一种基于改进随机森林的电力系统电压稳定评估方法技术方案

本发明专利技术公开了一种基于改进随机森林的电力系统电压稳定评估方法，包括：基于P

【技术实现步骤摘要】
一种基于改进随机森林的电力系统电压稳定评估方法


[0001]本专利技术涉及电力系统电压维稳的
，尤其涉及一种基于改进随机森林的电力系统电压稳定评估方法。

技术介绍

[0002]随着大量新兴负荷的接入以及可再生能源比重的逐步增加，现今的电力系统复杂性逐步提高，传统电力系统安全稳定分析愈发困难，系统的安全稳定运行必将面临巨大的考验。传统的系统安全稳定性分析主要依赖于运行人员的个人经验，一旦判断失误，则意味着给系统的安全运行带来负面影响，可能导致不必要的经济损失，甚至造成大面积停电事故。
[0003]随着机器学习技术发展，“随机森林”算法由于对“有偏数据”具有不敏感性，而常被用于电力系统电压稳定评估问题中。然而对于能源互联网这种更为庞大且具有多元和互联性质的能源网络，传统随机森林方法具有很高的局限性，如基于Bagging思想的训练样本选取方法随机性过强，极易破坏样本集数据结构，导致基决策树学习能力差，进而造成随机森林学习模型无法满足电压稳定评估业务的实际需求。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种基于改进随机森林的电力系统电压稳定评估方法解决现有的系统安全稳定性分析人工依赖性强，经济损失高的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]本专利技术实施例提供了一种基于改进随机森林的电力系统电压稳定评估方法，包括：
[0009]基于P
‑
V曲线分析结果及电压稳定状态区间构建基决策树的训练样本子集；
[0010]基于所述训练样本子集中各节点中属性的信息增益率，构建侯选属性集并以随机选取的方式确定各节点最终的分裂属性；
[0011]根据所述分裂结果利用绝对多数投票法并结合策略构建随机森林学习模型；
[0012]通过所述随机森林学习模型综合考虑规则覆盖度，并根据各个基决策树可靠度规则情况实现电压稳定的评估。
[0013]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述基决策树的训练样本子集包括：
[0014]所述基决策树训练样本是基于P
‑
V曲线分析结果及电压稳定区间而生成的，其样本总数，表示为：
[0015]N
d
＝N
curve
×
N
index
×
N
sample
[0016]其中，N
d
为训练样本集d中样本的个数，N
curve
为P
‑
V曲线条数，N
index
为类别标签数目，N
sample
为每个区间所取得运行点个数。
[0017]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：还包括：训练样本集d分为A
d_t
个训练样本子集，A
d_t
为随机森林中决策树的个数，每次选取其中A
d_t
‑1个子集训练用以构建随机森林的决策树，则每个训练样本子集中的样本个数为：
[0018][0019]其中，N
d_t
为训练样本子集中训练样本的个数。
[0020]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：构建侯选属性集包括：在随机森林的决策树中引入扰动，针对每个决策树，从根节点开始，依次计算各个节点中属性的信息增益率；
[0021]对所述信息增益率进行降序排序，基于设定的阈值，选取最优属性的侯选属性，并利用最优属性和其侯选属性构建基决策树的属性集。
[0022]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述信息增益率的计算包括：
[0023]初始信息熵；
[0024]计算属性信息熵；
[0025]将样本集的初始信息熵和属性信息熵相减，量化该属性降低训练样本混乱程度的能力，计算信息增益；
[0026]在计算信息增益的基础上，引入分裂信息的概念计算各个属性的信息增益率。
[0027]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述初始信息熵，表示为：
[0028][0029]其中，d为基于P
‑
V曲线分析所生成的样本集，c为样本集中样本的类别数目，R
i
为样本集d中属于类别i的样本占样本总数的比例；
[0030]所述属性信息熵，表示为：
