一种基于代价敏感多变量决策树的暂态电压稳定预测方法技术

本发明专利技术提出一种基于代价敏感多变量决策树(HCS

【技术实现步骤摘要】
一种基于代价敏感多变量决策树的暂态电压稳定预测方法


[0001]本专利技术属于电网电压预测
，尤其涉及一种基于代价敏感多变量决策树的暂态电压稳定预测方法。

技术介绍

[0002]我国已形成世界上规模最大、结构最复杂的高比例可再生能源接入电网。为避免出现类似印度、阿根廷、美国大停电等特大安全事故，暂态电压稳定分析是保证电力系统安全运行的一项重要内容。近年来，广域测量系统(WAMS)的快速发展很大程度促进了现代电网高效可靠的在线态势感知，特别是在电网中广泛部署相量测量单元(PMU)的情况下，暂态电压稳定性预测可以同步获取大量PMU数据以捕获实时系统状态。以PMU数据为基础可靠执行数据驱动的暂态电压稳定预测成为可能。
[0003]对于如何从海量数据中进行挖掘，国内外学者已开展相关研究。在基于响应的暂态电压稳定分析方面，较为常见的方法包括能量函数法以及近年来发展迅速的人工智能法等。其中，相较神经网络等“黑箱”算法，以决策树为代表的预测方法因可以生成可视化解析判据、算法简单且泛化能力强，非常适于挖掘暂态电压稳定预测中的潜在规律，并已初步应用到实际电力系统。
[0004]目前，基于决策树的暂态稳定预测方法绝大多数采用单变量决策树，即通过比较单一特征与阈值大小来构造内部节点，其决策边界总是与变量轴平行。然而，单变量决策树并不能直接捕获非平行轴的决策边界，其必须通过连续轴平行边界来近似，这会导致单变量决策树模型相当复杂。实际系统电气量间总是存在某种相关性，仅采用单变量决策树构建判稳规则不能有效捕获变量间的相互关系，限制了算法准确率与泛化能力提升。此外对于实际电力系统而言，若暂态失稳工况误判为稳定工况且未得到及时处理，往往会演变为大范围电压崩溃事故，造成严重后果。这要求预测方法对失稳工况应做到精准识别。因此，如何对可解释性良好的决策树算法加以改进，以更适合用于暂态电压稳定预测是目前亟需解决的问题。

