基于支持向量机的电力系统暂态稳定判断方法技术方案

本发明专利技术涉及基于支持向量机的电力系统暂态稳定判断方法，属于电力系统自动化分析技术领域，特征在于利用逐轮寻优确定SVM的输入特征量集合，进而通过SVM建立暂态稳定评估规则。本方法包括首先确定输入向量备选集、输入向量元素个数、SVM的核函数和训练参数，然后生成训练样本和测试样本，接着将所有备选特征量逐一加入输入特征量集合，训练SVM，确定使得SVM分类准确率最高的特征量，进而判断特征量选择计算是否结束及输入特征量集合输出，最后训练SVM并得到稳定规则。本发明专利技术算法易于实现、计算量小，可应用于我国区域电力系统、省级电力系统等各级电力系统的在线安全稳定评估，有力保障电网特性日益复杂背景下系统安全稳定运行。

【技术实现步骤摘要】

本专利技术属于电力系统调度自动化
，特别设及一种基于支持向量机的电力 系统暂态稳定判断方法。
技术介绍
电力系统暂态稳定分析用于发现电力系统运行的潜在隐患，指导电力系统安全稳 定控制，是电力系统正常运行的重要环节。目前，电力系统中采用的暂态稳定分析方法为时 域仿真法，该方法计算复杂，耗时长，难W实现在线的分析计算。 支持向量机主要用于分类，是一种监督学习方法的应用程序，即通过样本训练建 立输入输出映射规则。训练样本的形式是狂，y)，其中X为输入向量，其中的元素需要通过 特征筛选得到，y为输出量，是离散的数值。其训练原则是在输入空间内找到一个超平面， 使得平面两边的样本y不同。由于实际输入输出的映射关系常常是非线性的，因此常常需 要先利用核函数将样本映射到高维空间再训练。综上，支持向量机可W用如下的优化问题 表不： e0,il,. . .，1. 其中w是超平面的参数向量，C是松弛变量，C〉0是对松弛变量的惩罚因子， 口W是特征量的映射函数，b是口槛值。核函数与映射函数的关系为K(Xi，Xj) = 4)知） >咕）。主要的核函数有^下；种；线性核函数;K(x。xp=x/xj;多项式核函数；K(x。Xj) =(丫XiXj甘），丫 > 0W及径向基函数；K(x。Xj) =exp(-丫I|xi_Xj| |2), 丫 > 0。
技术实现思路
[000引本专利技术的目的在于克服电力系统现有的暂态稳定判断方法计算复杂，耗时长，难W实现在线分析的问题，提供一种基于支持向量机的电力系统暂态稳定评估判断方法，本 专利技术基于数据挖掘的方法离线生成电力系统暂态稳定评估规则，可W直接应用于在线的暂 态稳定分析，克服时域仿真法计算量大的问题，实现电力系统在线的暂态稳定性的判断。 本专利技术提出的一种，特征在于，该 方法利用逐轮寻优确定SVM的输入特征量集合，进而通过SVM建立暂态稳定评估规则，实现 实现电力系统在线的暂态稳定评估。 本专利技术的方法包括W下步骤： 1)确定输入向量元素的备选集、输入向量元素个数、SVM的核函数和训练参数： 输入向量备选集通常是电力系统中的相关电气信息，如母线电压、线路功率等，输 入向量元素的备选集的元素个数设为F，输入向量元素个数N的目标值为M，M取值等于或 大于发电机的台数（数目越大效果越好，但计算量会增大），N的初始值为0,确定SVM的核 函数和训练参数； 2)生成训练样本和测试样本： 通过电力系统暂态稳定仿真或历史的故障记录得到训练样本和测试样本，所述两 种样本的输入信息包含输入向量备选集中的所有信息，两种样本的输出为电力系统的暂态 稳定性的柄记：如1表不稳定，0表不不稳定； 3)将备选集中的所有元素逐一加入到输入向量中，用该输入向量作为训练样本和 测试样本的输入向量，用训练样本训练SVM: 将备选集中的第i个元素加入原输入向量（i= 1，2,…，巧得到新的输入向量， 作为训练样本和测试样本的输入向量，用训练样本训练SVM，得到训练准确率，用测试样 本检验生成规则的准确性，得到测试准确率，将上述两种准确率的平均值记为A(i)i= 1，2,…，F; 4)确定使得SVM分类准确率最高的备选集元素：[001引取A(i)中的最大值对应的备选集元素，加入输入向量中，令N=化1 ; 5)判断特征选择计算是否结束并确定输入向量 判断N是否等于M;若N=M则转步骤6);否则返回步骤如； 6)SVM训练和规则生成：[002引利用W得到的输入向量再训练SVM，SVM的训练结果作为用于对电力系统暂态稳 定判断的规则。 于是问题得到了解决。 本专利技术的特点及有益效果： 本专利技术利用利用逐轮寻优确定SVM的输入特征量集合，进而通过SVM建立电力系 统暂态稳定评估规则，克服时域仿真法计算量大的问题，实现电力系统在线的暂态稳定评 估。能够用尽量少的输入特征量训练得到准确率尽量高的分类规则，有利于将分类规则转 化为便于运行人员理解的电力系统安全稳定指标，有利于运行人员及时全面掌握大规模电 力系统的安全稳定情况。具体而言，有W下优点： 1)本专利技术的计算方法能够大大减少输入特征量的数目，同时保证较高的分类准确 率。 2)本专利技术能够给出较为准确系统暂态稳定评估结果。[002引3)本专利技术计算方法简单，相比于原有的时域仿真法，更易于在实际系统中在线应 用。 本专利技术提出的基于SVM的电力系统暂态稳定评估规则生成的方法可W实用于我 国区域电力系统、省级电力系统等各级电力系统的在线安全稳定评估，能够帮助运行人员 及时全面掌握大规模电力系统的安全稳定情况，有力保障电网特性日益复杂背景下系统安 全稳定运行，促进电网持续、稳定、健康发展，有助于提高国家能源安全保障能力，具有显著 的社会价值和经济价值。【附图说明】 图1为本专利技术的基于支持向量机的电力系统暂态稳定评估规则生成方法流程框 图。【具体实施方式】[003U 本专利技术方法利用逐轮寻优确定支持向量机的输入特征量集合，进而通过SVM建立 电力系统暂态稳定评估规则，实现电力系统在线的暂态稳定评估。结合附图及实施例详细 说明如下：[003引本专利技术提出的基于支持向量机SVM(SuppcxrtVectorMachine)的电力系统暂态稳 定评估规则生成方法、其特征在于，该方法包括W下步骤：：[003引 1)确定输入向量元素的备选集、输入向量元素个数、SVM的核函数和训练参数： 输入向量备选集通常是电力系统中的相关电气信息，如母线电压、线路功率等，输 入向量元素的备选集的元素个数设为F，输入向量元素个数N的目标值为M，M取值等于或 大于发电机的台数（数目越大效果越好，但计算量会增大），N的初始值为0,确定SVM的核 函数和训练参数； 2)生成训练样本和测试样本； 通过电力系统暂态稳定仿真或历史的故障记录得到训练样本和测试样本，所述两 种样本的输入信息包含输入向量备选集中的所有信息，两种样本的输出为电力系统的暂态 稳定性的标记：如1表示稳定，0表示不稳定； 3)将备选集中的所有元素逐一加入到输入向量中，用该输入向量作为训练样本和 测试样本的输入向量，用训练样本训练SVM:[003引将备选集中的第i个元素加入原输入向量（i= 1，2,…，巧得到新的输入向量， 作为训练样本和测试样本的输入向量，用训练样本训练SVM，得到训练准确率，用测试样 本检验生成规则的准确性，得到测试准确率，将上述两种准确率的平均值记为A(i)i= 1，2,…，F; 4)确定使得SVM分类准确率最高的备选集元素： 取A(i)中的最大值对应的备选集元素，加入输入向量中，令N=化1 ; 5)判断特征选择计算是否结束并确定输入向量：[00创判断N是否等于M;若N=M则转步骤6);否则返回步骤如； 6)SVM训练和规则生成： 利用5)得到的输入向量再训练SVM，SVM的训练结果作为用于对电力系统暂态稳 定判断的规则。 利用该SVM的训练结果直接应用于在线的暂态稳定分析，实现电力系统在线的暂 态稳定的判断。【主权项】1. 一种，其特征在于，该方法包括以下 步骤： 1) 确定输入向量元素的备选集、输入向量元素个数、SVM的核函数和训练参数： 输入向量备选集通常是电力系统中的相关电气信息，输入向量元素的备选集的元素个 本文档来自技高网...

