一种基于XGBoost算法的电力系统暂态稳定判别方法技术方案

本发明专利技术提出一种基于XGBoost算法的电力系统暂态稳定判别方法。本发明专利技术首先使用电网仿真软件模拟待评估电网各种运行方式下节点、线路故障后的暂态过程。从仿真数据中提取电气量特征，利用暂稳判据确定暂稳标签。然后使用样本数据训练XGBoost模型。针对暂态稳定预测中两类错误严重程度不同的特点，引入注意力系数对算法的损失函数进行修正。使用logistic函数将模型输出概率化。本发明专利技术具有较高的准确率和召回率，同时能以概率方式捕捉较为确定的预测和相对不确定的预测之间的差别，从而可以避免模型的一部分误输出。

【技术实现步骤摘要】
一种基于XGBoost算法的电力系统暂态稳定判别方法
本专利技术属于电力系统领域，具体地说是一种电力系统暂态稳定判别方法。
技术介绍
由于电网互联水平提高、负荷日益增加、新能源接入、线路传输能力限制等因素，电力系统运行愈发接近其稳定极限，电网的稳定运行显示出更大的重要性，从而暂态稳定评估问题(TransientStabilityAssessment，TSA)更加受到人们的关注。传统的基于时域仿真的TSA方法受到计算速度的限制，难以满足在线应用的需要。近年来，随着人工智能技术的快速发展，基于机器学习算法的暂态稳定评估成为学者的研究热点。机器学习算法是一类数据驱动的建模方法，根据所用数据源的不同，基于机器学习方法的暂态稳定评估研究可分为两大类。第一类同时使用故障前和故障后特征作为模型的数据输入，第二类仅使用故障前的特征作为数据输入。故障前特征即为系统处于稳态运行时可以检测到的特征，如线路潮流、节点电压等；故障后特征，如发电机转子加速度等动态特征，仅在系统真正发生故障后，才可以被检测到。电网的暂态过程发展迅速，一旦系统发生故障，留给调度人员的反应时间已经很少，所以，针对电网实际运行，指导意义更大的是使用第二类数据源的建模方法，根据电网稳态运行时的各种信息，判别各类故障可能造成的后果，从而可以及时调整运行方式，起到故障预防的作用。在这一领域的研究中，仍然有待解决的问题主要有以下两方面。一方面是模型的评估准确度仍有提升空间。近年来，一些新的机器学习算法在准确度上有着超出传统机器学习算法的表现，使用此类新算法进行暂态稳定评估有望进一步提升准确度。另一方面是机器学习算法均难以达到百分之百的准确率，往往不可避免会有一些错误，对于电网运行，错误的模型输出可能对运行人员带来错误引导，从而引发严重的误操作事故。现有文献的分析大多围绕算法准确度，对于被错误分类的样本没有专门的统计研究，然而，对于非机理性的机器学习算法，如何有效避免模型的可能失误也是一个重要问题。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术存在的缺陷，包括建模精度有待进一步提升、误预测预防问题研究不充分，提出一种基于XGBoost算法的电力系统暂态稳定性判别方法。本专利技术解决技术问题所采取的技术方案为：首先，利用电力系统仿真软件模拟待评估电网在各种运行方式下，各节点、线路处发生故障所带来的后果。由此形成大量和该电网暂态稳定性有关的原始数据。其次，从原始数据中提取特征，并确定暂稳标签。利用故障后发电机功角差是否发散判定系统是否发生失稳状况。对于各种稳态运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入。由此形成一定数量的用于建立电力系统暂态稳定评估模型的样本数据。然后，采用XGBoost算法并进行适用性改进，利用获取的样本数据进行模型训练。在训练过程中，针对暂态稳定预测过程中两类错误严重程度不同的特点，引入注意力系数对算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少；使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度，预防部分误预测。最后，基于XGBoost算法的暂态稳定评估模型训练成熟之后，可以根据电网能量管理系统记录下的电网实时运行信息，构成能够反映电网稳态运行状态的电气量特征。输入XGBoost模型，即可以实时评估电力系统某些可能的故障所带来的暂态稳定后果。本专利技术采用以下具体步骤：步骤1)利用电力系统仿真软件模拟待评估电网在各种运行方式下，各节点、线路处发生故障所带来的后果。由此形成大量和该电网暂态稳定性有关的原始数据，具体步骤如下：(1)对于一个包含c个发电机节点和z个负荷节点的系统，确定一种基础运行方式，在此基础运行方式下，各发电机的出力分别为PGbasei，QGbasei(i＝1,2…c)，各个负荷节点的需求分别为PLbasej，QLbasej(j＝1,2…z)。