基于机器学习组合预测的电力系统暂态稳定性预测方法技术方案

本发明专利技术涉及电力系统技术领域，具体为基于机器学习组合预测的电力系统暂态稳定性预测方法，该方法包括：对选取的多个不同的轨迹变量进行离散化特征采样，得到离散化轨迹变量数据；根据离散化轨迹变量数据构建样本集合，通过10折交叉验证法划分训练集和测试集；采用支持向量机的机器学习算法训练得到多个暂态稳定性预测的子学习机；通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略，构建暂态稳定性预测的集成学习模型。本发明专利技术可以提高电力系统暂态稳定性的整体预测准确率，充分利用电力系统中的数据，使不稳定样本的预测结果更准确，有更强的学习能力和泛化能力。有更强的学习能力和泛化能力。有更强的学习能力和泛化能力。

【技术实现步骤摘要】
基于机器学习组合预测的电力系统暂态稳定性预测方法


[0001]本专利技术涉及电力系统
，具体涉及基于机器学习组合预测的电力系统暂态稳定性预测方法。

技术介绍

[0002]基于GPS和同步相量测量单元(Phasor Measurement Unit,PMU)的广域测量系统(Wide
‑
Area Measurement System,WAMS)和模式识别技术的日趋发展，为电力系统在线暂态稳定性评估提供了新的思路和技术手段。通过对大量的离线仿真数据训练并构建基于机器学习的评估模型，来拟合暂态过程中电力系统各种变量与暂态稳定性之间复杂的非线性函数关系(这种关系大多情况下无法用简单显性函数的形式来表达)，然后对实时采集的系统信息进行数据分析，实现电力系统暂态稳定性的在线快速评估，在电网受到大扰动后迅速预测出系统的暂态稳定性，为后续的紧急控制提供依据，从而控制事故的发展和减小事故的影响。
[0003]随着人工智能的兴起和发展，电力系统专业人员开始研究将机器学习方法应用于电力系统的暂态稳定性预测与运行控制，其主要思想是利用离线建立的学习机模型拟合电力系统各种变量与暂态稳定性之间的函数关系，不进行复杂的在线仿真计算，而是根据实时测量的数据，快速预测出系统的暂态稳定性，并为后续电力系统稳定性的在线紧急控制提供依据。电力系统暂态稳定性预测的学习机通常采用一种常见的用于暂态稳定性预测的学习方法，如：决策树(Decision Tree，DT)，神经网络(Neural Network，NN)和支持向量机(Support Vector Machine，SVM)等。然而，各个机器学习方法各有优劣，不同文献的结论也有不同。
[0004]目前，电力系统稳定性评估的单个机器学习模型在投入实际电力系统中使用时，不同机器学习子模型通常对不稳定场景稳定性预测判别的精度会降低，采用单子学习机的机器学习方法评估精度普遍不高，尤其是无法保证可能导致暂态失稳场景的评估准确率。其次，目前电力系统稳定性评估机器学习训练时，通常采用常见的发电机功角、转速、电磁功率和机端电压等不同电气量分别建立模型，每一类特征建立的机器学习模型的适应性均不相同，难以给出工程实际中适用广泛的统一模型，因此模型泛化能力较差，尤其对不稳定场景的预测精度难以保证。