【技术保护点】
一种基于支持向量机的电力系统暂态稳定判断方法，其特征在于，该方法包括以下步骤：1)确定输入向量元素的备选集、输入向量元素个数、SVM的核函数和训练参数：输入向量备选集通常是电力系统中的相关电气信息，输入向量元素的备选集的元素个数设为F，输入向量元素个数N的目标值为M，M取值等于或大于发电机的台数，N的初始值为0，确定SVM的核函数和训练参数；2)生成训练样本和测试样本：通过电力系统暂态稳定仿真或历史的故障记录得到训练样本和测试样本，所述两种样本的输入信息包含输入向量备选集中的所有信息，两种样本的输出为电力系统的暂态稳定性的标记：如1表示稳定，0表示不稳定；3)将备选集中的所有元素逐一加入到输入向量中，用该输入向量作为训练样本和测试样本的输入向量，用训练样本训练SVM：将备选集中的第i个元素加入原输入向量，i＝1,2,…,F，得到新的输入向量，作为训练样本和测试样本的输入向量，用训练样本训练SVM，得到训练准确率，用测试样本检验生成规则的准确性，得到测试准确率，将上述两种准确率的平均值记为A(i)i＝1,2,…,F；4)确定使得SVM分类准确率最高的备选集元素:取A(i)中的最大值对应的备选集元素，加入输入向量中，令N＝N+1；5)判断特征选择计算是否结束并确定输入向量：判断N是否等于M：若N＝M则转步骤6)；否则返回步骤3)；6)SVM训练和规则生成:利用5)得到的输入向量再训练SVM，SVM的训练结果作为用于对电力系统暂态稳定判断的规则；利用该SVM的训练结果直接应用于在线的暂态稳定分析，实现电力系统在线的暂态稳定的判断。...

【技术特征摘要】

【专利技术属性】
技术研发人员：闵勇，胡伟，陈磊，张玮灵，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11