(2)ρj(j＝1,2…z)和τi(i＝1,2…c)分别是在设定范围内独立产生的随机数，通过这些随机数，可以使用下述两式产生不同的系统发电机出力和负荷需求情况，求解稳态潮流后，可以获得系统的不同运行方式。(3)在求解稳态潮流的过程中，总负荷与总出力之间的不平衡情况可由系统的平衡节点进行补偿，在模拟出的各类运行方式之下，可以收集各类故障对应的样本数据，具体做法是在产生的各种运行方式之下，在关注的节点、线路上设置故障，进行暂态稳定仿真，从而获取系统的暂稳后果。步骤2)从原始数据中提取特征，并确定暂稳标签。利用故障后发电机功角差是否发散判定系统是否发生失稳状况。对于各种稳态运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入。由此形成一定数量的用于建立电力系统暂态稳定评估模型的样本数据。相关计算步骤如下：(1)当电网发生故障后，其稳定性由一段时间内电网中各发电机之间的功角差δ来衡量，根据δ是否发散，可将系统故障后果分为暂态稳定和暂态不稳定。当系统最大发电机功角差小于180度时，系统往往不会失去稳定，当系统最大发电机功角差超过180度时，往往出现功角差发散现象，系统将无法继续保持稳定运行。由此给定电网稳定性标记y的评估标准如下式所示。其中，max(δ)指故障后一段时间内系统任意两发电机之间功角差的最大值。(2)提取能够反映电网稳态运行状态的特征如下表所示，从而构成电网的稳态电气量特征：稳态电气量特征Electricalfeaturesundersteadystate其中V,theta分别表示节点电压的幅值和相角，Δtheta表示发电机节点之间的功角差，PG,QG,PL,QL,PB,QB分别表示发电机节点的有功、无功出力，负荷节点的有功、无功需求和线路传输的有功、无功功率，所有变量的上标为对应节点的编号，如i或j。步骤3)采用XGBoost算法并进行适用性改进，利用获取的样本数据进行模型训练。在训练过程中，针对暂态稳定预测过程中两类错误严重程度不同的特点，引入注意力系数对算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少；使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度，预防部分误预测。相关具体步骤如下：(1)XGBoost算法原理：对于给定的具有N个样本和M个特征的训练样本集D＝{(xi,yi)}(|D|＝N,xi∈RM,yi∈R)，XGBoost算法的最终训练结果是一个由K个CART决策树函数相加得到的集成模型：其中，是XGBoost模型的输出，F＝{f(x)＝wq(x)}(q:RM→T,w∈RT)是CART决策树的集合，一个CART决策树由树结构q和T个叶节点组成，每个叶节点j都有一个连续值与它对应，称为叶节点的权重wj，所有权值构成该树的权重向量w∈RT。树结构q通过属性判别可以将任意具有M维特征的样本映射到其某一个叶节点上。每一个决策树函数fk对应一个特有的树结构q以及对应的叶节点权重向量w。对于一个样本，XGBoost模型获取最终的预测值的过程为：在每一棵决策树上将该样本映射到对应的叶节点上，再将该样本对应的K个叶节点的权重相加。机器学习模型均会定义损失函数，用于衡量模型的预测值与真实值之间的偏差，在训练过程中，训练目标即使得损失函数的值尽可能的小。X本文档来自技高网...

【技术保护点】
1.一种基于XGBoost算法的电力系统暂态稳定判别方法，其特征在于，该方法包括以下步骤：步骤(1)，利用电力系统仿真软件模拟待评估系统在各种运行方式之下，各节点、线路处发生故障所带来的后果；由此形成大量和该电网暂态稳定性有关的原始数据；步骤(2)，从原始数据中提取特征，并确定暂稳标签；利用故障后发电机功角差是否发散判定系统是否发生失稳状况；对于各类稳态运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入；由此形成一定数量的用于建模电力系统暂态稳定的样本数据；步骤(3)，采用XGBoost算法并进行适用性改进，利用获取的样本数据进行模型训练；在训练过程中，针对暂态稳定预测过程中两类错误严重程度不同的特点，引入注意力系数对XGBoost算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少；使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度，预防部分误预测；步骤(4)，XGBoost模型训练成熟之后，根据电网能量管理系统记录下的电网实时运行信息，构成能够反映电网稳态运行状态的电气量特征；输入XGBoost模型，即可实时判别电力系统某些可能的故障所带来的暂态稳定后果。...

