征自动提取方法及装置,其关键点为逻辑回归算法,即通过逻辑回归模型对已有的历史数据及其稳定性指标进行拟合,并在代价函数部分加入LASSO惩罚项。当得到的模型在测试数据上有较好表现时,可以认为该模型能否反映电网的稳定特性。进而根据逻辑回归的特点,选择模型参数矩阵中绝对值较大的输入量作为电网特征,算法执行完毕。本算法可分为以下两个大步骤:1、模型学习与普通的逻辑回归相同,本算法也采用迭代求解的方法:首先,确定输入量和分类数量,进而确定参数矩阵θ的维数并初始化;其次,定义代价函数如式(4)所示;最后进行代价函数最小化的迭代求解过程,每次迭代都根据θ当前值计算代价函数,并求取代价函数对θ的梯度,根据梯度值和事先设好的学习率来更新θ;如果满足迭代次数要求,或者代价函数较长时间未下降,则退出迭代。获得逻辑回归模型后,还需要通过测试集进行检验,若测试集的误差过大,则认为该模型不可用。由于代价函数是由实际代价和参数矩阵θ的惩罚项共同确定的,因此需要靠超参数λ在两项之间进行平衡。λ较大是强调θ惩罚项的作用,可能导致模型实际误差偏大,无法反映电网稳定特性;而λ较小是强调实际代价的作用,可能导致参数矩阵θ的压缩不够,无法从中挑选主要特征。可见,λ的选择是本算法的关键问题之一。本算法采用在同一训练集和测试集数据下,基于不同λ值进行多次学习,并通过对比的方法获取最优的λ值。不考虑惩罚项,即(λ=0)时,由于不存在惩罚项本文档来自技高网...
一种电力系统稳定特征自动提取方法及装置

【技术保护点】
一种电力系统稳定特征自动提取方法,其特征在于,所述方法包括:确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;在指数坐标系下按比例取值,选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型;将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

【技术特征摘要】
1.一种电力系统稳定特征自动提取方法,其特征在于,所述方法包括:确定逻辑回归训练模型的样本输入量及其分类数量,并定义超参数集合;定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ;在指数坐标系下按比例取值,选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型;将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。2.如权利要求1所述的方法,其特征在于,所述确定逻辑回归训练模型的样本输入量包括:对电网系统故障进行离线仿真,以机组功率、线路功率、厂站总发电和厂站总负荷为输入,以离散化的临界切除时间为输出,将临界切除时间作为电网稳定程度指标,从而确定逻辑回归训练模型的样本输入量。3.如权利要求1所述的方法,其特征在于,对所述样本输入量进行分类包括:将逻辑回归训练模型的逻辑回归参数矩阵θ映射到[0,1]区间范围内,自定义分界线,分别将高于或低于所述分界线的逻辑回归参数进行分类;所述逻辑回归训练模型的分类数量通过下式确定:式中,hθ(x)表示对于训练样本x分类结果取1的概率,x为样本输入量,θ为逻辑回归参数矩阵。4.如权利要求1所述的方法,其特征在于,所述定义超参数集合步骤为,定义所述超参数集合λ={λ1,λ2,…,λn},λ∈[0,1],n为超参数的个数。5.如权利要求1所述的方法,其特征在于,所述定义包含LASSO惩罚项的代价函数包括:在代价函数中增加一个参数θ矩阵1范数的罚函数,获得下式包含LASSO惩罚项的代价函数:

【专利技术属性】
技术研发人员:史东宇李刚于之虹黄彦浩鲁广明严剑峰吕颖高峰张军张爽李旭涛
申请(专利权)人:中国电力科学研究院国家电网公司国网宁夏电力公司电力科学研究院
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1