【技术实现步骤摘要】
本专利技术属于电网继电保护，涉及到一种继电保护整定方法，特别是一种基于机器学习技术的融合式继电保护整定方法。
技术介绍
1、随着电网快速发展，电网继电保护整定计算工作已普遍从手工整定进入到计算机整定时代，网省地各级调度均配置了整定计算软件，采用继电保护整定计算软件开展了原理级计算和装置级定值计算。继电保护整定原则方案的配置多依据整定规程设置，结合地区特点和人工经验，选择相关的整定原则。通常情况下，整定规程中的原则是针对所有电网的通用规则，对不同地区，不同电压等级的电网，整定计算人员会结合自己的经验进行整定计算。会存在整定方案不规范，不统一的情况。例如k近邻模型，用它进行整定时准确度并不稳定，在某些场景下可以达到99％以上，但有些场景下只能达到91％，这对于整定自动化领域来说是无法接受的，因此该模型只能是在确定符合场景下才可以应用。
2、机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。在机器学习中，自变量x叫做特征(feature)，因变量y叫做标签(label)。而一批历史特征和一批历史标签的集合，就是机器学习的数据集。在已知数据集的基础上，通过反复的计算，选择最贴切的函数去描述数据集中自变量x1,x2,x3,…,xn和因变量y之间的因果关系。这个过程，称为机器学习的训练，即拟合。根据标签的特点，监督学习可以被分为两类：回归问题和分类问题。回归问题的标签是连续数值，分类问题的标签是离散性数值。采用机器学习技术的训练继电保护整定原则方案属于分类问题。因此本专利技
技术实现思路
1、本专利技术为了解决整定方案不规范、不统一且模型整定准确率不稳定的技术问题，设计了一种基于机器学习技术的融合式继电保护整定方法，通过比较不同算法训练出的模型准确率，进而采用不等权投票方法进行算法的融合，进而得到性能最优准确率最高的训练模型，将此训练模型用于对电网的整定。
2、本专利技术采用的技术方案是，一种基于机器学习技术的融合式继电保护整定方法，包括构建历史数据集，用模型对历史数据集进行学习，以及用模型选定整定原则进行整定的过程，关键是，用模型选定整定原则进行整定的方法是以随机森林模型、k近邻模型、梯度提升决策树模型、xgboost模型、自适应集成模型、决策树模型和支持相量机模型为基础，通过每个模型分别对所有整定原则进行投票，以上七个模型均借助粒子群算法进行预测准确度，最终在线路整定范围内选定一种预测准确度最高的整定原则进行整定，具体步骤包括：
3、a、对以上七个模型随机生成i组权重pi，记为
4、pi＝[p1i，p2i，p3i，p4i，p5i，p6i，p7i] 式1，
5、式1中，i是大于等于2的整数，p1i代表随机森林模型在第i组中的权重，p2i代表k近邻模型在第i组中的权重，p3i代表梯度提升决策树模型在第i组中的权重，p4i代表xgboost模型在第i组中的权重，p5i代表自适应集成模型在第i组中的权重，p6i代表决策树模型在第i组中的权重，p7i代表支持相量机模型在第i组中的权重；
6、b、所述的七个模型根据第1组权重p1对线路整定范围内所有的设备分别进行预测，得到对应选择的预测整定原则vni，记为
7、vni＝[v1n1，v2n1，v3n1，v4n1，v5n1，v6n1，v7n1] 式2，
8、式2中，v1n1，v2n1，v3n1，v4n1，v5n1，v6n1，v7n1依次代表随机森林模型、k近邻模型、梯度提升决策树模型、xgboost模型、自适应集成模型、决策树模型和支持相量机模型在第1组权重下的预测整定原则，并且将预测整定原则vni与每一个设备sn实际的整定原则vn0进行对比，得到在第1组权重p1下的每个模型预测的准确率f(sn)，记为
9、
10、式3中，vn0为第n个设备实际的整定原则，vni为第n个设备在第i组权重pi下预测的整定原则，n为正整数，sn代表第n个设备；
11、c、通过迭代算法对第1组权重p1进行迭代，并且重复步骤a和步骤b，得到在第1组权重p1下的最大准确率预测整定原则vn1max，并且记录下来最大准确率预测整定原则vn1max所对应的迭代后的第1组权重，记为
12、vn1max＝f[max(vni)] 式4，
