一种基于改进AdaBoost的电力系统静态电压稳定评估方法技术方案

一种基于改进AdaBoost的电力系统静态电压稳定评估方法，步骤1：构建包含电力系统运行变量和电压稳定安全分类标签的初始数据集；步骤2：形成高效数据集；步骤3：基于高效数据集，结合改进AdaBoost算法构建电力系统电压稳定评估模型，利用高效数据集对VSA模型进行离线训练和更新；步骤4：基于同步相量测量单元收集的实时测量数据，利用VSA模型，对电力系统进行在线VSA。该方法泛化能力强，分类准确率高，并且可以有效地避免过拟合现象的发生，能对电力系统进行可靠的在线安全评估。

【技术实现步骤摘要】
一种基于改进AdaBoost的电力系统静态电压稳定评估方法
本专利技术涉及电力系统静态电压稳定评估领域，具体涉及一种基于改进AdaBoost的电力系统静态电压稳定评估方法。
技术介绍
电压稳定评估(VoltageStabilityAssessment，VSA)是在电力系统安全裕度不足的情况下，防止电压不稳定的一种方法。随着负荷的增加和电网的广域互联，现代电力系统运行愈发接近系统极限。在过去的几十年中，与电压崩溃有关的严重停电事故发生的越来越频繁。因此，需要一个有效的工具对电力系统进行安全可靠的VSA，以降低事故损失。VSA的关键是确定当前电压运行点到电压极限点之间的距离，计算电压极限点的方法有很多，主要分为基于机理分析的方法和基于数据驱动的方法。基于机理分析的方法主要有直接法、连续潮流法、非线性规划法等。其中，连续潮流法是一种非常有效的VSA的方法，它可以可靠地跟踪电力系统稳态运行随负荷的变化情况，得到电压稳定裕度。但连续潮流法计算非常耗时，难以满足在线安全评估的要求。其它基于机理分析的方法大多被计算资源损耗所制约，无法保证对电力系统进行有效的评估。随着机器学习的发展和同步相量测量单元(PhasorMeasurementUnit，PMU)的广泛应用，决策树(DecisionTree，DT)、随机森林(RandomForest，RF)、支持向量机(SupportVectorMachine，SVM)、极限学习机(ExtremeLearningMachine，ELM)等基于数据驱动的方法被用于电力系统VSA。但随着现代电力系统的广域互联和可再生能源的大量接入，这些数据驱动的方法也显现出难以处理海量数据和评估精度不足等问题。授权公告号为CN109378834A的专利文献公开了一种基于信息最大相关的大规模电网电压稳定裕度评估系统，该系统首先基于PMU数据或软件仿真,获得一个能够近似表征当前电力系统所有运行特征的电力系统大数据集；在此基础上,通过多次运用最大相关最小冗余算法,构造与电压稳定裕度相关性最大且冗余性最小的特征集；利用MATLAB构建所选变量与电压稳定裕度之间关系的函数表达式；通过电力系统获得的实时的变量数据,可以通过表达式直接估计电压稳定裕度。并将结果反馈给现场调度人员,以便及时做出决策。但该技术在电力系统静态电压稳定评估中存在评估精度不足以及效率较低的问题，无法满足实际使用需求。
技术实现思路
针对上述问题，本专利技术提出了一种基于改进AdaBoost的电力系统静态电压稳定评估方法。该方法泛化能力强，分类准确率高，并且可以有效地避免过拟合现象的发生，能对电力系统进行可靠的在线安全评估。为了实现上述专利技术目的，采用以下技术方案：一种基于改进AdaBoost的电力系统静态电压稳定评估方法，它包括以下步骤：步骤1：基于电力系统历史运行数据和预想事故集的模拟仿真求解潮流，构建包含电力系统运行变量和电压稳定安全分类标签的初始数据集；步骤2：对初始数据集进行预处理和特征选择，从大量运行变量中选出与电压稳定安全分类标签相关度高的运行变量作为关键特征，结合相应的安全分类标签形成高效数据集；步骤3：基于高效数据集，结合改进AdaBoost算法构建电力系统(VoltageStabilityAssessment，VSA)模型，利用高效数据集对VSA模型进行离线训练和更新；步骤4：基于PMU收集的实时测量数据，利用VSA模型，对电力系统进行在线VSA。在步骤1中，利用连续潮流法，求解电力系统P-V曲线，并根据P-V曲线构建电压稳定指标(VoltageStabilityIndex，VSI)以及电压稳定安全分类标签，如公式(1)、(2)所示：式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率；VSIc为自定义的电压稳定阈值；标签1表示稳定状态；标签0表示不稳定状态。初始数据集中的样本可用向量{x1,...,xn,y}表示，其中xi(i＝1,...,n)表示每个样本中电力系统的运行变量；y表示对应的安全分类标签。当大量样本被生成时，初始数据集可用矩阵{X1,...,Xn,Y}表示。在步骤2中，对初始数据集中的大量电力系统运行变量(如各节点的电压幅值及相角、发电机的有功出力和无功出力等)进行预处理，使电力系统运行变量的取值范围为(0，1)，以减轻计算负担，预处理过程如公式(3)所示：式中：xi为电力系统某运行变量的原始值；为该运行变量经过预处理后的值；xmin为样本中该运行变量的最小值；xmax为样本中该运行变量的最大值。基于预处理后的数据集，利用距离相关系数(DistanceCorrelationCoefficient，DCC)对电力系统中各种运行变量与电压稳定安全分类标签的相关性进行检测，并对求得的DCC值按降序进行排序，选取前z个运行变量作为关键特征，与相应安全分类标签一起构成高效数据集。DCC如公式(4)所示：式中：x和y分别表示关键特征和对应的安全分类标签；和分别如公式(5)-(7)所示：同理计算和DCC具有如下性质：(1)当DCC等于0时，表示两个变量相互独立；(2)DCC越大，表示两个变量之间的相关性越强。在步骤3中，基于经过特征选择的高效数据集，利用改进AdaBoost构建电力系统VSA模型。将关键特征作为输入，电压稳定安全分类标签作为输出，获取关键特征和安全分类标签之间的映射关系。AdaBoost算法的原理如下所示：(1)经过预处理和特征选择后的高效数据集为{X1,...,Xn,Y}，其中Xi表示关键特征，Y表示电压稳定安全分类标签；(2)初始化样本的训练权重，并进行迭代训练，样本中每一个特征对应生成一个弱分类器；(3)每次训练时在确定的弱分类器中选出一个具有最小分类误差的弱分类器，迭代训练M次，共得到M个弱分类器；(4)把M个弱分类器进行加权整合形成强分类器。AdaBoost会判断每次训练的样本是否分类正确，对于正确分类的样本，降低该样本的权重，对于错误分类的样本，增加该样本的权重。再基于上一次得到的分类正确率，来确定下一次迭代训练时数据集中每个样本的权重。因此可以通过每一次迭代训练样本的动态权重，让分类的焦点集中到难分类的样本上，最终得到更高的分类准确率。为了抑制过拟合现象的发生，处理那些难以被分类的训练样本，本方法对权重更新的方式做出了改进，不仅结合了稳定样本错分率和不稳定样本错分率，并且还会抑制被错误分类样本的权重增长幅度。考虑到电力系统运行条件的变化，经过离线训练后的模型可能无法对新的运行状况提供准确可靠的评估结果。此时，需要对模型进行更新，更新的步骤如下所示：(1)若电力系统的运行条件变化产生的新工况已包含在离线数据集中，则选出对应的VSA模型来对新的工况进行评估；(2)若电力系统的运行条件或拓扑结本文档来自技高网...