技术实现思路

[0005]为解决现有技术所存在的技术问题，本专利技术提供基于机器学习组合预测的电力系统暂态稳定性预测方法，可以提高电力系统暂态稳定性的整体预测准确率，充分利用电力系统中的数据，使不稳定样本的预测结果更准确，可以不稳定场景稳定性预测判别的精度。
[0006]本专利技术可以通过采取如下技术方案达到：
[0007]基于机器学习组合预测的电力系统暂态稳定性预测方法，所述方法包括：
[0008]根据电力系统暂态过程中不同轨迹变量与暂态稳定性的关系选取多个不同的轨
迹变量，对选取的多个不同的轨迹变量进行离散化特征采样，得到离散化轨迹变量数据；
[0009]根据离散化轨迹变量数据构建样本集合，通过10折交叉验证法划分训练集和测试集；
[0010]将样本集合的离散化轨迹变量数据作为多个类型的输入特征，采用支持向量机的机器学习算法训练得到多个暂态稳定性预测的子学习机；
[0011]通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略，构建暂态稳定性预测的集成学习模型，通过暂态稳定性预测的集成学习模型对电力系统暂态稳定性进行预测。
[0012]进一步地，所述多个轨迹变量包括发电机的功角δ、转子转速ω及节点电压幅值V。
[0013]进一步地，所述对选取的多个不同的轨迹变量进行离散化特征采样包括：在电力系统三相短路等故障完全切除后，分别按周期T连续在发电机的功角δ轨迹曲线、转子转速ω轨迹曲线、节点电压幅值V轨迹曲线上取k个点的观测数据。
[0014]进一步地，所述将样本集合的离散化轨迹变量数据作为多个类型的输入特征，采用支持向量机的机器学习算法训练得到多个暂态稳定性机器学习预测的子学习机，包括：
[0015]将发电机的功角δ、转子转速ω及节点电压幅值V作为3个类型的输入特征，采用支持向量机的机器学习算法训练3个类型的输入特征和其对应的稳定标签、不稳定标签之间的关联关系；
[0016]在样本的训练过程中，采用网格搜索法优化支持向量机的惩罚因子C和核参数γ，得到超参数优化后的三个子学习机。
[0017]进一步地，所述通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略，构建暂态稳定性预测的集成学习模型，包括：综合多个暂态稳定性预测的子学习机预测结果，当多个暂态稳定性预测的子学习机预测结果中的任一子学习机预测结果是不稳定的，则认为电力系统暂态是不稳定的，否则认为电力系统暂态是稳定的。
[0018]本专利技术与现有技术相比，具有如下优点和有益效果：
[0019]本专利技术提供基于机器学习组合预测的电力系统暂态稳定性预测方法，通过构建多个子学习机，通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略，综合所有子学习机的计算结果建立预测模型，可以保持高的整体预测准确率，充分利用电力系统中的数据，使不稳定样本的预测结果更准确，有更强的学习能力和泛化能力。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0021]图1是本专利技术实施例中的基于机器学习组合预测的电力系统暂态稳定性预测方法流程图；
[0022]图2是本专利技术实施例中的基于机器学习组合预测的电力系统暂态稳定性预测方法示意图。
具体实施方式
[0023]下面将结合附图和实施例，对本专利技术技术方案做进一步详细描述，显然所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，本专利技术的实施方式并不限于此。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]实施例1：
[0025]如图1
‑
2所示，本专利技术所述的基于机器学习组合预测的电力系统暂态稳定性预测方法，包括以下步骤：
[0026]步骤一：根据电力系统暂态过程中不同轨迹变量与暂态稳定性的关系选取多个不同的轨迹变量，对选取的多个不同的轨迹变量进行离散化特征采样，得到离散化轨迹变量数据。
[0027]优选地，选取的轨迹变量包括发电机的功角δ、转子转速ω及节点电压幅值V，节点电压幅值、发电机功角、转子转速与暂态稳定性之间的关系，根据观测的轨迹变量曲线标定为稳定或失稳，系统暂态稳定，样本标定为1，反之，样本暂态不稳定，样本标定为
‑
1。
[0028]由于选取的发电机的功角δ、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习组合预测的电力系统暂态稳定性预测方法，其特征在于，包括：根据电力系统暂态过程中不同轨迹变量与暂态稳定性的关系选取多个不同的轨迹变量，对选取的多个不同的轨迹变量进行离散化特征采样，得到离散化轨迹变量数据；根据离散化轨迹变量数据构建样本集合，通过10折交叉验证法划分训练集和测试集；将样本集合的离散化轨迹变量数据作为多个类型的输入特征，采用支持向量机的机器学习算法训练得到多个暂态稳定性预测的子学习机；通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略，构建暂态稳定性预测的集成学习模型，通过暂态稳定性预测的集成学习模型对电力系统暂态稳定性进行预测。2.根据权利要求1所述的基于机器学习组合预测的电力系统暂态稳定性预测方法，其特征在于，所述多个不同的轨迹变量包括发电机的功角δ、转子转速ω及节点电压幅值V。3.根据权利要求2所述的基于机器学习组合预测的电力系统暂态稳定性预测方法，其特征在于，所述对选取的多个不同的轨迹变量进行离散化特征采样包括：在电力系统故障切除后，分别按周期T连续在发电机的功角δ轨迹曲线、转子转速ω轨迹曲线、节点电压幅值V轨迹曲线上取k个点的观测数据。4.根据权利要求3所述的基于机器学习组合预测的电力系统暂态稳定性预测方法，其特征在于，所述通过10折交叉验证法划分训练集和测试集，包括：训练中采用10折交叉验证法，将所有样本10等分，选取任意9组样本作为训练集，剩余1组样本作为测试集，依次循环10次。5.根据权利要求2所述的基于机器学习组合预测的电力系...

【专利技术属性】
技术研发人员：龙云，刘璐豪，梁雪青，卢有飞，赵宏伟，吴任博，陈明辉，张少凡，刘超，王历晔，刘俊，李雨婷，彭鑫，赵誉，刘晓明，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：