【技术特征摘要】
1.一种基于XGBoost算法的电力系统暂态稳定判别方法，其特征在于，该方法包括以下步骤：步骤(1)，利用电力系统仿真软件模拟待评估系统在各种运行方式之下，各节点、线路处发生故障所带来的后果；由此形成大量和该电网暂态稳定性有关的原始数据；步骤(2)，从原始数据中提取特征，并确定暂稳标签；利用故障后发电机功角差是否发散判定系统是否发生失稳状况；对于各类稳态运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入；由此形成一定数量的用于建模电力系统暂态稳定的样本数据；步骤(3)，采用XGBoost算法并进行适用性改进，利用获取的样本数据进行模型训练；在训练过程中，针对暂态稳定预测过程中两类错误严重程度不同的特点，引入注意力系数对XGBoost算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少；使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度，预防部分误预测；步骤(4)，XGBoost模型训练成熟之后，根据电网能量管理系统记录下的电网实时运行信息，构成能够反映电网稳态运行状态的电气量特征；输入XGBoost模型，即可实时判别电力系统某些可能的故障所带来的暂态稳定后果。2.根据权利要求1所述的一种基于XGBoost算法的电力系统暂态稳定判别方法，其特征在于：所述的步骤(1)具体如下：(1-1)对于一个包含c个发电机节点和z个负荷节点的系统，确定一种基础运行方式，在此基础运行方式下，各发电机的有功出力为PGbasei，无功出力为QGbasei，各个负荷节点的有功需求为PLbasej，无功需求为QLbasej，i＝1,2…c，j＝1,2…z；(1-2)ρj和τi分别是在设定范围内独立产生的随机数，通过随机数，使用下述两式产生不同的系统发电机出力和负荷需求情况，求解稳态潮流后，获得系统的不同运行方式；(1-3)在求解稳态潮流的过程中，总负荷与总出力之间的不平衡情况由系统的平衡节点进行补偿，在模拟出的各类运行方式之下，收集各类故障对应的样本数据，具体是在产生的各种运行方式之下，在关注的节点、线路上设置故障，进行暂态稳定仿真，从而获取系统的暂稳后果；所述的步骤(2)具体如下：(2-1)当电网发生故障后，其稳定性由一段时间内电网中各发电机之间的功角差δ来衡量，根据功角差δ是否发散，将系统故障后果分为暂态稳定和暂态不稳定；当系统最大发电机功角差小于180度时，系统不会失去稳定，当系统最大发电机功角差超过180度时，出现功角差发散现象，系统将无法继续保持稳定运行；由此给定电网稳定性标记y的评估标准如下式所示：其中，max(δ)指故障后一段时间内系统任意两发电机之间功角差的最大值；(2-2)提取能够反映电网稳态运行状态的特征，包括：Vi,thetai，Δthetai-j，PGi,QGi，PLi,QLi，PBi-j,QBi-j，从而构成电网的稳态电气量特征：其中V,theta分别表示节点电压的幅值和相角，Δtheta表示发电机节点之间的功角差，PG,QG,PL,QL,PB,QB分别表示发电机节点的有功、无功出力，负荷节点的有功、无功需求和线路传输的有功、无功功率；各上标分别代表符号电气量值所在的节点；所述的步骤(3)具体如下：(1)XGBoost算法原理：对于给定的具有N个样本和M个特征的训练样本集D＝{(xi,yi)}(|D|＝N,xi∈RM,yi∈R)，XGBoost算法的最终训练结果是一个由K个CART决策树函数相加得到的集成模型：其中，是XGBoost模型的输出，F＝{f(x)＝wq(x)}(q:RM→T,w∈RT)是CA...

【专利技术属性】
技术研发人员：王慧芳，张晨宇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33