一种电力系统动态安全域确定方法、装置、电子设备及可读介质制造方法及图纸

本申请属于大电网运行与控制技术领域，涉及一种电力系统动态安全域确定方法、装置、电子设备及可读介质。首先进行电力系统数据样本的获取，构建源域样本集、目标域有标记样本集及目标域无标记样本集，考虑组合效应特征选择方法选择出描述电力系统动态安全域的关键特征，根据最小预迁移特征贡献度将源域预迁移特征迁移到目标域有标记样本特征集的到目标域迁移样本特征集，将迁移样本集输入采用支持向量机与迁移自适应提升算法相结合的分离器中，挖掘出电力系统动态安全域边界。本方法适用于电网拓扑结构和电力系统运行方式多样化的场景中。本方法提高了电力系统动态安全域构建的效率及准确率，为电力系统安全稳定分析与评估技术依据和实用化方法。技术依据和实用化方法。技术依据和实用化方法。

【技术实现步骤摘要】
一种电力系统动态安全域确定方法、装置、电子设备及可读介质


[0001]本申请属于大电网运行与控制
，具体而言涉及一种电力系统动态安全域确定方法、装置、电子设备及可读介质。

技术介绍

[0002]随着全国联网规模的不断扩大和电压等级的不断提高，电网互联模式日益复杂，高渗透率间歇性新能源发电和海量柔性负荷响应加剧了电网源荷双侧的不确定性。且电力系统运行方式和动态行为日趋复杂，一旦电网某处发生事故，可能会波及全网，导致大停电事故的发生，对电力系统调度运行的决策水平和协同控制能力提出了更高的要求。因此，采取更先进技术手段，研究快速有效的电力系统安全稳定分析方法，提高电力系统客观可控性是亟需解决的重要问题。
[0003]动态安全域方法作为一种重要的安全稳定分析方法，在安全性评估、监视、防御与最优控制方面具有显著优越性。电力系统安全稳定问题是一个复杂且难以解析表达的物理问题，电力系统运行数据维数高、特征冗余，人工分析电网动态安全域边界的弊端逐渐显现。因此，从海量电力系统运行数据中，挖掘出电网动态安全域对电网安全稳定运行具有重要意义。随着广域测量技术的应用和人工智能技术的飞速发展，从模式识别角度出发，基于人工智能技术的机器学习方法为挖掘电网动态安全域边界提供了新的解决思路。
[0004]随着电力系统互联水平和规模的日益提高，计划检修是保障电力系统安全稳定运行重要工作，线路(或其他元件)的计划检修、新线路或设备的投运以及电力事故的发生都有可能造成电网拓扑结构的改变。电网拓扑结构对于电网网络特性起决定作用，拓扑结构变化后的电力系统动态安全域发生变化，原有动态安全域将不在适用。如果对每一种检修方式下的电力系统动态安全域进行重构，均需要训练一个单独的及其学习模型，并且该模型只适用于该位置检修的动态安全域构建，如果需要评估的位置较多，并且再考虑不同的预设故障集，需要训练的模型也会非常多，这将耗费大量的时间和人力，并且模型的管理也非常不方便。

