【技术实现步骤摘要】
本专利技术属于电力系统、稳定性评估，具体涉及一种基于集成学习抗噪的电力系统稳定评估方法。
技术介绍
1、在电力系统中,故障发生非常迅速。如果没有及时采取控制措施,可能会发生大规模的停电事故,这将导致巨大的社会危害。与此同时,错误的操作可能会加剧电力系统的不稳定性。因此,提高电力系统稳定性评估的准确性具有重要意义。随着pmu在电力系统中的发展,基于数据挖掘的机器学习逐渐成为研究热点,其精度高,计算速度快。该过程是通过大量的电力系统故障样本进行训练,以寻找样品特征与稳定条件之间的映射关系。当输入pmu测量数据时,可以通过构建模型来进行在线评估。
2、稳定评估的准确性取决于获得数据的可靠性。然而,pmu的测量可能受时间同步或相位的影响。此外,由于网络攻击或通信传输,传输到控制中心的数据可能受到不同噪声分布的干扰。通过离线训练获得的模型通常很难适应复杂的实际数据干扰,从而影响稳定给评估结果。
技术实现思路
1、为了克服现有技术存在的缺陷和不足，本专利技术提供一种基于集成学习抗噪的电力系统稳定评估方法，根据电力系统中出现的不同的噪声干扰情况，训练得到多个有针对性的考虑抗噪的稳定评估模型和一个噪声识别模型，并组合为集成学习模型，以提升复杂噪声干扰下的电力系统稳定评估的准确率。具体步骤如下：
2、1.通过仿真获得大量的训练样本，提取各条母线的特征量，以及样本的稳定性结果作为原始数据。
3、2.在原始数据中添加n组不同的噪声干扰，构建n组不同的噪声数据集，进而模
4、3.根据n组不同的噪声数据集，通过稀疏堆叠降噪自动编码器(ssdae)训练得到n个有针对性抗噪的稳定评估模型。根据对实际噪声分布的拟合，通过支持向量机(svr)训练噪声识别模型。然后，将有针对性的稳定评估模型和噪声识别模型组合为考虑抗噪的自适应稳定评估模型。
5、4.将实测的特征数据输入到组合评估模型，能够自适应地输出置信度高的稳定评估结果。
6、本专利技术解决其技术问题具体采用的技术方案是：
7、一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：
8、根据电力系统中出现的不同的噪声干扰情况，训练得到多个有针对性的考虑抗噪的稳定评估模型和一个噪声识别模型，并组合为集成学习模型，以提升复杂噪声干扰下的电力系统稳定评估的准确率，具体包括以下步骤：
9、步骤s1：通过仿真获得训练样本，提取各条母线的特征量，以及样本的稳定性结果作为原始数据；
10、步骤s2：在原始数据中添加n组不同的噪声干扰，构建n组不同的噪声数据集，进而模拟实际噪声情况；
11、步骤s3：根据n组不同的噪声数据集，通过稀疏堆叠降噪自动编码器ssdae训练得到n个有针对性抗噪的稳定评估模型；根据对实际噪声分布的拟合，通过支持向量机svr训练噪声识别模型；然后，将有针对性的稳定评估模型和噪声识别模型组合为考虑抗噪的自适应稳定评估模型；
12、步骤s4：将实测的特征数据输入到步骤s3获得的组合评估模型，以自适应地输出置信度高的稳定评估结果。
13、进一步地，在步骤s1中，提取各条母线的包括电压、电压相角和频率偏差的信息，并将故障发生时刻、故障清除时刻和故障清除后10个时刻的特征量，以及样本的稳定性结果作为原始数据。
14、进一步地，在步骤s2中，在原始数据中加入n组不同的高斯白噪声构建噪声数据以模拟真实的噪声分布，不同的噪声干扰强度用不同的信噪比表示。
15、进一步地，在步骤s3中，根据n组不同的噪声数据训练n个针对不同噪声干扰抗噪的稳定评估模型通过ssdae算法对进行训练；训练第i个模型mti的特征为噪声数据，如式(1)所示；
16、
17、其中，为第i组噪声数据；xo为原始数据；为第i组的高斯白噪声；
18、对于n个mt中的第i个模型其针对第i组噪声数据具有针对性的抗噪效果；在训练过程中，需要提升在其余n-1个噪声分布下的泛化性以提升集成模型的综合评估能力；首先，通过除第i组数据外其余的n-1组噪声数据以及样本的稳定性标签依次对ssdae的神经网络进行预训练，使得能够拟合这一系列噪声数据；第k次训练的输入数据为训练数据格式如下：
19、
20、其中，是第k组噪声数据，作为模型的输入数据；yo为样本真实的稳定评估标签，作为模型的输出数据；
21、然后，再通过第i组噪声数据对ssdae进行有针对性的训练；训练集如下所示：
22、
23、其中，是第i组噪声数据，作为模型的输入数据；yo为样本真实的稳定评估标签，作为模型的输出数据；