【技术保护点】
1.一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，它包括以下步骤：/n步骤1：基于电力系统历史运行数据和预想事故集的模拟仿真求解潮流，构建包含电力系统运行变量和电压稳定安全分类标签的初始数据集；/n步骤2：对初始数据集进行预处理和特征选择，从大量运行变量中选出与电压稳定安全分类标签相关度高的运行变量作为关键特征，结合相应的安全分类标签形成高效数据集；/n步骤3：基于高效数据集，结合改进AdaBoost算法构建电力系统电压稳定评估(VoltageStability Assessment，VSA)模型，利用高效数据集对VSA模型进行离线训练和更新；/n步骤4：基于同步相量测量单元(Phasor Measurement Unit，PMU)收集的实时测量数据，利用VSA模型，对电力系统进行在线VSA。/n

【技术特征摘要】
1.一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，它包括以下步骤：
步骤1：基于电力系统历史运行数据和预想事故集的模拟仿真求解潮流，构建包含电力系统运行变量和电压稳定安全分类标签的初始数据集；
步骤2：对初始数据集进行预处理和特征选择，从大量运行变量中选出与电压稳定安全分类标签相关度高的运行变量作为关键特征，结合相应的安全分类标签形成高效数据集；
步骤3：基于高效数据集，结合改进AdaBoost算法构建电力系统电压稳定评估(VoltageStabilityAssessment，VSA)模型，利用高效数据集对VSA模型进行离线训练和更新；
步骤4：基于同步相量测量单元(PhasorMeasurementUnit，PMU)收集的实时测量数据，利用VSA模型，对电力系统进行在线VSA。


2.根据权利要求1所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤1中，利用连续潮流法，求解电力系统P-V曲线，并根据P-V曲线构建电压稳定指标(VoltageStabilityIndex，VSI)以及电压稳定安全分类标签，如公式(1)、(2)所示：






式中：Pmax为最大功率传输点的负荷功率；Pi为当前运行点的负荷功率；VSIc为自定义的电压稳定阈值；标签1表示稳定状态；标签0表示不稳定状态。


3.根据权利要求1所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤2中，对初始数据集中的大量电力系统运行变量(如各节点的电压幅值及相角、发电机的有功出力和无功出力等)进行预处理，使电力系统运行变量的取值范围为(0，1)，以减轻计算负担，预处理过程如公式(3)所示：



式中：xi为电力系统某运行变量的原始值；为该运行变量经过预处理后的值；xmin为样本中该运行变量的最小值；xmax为样本中该运行变量的最大值。


4.根据权利要求3所述的一种基于改进AdaBoost的电力系统静态电压稳定评估方法，其特征在于，在步骤2中，基于预处理后的数据集，利用距离相关系数(DistanceCorrelationCoefficient，DCC)对电力系统中各种运行变量与电压稳定安全分类标签的相关性进行检测，并对求得的DCC值按降序进行排序，选取前z个运行变量作为关键特征，与相应安全分类标签一起构成高效数据集。


5.根据权利要求4所述的一...

【专利技术属性】
技术研发人员：刘颂凯，晏光辉，刘炼，陈浩，薛田良，张磊，叶婧，钟浩，鲍刚，李世春，杨苗，杨超，黎丽丽，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北;42