技术实现思路

[0005]本申请旨在至少解决已有技术中的部分问题，考虑到现有动态安全域方法及模型在应用效果上有一定的局限性，如何采用先进的技术手段提高电力系统动态安全域挖掘的效率和准确率，以适应电网在线运行方式多变，实现对电网运行特性的准确把控是本申请亟待解决的重要问题。
[0006]有鉴于此，本公开提出了一种电力系统动态安全域确定方法、装置、电子设备及可读介质，以解决相关技术中的技术问题。
[0007]根据本公开的第一方面，提出电力系统动态安全域确定方法，包括：
[0008]离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电
力系统实时运行数据作为目标域数据；
[0009]对所述源域数据和目标域数据进行预处理，构建源域样本集D
s1
和目标域样本集；
[0010]对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；
[0011]根据源域入选样本特征集S
s1
和目标域入选有标记样本特征集S
t1
的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集S
t1
中，得到迁移后的特征集S
′
t1
；
[0012]构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S
′
t1
对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。
[0013]可选地，所述电力系统历史运行数据为电力系统运行方式潮流数据和故障数据；所述电力系统仿真数据为电力系统潮流仿真数据和电力系统暂态稳定仿真数据。
[0014]可选地，对所述源域数据和目标域数据进行预处理的过程为：对源域数据和目标域数据中的缺失数据进行补充，对源域数据和目标域数据中的重复数据进行删除，得到电力系统运行数据，将所述运行数据构建成一个样本以及样本特征，根据电力系统暂态稳定状态，定义特征类别属性，包括源域特征类别属性和目标域特征类别属性，对暂态稳定状态的样本以及样本特征打上标签1，对暂态不稳定状态的样本以及样本特征打上标签
‑
1。
[0015]可选地，对所述源域样本集D
s1
和目标域少量有标记样本集D
t1
进行特征选择，选择出源域入选样本特征集S
s1
和目标域入选有标记样本特征集S
t1
，包括：
[0016](1)构建：一个源域入选特征集S
s1
，一个目标域入选有标记特征集S
t1
，初始化S
s1
和S
t1
为空集；构建一个源域候选特征集US
s1
，一个目标域候选有标记特征集US
t1
，初始化US
s1
和US
t1
为空集；
[0017](2)将源域候选特征集US
s1
更新为源域样本集D
s1
，将目标域候选有标记特征集US
t1
更新为目标域有标记样本集D
t1
；
[0018](3)采用直方图方法，分别对当前的源域候选特征集US
s1
中的各个特征进行离散估计和概率密度估计，得到源域候选特征集US
s1
中特征的概率分布，即源域候选特征集US
s1
中特征f
s1i
的概率分布p(f
s1i
)、源域候选特征集US
s1
中特征f
s1j
和f
s1i
之间的联合概率分布p(f
s1i
,f
s1j
)，源域候选特征集US
s1
中特征类别属性C
s1
的概率分布p(c
s1
)和源域候选特征集US
s1
中特征f
s1j
在源域候选特征集US
s1
中特征类别属性C
s1
下的条件概率分布p(f
s1j
,c
s1
)，源域候选特征集US
s1
中特征f
s1j
、f
s1i
和特征类别属性C
s1
之间的联合概率分布p(f
s1i
,f
s1j
,c
s1
)；采用直方图方法，分别对当前目标域候选有标记特征集US
t1
中的各个特征进行离散估计和概率密度估计，得到目标域候选有标记特征集US
t1
中特征的概率分布，目标域候选有标记特征集US
t1
中特征f
t1i
的概率分布p(f
t1i
)、目标域候选有标记特征集US
t1
中特征f...