[0031][0032]其中，v为任意一个关键特征变量属性，d
1st
为依据属性v将样本集划分后的第一样本子集，d
2nd
为依据属性v将样本集划分后的第二样本子集，|d
1st
|为第一样本子集中样本的个数，|d
2nd
|为第二样本子集中样本的个数，|d|表示样本集中样本的个数；
[0033]所述信息增益，表示为：
[0034]G(v)＝E(d)
‑
E
v
(d)
[0035]所述分裂信息，表示为：
[0036][0037]其中，DpI(v)为属性v的分裂信息；
[0038]所述信息增益率，表示为：
[0039][0040]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：选用绝对多数投票法结合策略构建随机森林学习模型，包括：
[0041]绝对多数投票法，表示为：
[0042]Rslt(x)＝ctg
t
[0043][0044]其中，Rslt(x)为随机森林最终给出的分类结果，ctg
t
为某个预测类别t，Nb为基决策树数量，W为类别数；为第i个基决策树将样本x判别为类别t。
[0045]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：计算出覆盖度最高的评估规则包括：
[0046]随机森林学习模型构建完成后，即可根据其结构提取面向电压稳定的评估规则，覆盖度最高的评估规则，表示为：
[0047][0048]其中，表示随机森林中第i个基决策树中第t个规则的覆盖度，Z
i.t
为第i个基决策树中第t个规则所覆盖的样本数。
[0049]作为本专利技术所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：计算所述规则的可靠度，表示为：
[0050][0051]其中，表示随机森林中第i个基决策树中第t个规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进随机森林的电力系统电压稳定评估方法，其特征在于，包括：基于P
‑
V曲线分析结果及电压稳定状态区间构建基决策树的训练样本子集；基于所述训练样本子集中各节点中属性的信息增益率，构建侯选属性集并以随机选取的方式确定各节点最终的分裂属性；根据所述分裂结果利用绝对多数投票法并结合策略构建随机森林学习模型；通过所述随机森林学习模型综合考虑规则覆盖度，并根据各个基决策树可靠度规则情况实现电压稳定的评估。2.如权利要求1所述的基于改进随机森林的电力系统电压稳定评估方法，其特征在于，所述基决策树的训练样本子集包括：所述基决策树训练样本是基于P
‑
V曲线分析结果及电压稳定区间而生成的，其样本总数，表示为：N
d
＝N
curve
×
N
index
×
N
sample
其中，N
d
为训练样本集d中样本的个数，N
curve
为P
‑
V曲线条数，N
index
为类别标签数目，N
sample
为每个区间所取得运行点个数。3.如权利要求2所述的基于改进随机森林的电力系统电压稳定评估方法，其特征在于，还包括：训练样本集d分为A
d_t
个训练样本子集，A
d_t
为随机森林中决策树的个数，每次选取其中A
d_t
‑1个子集训练用以构建随机森林的决策树，则每个训练样本子集中的样本个数为：其中，N
d_t
为训练样本子集中训练样本的个数。4.如权利要求2或3所述的基于改进随机森林的电力系统电压稳定评估方法，其特征在于，构建侯选属性集包括：在随机森林的决策树中引入扰动，针对每个决策树，从根节点开始，依次计算各个节点中属性的信息增益率；对所述信息增益率进行降序排序，基于设定的阈值，选取最优属性的侯选属性，并利用最优属性和其侯选属性构建基决策树的属性集。5.如权利要求4所述的基于改进随机森林的电力系统电压稳定评估方法，其特征在于，所述信息增益率的计算包括：初始信息熵；计算属性信息熵；将样本集的初始信息熵和属性信息熵相减，量化该属性降低训练样本混乱程度的能力，计算信息增益；在计算信息增益的基础上，引入分裂信息的概念计算各个属性的信息增益率。6.如权利要求5所述的基于改进随机森林的电力系统电压稳定评估方法，其特征在于：...

【专利技术属性】
技术研发人员：肖勇，肖小兵，李跃，蔡永翔，金鑫，付宇，黄博阳，潘廷哲，何肖蒙，王扬，方阳，刘安茳，熊楠，郑友卓，张洋，郝树青，何心怡，苗宇，窦陈，张恒荣，代奇迹，王卓月，班诗雪，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：