13、d、重复步骤a、b、c，分别得到第2组权重p2、第3组权重p3……第i组权重pi下的最大准确率预测整定原则vn2max、vn3max……vnimax，再对每一组权重下的最大准确率预测整定原则所对应的准确率进行比较，选取准确率最大的预测整定原则作为线路整定范围内最终的整定原则进行整定。
14、所述的步骤b中，每个模型对所有设备进行预测整定原则时，预测准确率进一步优化处理，记为
15、
16、式5中，f(s)为每个模型在线路整定范围内所有设备预测整定原则后的总准确度，n代表设备的个数。
17、所述的历史数据集包括已知的基本信息、历史特征集与历史标签集，其中历史标签集字段信息为：支路名称、厂站名称、躲线路末端故障i段、躲变压器其他侧i段、保本线路末端故障有灵敏度i段、保本线路末端故障有灵敏度不小于1.5倍灵敏度ii段、躲变压器其他侧故障ii段、与相邻线路相间距离i/ii段配合ii段、与相邻线路纵联保护/相间距离ii段配合ii段、保本线路末端故障有灵敏度iii段、与相邻线路相间距离ii/iii段配合iii段、躲线路最大负荷电流整定iii段、保变压器低压侧故障有灵敏度iii段、相邻变压器高压侧后备过流保护配合整定iii段、躲变压器其他侧故障整定iii段。
18、所述的步骤a中，生成i组权重时包括权重的理论极值、默认初值以及随机值。
19、本专利技术的有益效果是，本专利技术将七种学习模型进行融合，利用了各个模型中的优势和特点，分别赋予不同的权重进行融合形成了最终的学习模型，使得准确度有一定的提高，而且可以稳定在很小的范围内。
本文档来自技高网...【技术保护点】
1.一种基于机器学习技术的融合式继电保护整定方法，包括构建历史数据集，用模型对历史数据集进行学习，以及用模型选定整定原则进行整定的过程，其特征在于：用模型选定整定原则进行整定的方法是以随机森林模型、K近邻模型、梯度提升决策树模型、XGBoost模型、自适应集成模型、决策树模型和支持相量机模型为基础，通过每个模型分别对所有整定原则进行投票，以上七个模型均借助粒子群算法进行预测准确度，最终在线路整定范围内选定一种预测准确度最高的整定原则进行整定，具体步骤包括：
2.根据权利要求1所述的一种基于机器学习技术的融合式继电保护整定方法，其特征在于：所述的步骤b中，每个模型对所有设备进行预测整定原则时，预测准确率进一步优化处理，记为
3.根据权利要求1所述的一种基于机器学习技术的融合式继电保护整定方法，其特征在于：所述的历史数据集包括已知的基本信息、历史特征集与历史标签集，其中历史标签集字段信息为：支路名称、厂站名称、躲线路末端故障I段、躲变压器其他侧I段、保本线路末端故障有灵敏度I段、保本线路末端故障有灵敏度不小于1.5倍灵敏度II段、躲变压器其他侧故障II段、与相
4.根据权利要求1所述的一种基于机器学习技术的融合式继电保护整定方法，其特征在于：所述的步骤a中，生成i组权重时包括权重的理论极值、默认初值以及随机值。
...【技术特征摘要】
1.一种基于机器学习技术的融合式继电保护整定方法，包括构建历史数据集，用模型对历史数据集进行学习，以及用模型选定整定原则进行整定的过程，其特征在于：用模型选定整定原则进行整定的方法是以随机森林模型、k近邻模型、梯度提升决策树模型、xgboost模型、自适应集成模型、决策树模型和支持相量机模型为基础，通过每个模型分别对所有整定原则进行投票，以上七个模型均借助粒子群算法进行预测准确度，最终在线路整定范围内选定一种预测准确度最高的整定原则进行整定，具体步骤包括：
2.根据权利要求1所述的一种基于机器学习技术的融合式继电保护整定方法，其特征在于：所述的步骤b中，每个模型对所有设备进行预测整定原则时，预测准确率进一步优化处理，记为
3.根据权利要求1所述的一种基于机器学习技术的融合式继电保护整定方法，其特征在于...
【专利技术属性】
技术研发人员：王新花，仇向东，于嘉骐，崔屹峰，李雪冬，郑朋，崔晓慧，孟伟，赵少飞，庞蕊，马青山，张军，王婷婷，邢辰辰，陈新，董丽薇，吴珊珊，王云飞，洪健，
申请(专利权)人：北京中恒博瑞数字电力科技有限公司，
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。