【技术保护点】

【技术特征摘要】
1.一种电力系统动态安全域确定方法，其特征在于，包括：离线获取电力系统仿真数据及电力系统历史运行数据作为源域数据，在线获取电力系统实时运行数据作为目标域数据；对所述源域数据和目标域数据进行预处理，构建源域样本集D
s1
和目标域样本集；对所述源域样本集和目标域样本集进行特征选择，构建源域入选样本特征集和目标域入选样本特征集；根据源域入选样本特征集S
s1
和目标域入选有标记样本特征集S
t1
的预迁移特征贡献度，将源域入选样本特征迁移到目标域入选有标记样本特征集S
t1
中，得到迁移后的特征集S
′
t1
；构建确定电力系统动态安全域的支持向量机分类器，利用所述特征集S
′
t1
对支持向量机分类器进行训练，获得强分类器,得到电力系统动态安全域。2.根据权利要求1所述的电力系统动态安全域确定方法，其特征在于，所述电力系统历史运行数据为电力系统运行方式潮流数据和故障数据；所述电力系统仿真数据为电力系统潮流仿真数据和电力系统暂态稳定仿真数据。3.根据权利要求1所述的电力系统动态安全域确定方法，其特征在于，对所述源域数据和目标域数据进行预处理的过程为：对源域数据和目标域数据中的缺失数据进行补充，对源域数据和目标域数据中的重复数据进行删除，得到电力系统运行数据，将所述运行数据构建成一个样本以及样本特征，根据电力系统暂态稳定状态，定义特征类别属性，包括源域特征类别属性和目标域特征类别属性，对暂态稳定状态的样本以及样本特征打上标签1，对暂态不稳定状态的样本以及样本特征打上标签
‑
1。4.如权利要求1的一种基于迁移学习的电力系统动态安全域挖掘方法，其特征在于，对所述源域样本集D
s1
和目标域少量有标记样本集D
t1
进行特征选择，选择出源域入选样本特征集S
s1
和目标域入选有标记样本特征集S
t1
，包括：(1)构建：一个源域入选特征集S
s1
，一个目标域入选有标记特征集S
t1
，初始化S
s1
和S
t1
为空集；构建一个源域候选特征集US
s1
，一个目标域候选有标记特征集US
t1
，初始化US
s1
和US
t1
为空集；(2)将源域候选特征集US
s1
更新为源域样本集D
s1
，将目标域候选有标记特征集US
t1
更新为目标域有标记样本集D
t1
；(3)采用直方图方法，分别对当前的源域候选特征集US
s1
中的各个特征进行离散估计和概率密度估计，得到源域候选特征集US
s1
中特征的概率分布，即源域候选特征集US
s1
中特征f
s1i
的概率分布p(f
s1i
)、源域候选特征集US
s1
中特征f
s1j
和f
s1i
之间的联合概率分布p(f
s1i
,f
s1j
)，源域候选特征集US
s1
中特征类别属性C
s1
的概率分布p(c
s1
)和源域候选特征集US
s1
中特征f
s1j
在源域候选特征集US
s1
中特征类别属性C
s1
下的条件概率分布p(f
s1j
,c
s1
)；采用直方图方法，分别对当前目标域候选有标记特征集US
t1
中的各个特征进行离散估计和概率密度估计，得到目标域候选有标记特征集US
t1
中特征的概率分布，目标域候选有标记特征集US
t1
中特征f
t1i
的概率分布p(f
t1i
)、目标域候选有标记特征集US
t1
中特征f
t1j
和f
t1i
之间的联合概率分布p(f
t1i
,f
t1j
)，目标域候选有标记特征集US
t1
中特征类别属性C
t1
的概率分布p(c
t1
)和目标域候选有标记特征集US
t1
中特征f
t1j
在目标域候选有标记特征集US
t1
中特征类别属性C
t1
下的条件概率分布p(f
t1j
,c
t1
)，下标i、j分别为特征序号；
(4)利用标准互信息计算公式NMI(f；C)，计算步骤(3)的源域候选特征集US
s1
中的所有特征f
s1
和源域候选特征集US
s1
中所有特征类别属性C
s1
的标准化互信息NMI
s1
(f
s1
；C
s1
)，计算步骤(3)的和目标域候选有标记特征集US
t1
中的所有特征f
t1
和目标域候选有标记特征集US
t1
中的所有特征类别属性C
t1
的标准化互信息NMI
t1
(f
t1
；C
t1
)；(5)分别选取步骤(4)NMI
s1
(f；C)和NMI
t1
(f；C)中互信息值最大的特征，记为第一个源域入选特征集S
s1
的入选特征和第一个目标域入选有标记特征集S
t1
的入选特征，并分别从步骤(2)中源域候选特征集US
s1
和目标域候选有标记样本特征集US
t1
删除掉该入选特征；(6)根据下面的广义互信息计算公式，分别计算源域入选特征集S
s1
和源域特征类别属性C
s1
的广义互信息MI
Rs1
(S
s1
；C
s1
)及目标域入选有标记特征集S
t1
和入选有标记特征类别属性C
t1
的广义互信息MI
Rt1
(S
t1
；C
t1
)：(7)定义一个特征权重得分计算公式w(f
i
)，分别计算源域候选特征集US
s1
中所有特征的权重得分w
s1
(f
s1i
)和目标域候选特征集US
t1
中所有特征的权重得分w
t1
(f
t1i
)：(8)根据(7)中的源域候选特征集US
s1
中所有特征的权重得分w
s1
(f
s1i
)和目标域候选特征集US
t1
中所有特征的权重得分w
t1
(f
t1i
)的大小，分别对源域候选特征集US
s1
和目标域候选有标记特征集US
t1
中的特征从大到小依次进行排序；(9)将步骤(8)中源域候选特征集US
s1
中排序后的特征按次序与步骤(5)的源域入选特征集S
s1
进行组合，得到源域组合后的特征集为S
s1
∪{US
s1
(f
s1i
)}，将步骤(8)中的目标域候选特征集US
t1
排序后的特征按次序与步骤(5)的目标域入选有标记特征集S
t1
进行组合，得到目标域组合后的特征集为S
t1
∪{US
t1
(f
t1i
)}；(10)根据步骤(6)的广义互信息计算公式，计算步骤(9)得到的源域组合的特征集与步骤(3)的源域候选特征集US
s1
中特征类别属性C
s1
的广义互信息MI
R
(S
s1
∪{US
s1
(f
s1i
)}；C
s1
)；(11)根据步骤(6)广义互信息计算公式，计算步骤(9)得到的目标域组合的特征集与步骤(3)的目标域候选有标记特征集US
t1
中特征类别属性C...

【专利技术属性】
技术研发人员：胡伟，陈涛，吴迎霞，马坤，赵科，蒋望，史成钢，张同尊，古济铭，万朝辉，
申请(专利权)人：国网重庆市电力公司国家电网有限公司，
类型：发明
国别省市：