【技术实现步骤摘要】
基于电网特征排列重要性的暂态稳定评估方法及系统
[0001]本专利技术属于电力系统暂态稳定评估领域,具体涉及一种基于电网特征排列重要性的暂态稳定评估方法及系统。
技术介绍
[0002]现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。近年来,数据驱动方法凭借其学习能力强、计算速度快、能挖掘数据潜在有用信息等特点,受到国内外学者的广泛关注,已经被用于电力系统暂态稳定分析。基于机器学习的电力系统暂态稳定性分析认为系统中各变量,包括状态变量X和代数变量Y,与系统的暂态稳定性S之间存在函数关系F,即:
[0003]S=F(X,Y)
[0004]可以通过学习机拟合这个复杂的函数关系,学习机按照一定的学习方法建模,通过对历史数据的训练得到。对于暂态稳定性预测而言,系统的稳定性只有稳定和不稳定两种状态,因此学习机是一个二分类器。
[0005]电力系统中可供选择的安全稳定相关的变量有:发电机的功角、转速、机械功率或其发出的有功和无功功率、负荷有功和无功功率、母线电压、线路的传输功率与关键断面功率大小等,如何优化选取与电网暂态安全性强相关性的关键特征,并研究数据驱动的暂态电压安全、功角稳定和频率稳定的多维度安全稳定评估方法,是一个亟待解决的问题。
技术实现思路
[0006]本专利技术的目的在于提供一种基于电网特征排列重要性的暂态稳定评估方法及系统,以克服现有数据驱动暂态稳定评估方法中特征选择问题,本专利技术首先建立一个基础学习模型,通过 ...
【技术保护点】
【技术特征摘要】
1.基于电网特征排列重要性的暂态稳定评估方法,其特征在于,包括:获取系统运行状态和故障条件下的实时样本数据;将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果;其中,所述暂态稳定评估模型的建立方法,包括:获取不同系统运行状态和故障条件下的历史样本数据;基于所述历史样本数据构建特征集,采用特征集训练学习模型;循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集;以重构的特征集作为输入重新训练以上得到的学习模型,得到暂态稳定评估模型。2.根据权利要求1所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述获取不同系统运行状态和故障条件下的历史样本数据,具体为:利用时域仿真软件模拟电力系统在不同潮流水平下、不同线路不同位置发生故障的条件下的运行状况,得到历史样本数据;所述时域仿真软件包括PSASP或PSD
‑
BPA;所述故障包括三相短路或两相短路。3.根据权利要求2所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述特征集包括故障前、发生故障时、故障后的系统特征,所述系统特征包括发电机的电磁功率、端电压、功角及母线电压。4.根据权利要求3所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述采用特征集训练学习模型,具体为:基于特征集以及系统稳定或失稳的标签训练学习模型;故障前、发生故障时、故障后共n个时间点的系统特征作为输入特征,通过暂态稳定指数I
TSI
标记标签,计算公式为:其中,Δδ
max
为任意2台发电机之间的最大功角之差,当I
TSI
<0时系统不稳定,反之稳定;基于标签和输入特征构建训练集,训练学习模型,拟合特征和标签之间的关系。5.根据权利要求4所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述循环改变特征集中的变量排列并计算变量的重要性,直至达到预设循环次数,依据计算结果重构特征集,具体为:将特征集随机划分为训练集和验证集;利用训练集训练学习模型,利用验证集进行预测;在验证集上对单个特征随机打乱,使用训练好的学习模型,重新在验证集上做预测,并评价模型;计算两次验证集上模型评价的差异,得到该特征的重要性指标;依据计算结果选择排名靠前的若干特征重构特征集。6.根据权利要求1所述的基于电网特征排列重要性的暂态稳定评估方法,其特征在于,所述将实时样本数据输入预先建立的暂态稳定评估模型,得到暂态稳定评估结果后,计算评价指标,所述评价指标包括准确率、精确率、召回率及F1分数;
所述准确率计算表达式为:其中,T表示真,预测对;F表示假,预测错;P表示阳性,预测为真;N表示阴性,预测为假;所述精确率计算表达式为:所述召回率计算表达式为:所述F1分数计算表达式为:7....
【专利技术属性】
技术研发人员:李欣蔚,王超,刘佳鑫,张强,郝建成,曾辉,孙俊杰,袁鹏,张晓珩,戈阳阳,董鹤楠,程绪可,张冠锋,赵晨浩,施任威,焦在滨,
申请(专利权)人:西安交通大学国家电网有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。