技术实现思路

[0005]针对上述问题，本专利技术提出了一种基于代价敏感多变量决策树的暂态电压稳定预测方法，其特征在于，包括如下步骤：
[0006]步骤1、样本获取与特征生成：基于实际系统仿真模型生成暂态样本，将生成的暂态样本集中于暂态样本库，提取相应特征并降维，各维度特征均经标准化处理，形成暂态特征集；
[0007]步骤2、模型构建及训练：使用含代价敏感的支持向量机(CS
‑
SVM)构建多变量决策树(MDT)内部节点，利用SVM机器学习算法自动寻找最优决策超平面并最大化失稳类样本裕度，引入分级自适应HSA准则来实现早期预测能力，减少失稳样本预测时长，构建HCS
‑
MDT模型；将所述步骤1中的暂态特征集输入HCS
‑
MDT模型，对其进行训练，利用HCS
‑
MDT各级分类
器内部节点最优决策超平面方程提取分级多组合特征判稳规则；
[0008]步骤3、暂态电压稳定在线预测：在所建立的HCS
‑
MDT基础上，利用步骤2提取的判稳规则进行在线预测。
[0009]具体地，在CS
‑
SVM中，对两类样本施加不同惩罚参数来构建目标函数：
[0010][0011]s.t.y
i
(w
T
φ(x
i
)+b)≥1
‑
ξ
i
[0012]ξ
i
≥0,i＝1,...,l
[0013]式中，为结构代价；C为惩罚参数，ξ
i
为松弛变量；φ(x
i
)可将x
i
映射到高维空间；为改进后的经验代价，代表假正类和假负类的经验代价总和；c
+
和c
‑
分别为正类样本和负类样本代价敏感系数，二者和为1，构成代价敏感矩阵c＝[c
+
,c
‑
]；二分类训练向量x
i
∈R
n
(i＝1,,l)及y
i
∈{1,
‑
1}的标签向量y∈R
l
；
[0014]解决以下对偶问题：
[0015][0016]s.t.0≤α
i
≤c
+
*C,if y
i
＝1
[0017]0≤α
i
≤c
‑
*C,if y
i
＝
‑1[0018]y
T
α＝0
[0019]其中，e＝[1,...,1]T
为全1向量，Q为l
×
l半正定阵；Q
ij
≡y
i
y
j
K(x
i
,x
j
)，K(x
i
,x
j
)≡φ(x
i
)
T
φ(x
j
)为核函数；
[0020]在求解上式的二次规划问题后，使用原始
‑
对偶关系，最优w
*
满足
[0021][0022]最优偏置b
*
可由KKT条件获得；
[0023]决策函数为：
[0024][0025]代价敏感最优决策超平面为：
[0026][0027]进一步，基于传统CART模型，将内部节点利用最优决策超平面取代原始单变量分界面进行分类，最优决策超平面将对应样本划分后，为此节点创建两个分支，左分支用于存储距离决策超平面为正的样本，右分支用于存储距离决策超平面为负的样本。
[0028]更进一步，左分支和右分支的分裂原则采用Gini增益Δg，计算方法为：
[0029][0030][0031]式中，t为待分节点，t
l
为划分的左子节点，t
r
为划分的右子节点，p
i
为类别i在节点t所有样本n
t
中所占比例，为t
l
所含样本数，为t
r
所含样本数；设定分裂阈值Δg
set
，若Δg＜Δg
set
，则无需继续划分，该节点为叶子节点，所含样本中类别更多的一类为该叶子节点的类别；若Δg≥Δg
set
，则需继续分裂。
[0032]更进一步，代价敏感系数c的确定方法为，设置一定搜索步长η，采用网格搜索法从初始c0逐步改变c
+
和c
‑
，生成该c下最优CS
‑
MDT，搜索至负类误判率最小后停止。
[0033]进一步，将HSA预测方法与CS
‑
MDT结合，在各级预测节点，使用故障发生时刻T0至该时刻{T1，T2，
…
，T
f
}时空特征构建CS
‑
MDT，某样本预测结果根据自适应MO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于代价敏感多变量决策树的暂态电压稳定预测方法，其特征在于，包括如下步骤：步骤1、样本获取与特征生成：基于实际系统仿真模型生成暂态样本，将生成的暂态样本集中于暂态样本库，提取相应特征并降维，各维度特征均经标准化处理，形成暂态特征集；步骤2、模型构建及训练：使用含代价敏感的支持向量机(CS
‑
SVM)构建多变量决策树(MDT)内部节点，利用SVM机器学习算法自动寻找最优决策超平面并最大化失稳类样本裕度，引入分级自适应HSA准则来实现早期预测能力，减少失稳样本预测时长，构建HCS
‑
MDT模型；将所述步骤1中的暂态特征集输入HCS
‑
MDT模型，对其进行训练，利用HCS
‑
MDT各级分类器内部节点最优决策超平面方程提取分级多组合特征判稳规则；步骤3、暂态电压稳定在线预测：在所建立的HCS
‑
MDT基础上，利用步骤2提取的判稳规则进行在线预测。2.根据权利要求1所述的一种基于代价敏感多变量决策树的暂态电压稳定预测方法，其特征在于：所述CS
‑
SVM中，对两类样本施加不同惩罚参数来构建目标函数：s.t.y
i
(w
T
φ(x
i
)+b)≥1
‑
ξ
i
ξ
i
≥0,i＝1,...,l式中，为结构代价；C为惩罚参数，ξ
i
为松弛变量；φ(x
i
)可将x
i
映射到高维空间；为改进后的经验代价，代表假正类和假负类的经验代价总和；c
+
和c
‑
分别为正类样本和负类样本代价敏感系数，二者和为1，构成代价敏感矩阵c＝[c
+
,c
‑
]；二分类训练向量x
i
∈R
n
(i＝1,
…
,l)及y
i
∈{1,
‑
1}的标签向量y∈R
l
；解决以下对偶问题：s.t.0≤α
i
≤c
+
*C,if y
i
＝10≤α
i
≤c
‑
*C,if y
i
＝
‑
1y
T
α＝0其中，e＝[1,...,1]
T
为全1向量，Q为l
×
l半正定阵；Q
ij
≡y
i
y
j
K(x
i
,x
j
)，K(x
i
,x
j
)≡φ(x
i
)
T
φ(x
j
)为核函数；在求解上式的二次规划问题后，使用原始
‑
对偶关系，最优w
*
满足最优偏置b
*
可由KKT条件获得；决策函数为：
代价敏感最优决策超平面为：3.根据权利要求2所述的一种基于代价敏感多变量决策树的暂态电压稳定预测方法，其特征在于：基于传统CART模型，将内部节点利用最优决策超平面取代原始单变量分界面进行分类，最优决策超平面将对应样本划分后，为此节点创建两个分支，左分支用于存储距离决策超平面为正的样本，右分支用于存储距离决策超平面为负的样本。4.根据权利要求3所述的一种基于代价敏感多...

【专利技术属性】
技术研发人员：甄永赞，阮程，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：