一种基于eGBDT的长期电压稳定精细化评估方法技术

一种基于eGBDT的长期电压稳定精细化评估方法属于电力系统运维领域。本发明专利技术能够利用广域在线量测的母线电压幅值和相角数据，计算负荷裕度指标并实现电压稳定性精细化分类。同时，该方法中采用单边梯度采样法和互斥特征捆绑技术，实现了高维量测数据空间的降维和特征压缩，有效提高了传统GBDT方法对海量量测数据的处理效率。本发明专利技术所提方法在继承传统GBDT方法高精度估计效果的同时，极大提升了对于海量量测数据的处理能力。本发明专利技术针对可再生能源大规模接入带来的不确定性分析有更强的鲁棒性；在处理不完整的量测数据和不同的训练数据集大小时具有较好的适用性。因此，本发明专利技术所提方法具有很好的实际应用价值。法具有很好的实际应用价值。法具有很好的实际应用价值。

【技术实现步骤摘要】
一种基于eGBDT的长期电压稳定精细化评估方法


[0001]本专利技术属于电力系统运维
，特别是涉及到一种基于eGBDT的长期电压稳定精细化评估方法。

技术介绍

[0002]随着互联电网规模的扩张、新能源高比例并网以及用电负荷的逐步增长，电力系统越来越接近其极限状态，增加了发生电压失稳的风险。因此，长期电压稳定在线监测和评估对于保证电力系统安全稳定至关重要。相关学者和研究人员提出了包括连续潮流(CPF)计算的P
‑
V曲线法、最优潮流方法和基于戴维南等效等方法用于电压稳定评估，但上述方法存在建模困难、在线计算效率低等问题。随着广域量测装置在电力系统中广泛应用，基于机器学习的电压稳定在线评估研究成果大量涌现，如基于支持向量机(SVM)、人工神经网络(ANN)和决策树(DT)的电压稳定评估方法。近年来，通过对DT进行集成和提升的方法受到广泛关注。随机森林(RF)和梯度提升决策树(GBDT)算法是集成学习的杰出代表。但是，由于系统规模的不断扩大和可再生能源的大量接入使得系统量测数据维数急剧增加，导致利用GBDT方法评估电压稳定时，计算效率低，严重影响后续稳定控制的制定和实施。
[0003]综上所述，现有技术当中亟需一种有效的针对大规模高维量测数据快速处理的高性能方法来解决此类问题，从而实现电压稳定快速在线评估。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种基于eGBDT的长期电压稳定精细化评估方法用于解决在电力系统规模逐步扩张以及大规模新能源广泛接入场景下传统的梯度下降树(GBDT)算法计算效率低的技术问题。
[0005]一种基于eGBDT的长期电压稳定精细化评估方法，包括以下步骤并且以下步骤顺次进行：
[0006]步骤一、建立用于电压稳定评估的负荷裕度指标K
p
，并进一步将负荷裕度指标K
p
的大小和母线电压幅值，将系统电压稳定状态精细化划分为：安全状态，警告状态和紧急状态；
[0007]步骤二、利用梯度下降树GBDT方法，构建由多个不同的回归树集成的GBDT模型，根据给定的训练集数据，以对数近似损失函数最小为目标，按照最大负梯度的方向不断迭代训练GBDT模型，构造电压稳定精细化评估模型；
[0008]步骤三、采用单边梯度采样法GOSS和互斥特征捆绑技术HEEFB对电压稳定精细化评估模型获得的量测数据进行空间降维和特征压缩，实现海量量测数据的降维，进一步构建基于eGBDT的电压稳定评估模型，提升GBDT模型的评估效率；
[0009]步骤四、将在线获取的各母线电压和母线相角量测数据作为eGBDT模型输入，得到电压稳定精细化评估结果并具体显示电压处于安全状态S、警告状态W或紧急状态E，从而实现新能源高占比电力系统长期电压稳定性精细化在线评估。
[0010]所述步骤一中负荷裕度指标K
p
公式如下：
[0011][0012]其中，K
p
为负荷裕度指标，其表示母线当前运行点到电压稳定临界点的距离；λ0是母线当前状态的负荷参数，λ
max
是母线电压稳定临界状态的负荷参数。
[0013]所述步骤一中将系统电压稳定状态精细化划分为：安全状态，警告状态和紧急状态的具体条件如下：
[0014](1)安全状态：运行正常状况下K
p
>7％且V
i
≥0.9p.u.或故障情况下K
p
>5％且V
i
≥0.9p.u.；
[0015](2)警告状态：运行正常状况下K
p
>7％且V
i
≤0.9p.u.；
[0016](3)紧急状态：运行正常情况下K
p
<7％或故障状况下K
p
<5％；
[0017]其中，V
i
为系统电压幅值，p.u.表示标幺值。
[0018]所述步骤二中构造电压稳定精细化评估模型，具体包括以下步骤：
[0019]给定训练集，训练集中包括输入数据及对应的电压稳定状态标签，其中安全状态的标签为S，警告状态的的标签为W，紧急状态的标签为E，如式(2)所示：
[0020][0021]其中，n表示负荷母线的数量；i表示第i个系统运行工况；表示第i个母线的电压幅值；表示第i个母线的电压相角；x