24、用于训练第i个模型的特征集如式(4)所示；
25、
26、对于n个分别通过不同的噪声数据集与真实的稳定评估标签进行训练；的训练集如式(5)所示；
27、
28、其中，ti为的训练集；为第i组特征集；yo为真实的稳定评估标签；
29、通过ssdae算法的神经网络结构，采用稀疏化处理的方法，以n组不同的训练集进行训练，以得到n个若噪声数据输入，n个能够输出n个数值为0-1的稳定评估结果。
30、进一步地，在步骤s3中，通过训练集的噪声数据训练得到噪声识别模型mr1和mr2；
31、其中，mr1能够输出的一组权重值，反映实际噪声的分布情况；权重值一一对应地赋予n个所输出的稳定评估结果；由n组噪声数据以及对应的n组权重标签训练得到mr1；在mr1的训练过程中，需构建噪声数据与权重值之间的映射关系；mr1的训练集如式(6)所示；
32、
33、其中，h为mr1的训练集；为第i组噪声数据集；为第i组噪声数据所对应的权重标签；通过训练集h对svr算法的神经网络结构进行训练，就能够得到mr1；
34、mr2能够输出噪声的信噪比，反映实际噪声的分布情况；由n组噪声数据以及对应的n组信噪比标签训练得到mr2；在mr2的训练过程中，需构建噪声数据与噪声信噪比之间的映射关系；mr2的训练集如式(7)所示；
35、
36、其中，g为mr2的训练集；为第i组噪声数据集；snri为第i组噪声数据所对应的信噪比标签；通过训练集g对svr算法的神经网络结构进行训练，以得到mr2。
37、进一步地，在步骤s4中，将n个一个mr1和一个mr2组合，从而构建基于集成学习数据抗噪的电力系统稳定评估模型；当实际受到噪声干扰的特征数据输入时，集成模型中n个和一个mr1、mr2模型同时输出结果；其中n个分别输出n个数值为0-1的评估结果(r1,r2,…,rn)；mr1输出一组权重值(w1,w2,…,wn)，mr2输出噪声信噪比snr；然后将权重值(w1,w2,…,wn)赋予n个评估结果(r1,r2,…,rn)，以及与mr2信噪比最接近的子模型rsnr输出结果进行组合，从本文档来自技高网...
【技术保护点】
1.一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：
2.根据权利要求1所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：在步骤S1中，提取各条母线的包括电压、电压相角和频率偏差的信息，并将故障发生时刻、故障清除时刻和故障清除后10个时刻的特征量，以及样本的稳定性结果作为原始数据。
3.根据权利要求1所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：在步骤S2中，在原始数据中加入n组不同的高斯白噪声构建噪声数据以模拟真实的噪声分布，不同的噪声干扰强度用不同的信噪比表示。
4.根据权利要求1所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：
5.根据权利要求4所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：在步骤S3中，通过训练集的噪声数据训练得到噪声识别模型MR1和MR2；
6.根据权利要求5所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：
【技术特征摘要】
1.一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：
2.根据权利要求1所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：在步骤s1中，提取各条母线的包括电压、电压相角和频率偏差的信息，并将故障发生时刻、故障清除时刻和故障清除后10个时刻的特征量，以及样本的稳定性结果作为原始数据。
3.根据权利要求1所述的一种基于集成学习抗噪的电力系统稳定评估方法，其特征在于：在步骤s2中，在原始数据中加入n组...
【专利技术属性】
技术研发人员：李永斌，杨明凯，李剑，王亦婷，卢国强，李延和，张启雁，梁英，赵东宁，王怀远，
申请(专利权)人：国网青海省电力公司，
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。