i
表示第i个运行工况下输入样本；y
i
表示第i个工况对应的样本标签；
[0022]定义对数近似损失函数L(y,f(x))，表示为电压稳定分类预测值与真实值之差，得到公式(3)：
[0023][0024]其中，概率函数p
k
(x)是所预测的样本x属于k类的概率：y
i
是样本标签，y
i
∈{0,1}，目标分类与预测分类一致，则y
i
＝1，反之，目标分类与预测分类不一致，则y
i
＝0；f(x)是由k个不同的回归树集成的GBDT模型；
[0025]按照公式(4)定义的负梯度误差函数方向反复训练梯度下降树GBDT模型，使得损失函数最小，得到最终的增强型梯度下降树eGBDT模型：
[0026]负梯度误差函数：
[0027]其中，t为迭代次数；是第t次迭代的第i个样本对应类别k的负梯度误差函数；x
i
,是上一轮迭代得到的拟合样本参数；p
kt
(x
i
)表示第t次迭代时所预测样本x的概率；f(x
i
)表示前i个回归树集成的GBDT模型；
[0028]梯度下降树GBDT模型训练过程中，以对数近似损失函数最小为目标，按照最大负梯度的方向不断迭代，从而利用前一次迭代的样本值x
i
,更新当前样本值x
i
，最终实现了将GBDT模型由f
t
‑1(x)更新为f
t
(x)，即完成GBDT模型的构建。
[0029]所述进一步构建基于eGBDT的电压稳定评估模型的具体步骤为：
[0030](1)采用单边梯度采样法GOSS通过对梯度的降序排列来降低电压稳定精细化评估模型获得降维后的量测数据，从而提高计算效率；
[0031]单边梯度采样法GOSS的每一步迭代首先计算量测数据的样本梯度，然后按照梯度绝对值对样本进行降序排列，设定比例阈值a，定义排序后样本的前a％为大梯度样本，全部保留；剩余的(1
‑
a)％样本为小梯度样本，随机抽样，抽样比例为b％；
[0032]为了保证抽样得到的小样本数据原始分布，再将小梯度样本数据乘上系数(1
‑
a)/b来放大小梯度样本的权重；
[0033](2)采用互斥特征捆绑技术HEEFB实现量测数据的特征压缩；
[0034]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于eGBDT的长期电压稳定精细化评估方法，其特征是：包括以下步骤并且以下步骤顺次进行：步骤一、建立用于电压稳定评估的负荷裕度指标K
p
，并进一步将负荷裕度指标K
p
的大小和母线电压幅值，将系统电压稳定状态精细化划分为：安全状态，警告状态和紧急状态；步骤二、利用梯度下降树GBDT方法，构建由多个不同的回归树集成的GBDT模型，根据给定的训练集数据，以对数近似损失函数最小为目标，按照最大负梯度的方向不断迭代训练GBDT模型，构造电压稳定精细化评估模型；步骤三、采用单边梯度采样法GOSS和互斥特征捆绑技术HEEFB对电压稳定精细化评估模型获得的量测数据进行空间降维和特征压缩，实现海量量测数据的降维，进一步构建基于eGBDT的电压稳定评估模型，提升GBDT模型的评估效率；步骤四、将在线获取的各母线电压和母线相角量测数据作为eGBDT模型输入，得到电压稳定精细化评估结果并具体显示电压处于安全状态S、警告状态W或紧急状态E，从而实现新能源高占比电力系统长期电压稳定性精细化在线评估。2.根据权利要求1所述的一种基于eGBDT的长期电压稳定精细化评估方法，其特征是：所述步骤一中负荷裕度指标K
p
公式如下：其中，K
p
为负荷裕度指标，其表示母线当前运行点到电压稳定临界点的距离；λ0是母线当前状态的负荷参数，λ
max
是母线电压稳定临界状态的负荷参数。3.根据权利要求2所述的一种基于eGBDT的长期电压稳定精细化评估方法，其特征是：所述步骤一中将系统电压稳定状态精细化划分为：安全状态，警告状态和紧急状态的具体条件如下：(1)安全状态：运行正常状况下K
p
>7％且V
i
≥0.9p.u.或故障情况下K
p
>5％且V
i
≥0.9p.u.；(2)警告状态：运行正常状况下K
p
>7％且V
i
≤0.9p.u.；(3)紧急状态：运行正常情况下K
p
<7％或故障状况下K
p
<5％；其中，V
i
为系统电压幅值，p.u.表示标幺值。4.根据权利要求1所述的一种基于eGBDT的长期电压稳定精细化评估方法，其特征是：所述步骤二中构造电压稳定精细化评估模型，具体包括以下步骤：给定训练集，训练集中包括输入数据及对应的电压稳定状态标签，其中安全状态的标签为S，警告状态的的标签为W，紧急状态的标签为E，如式(2)所示：其中，n表示负荷母线的数量；i表示第i个系统运行...

【专利技术属性】
技术研发人员：王丽馨，沙东鹤，杨德友，高晗，王鑫太，蔡国伟，
申请(专利权)人：国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：