基于机器学习的稳定性指标构造方法及装置制造方法及图纸

本发明专利技术公开了一种基于机器学习的稳定性指标构造方法及装置，方法包括：获取稳定性指标的训练样本，训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；分别去掉稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；根据ASVM和CSVM的边界距离之差得到不稳定评估指标DD；根据ASVM和CSVM改造DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。该方法通过将SVM的优点与Ridge回归算法相结合得到稳定性指标表征系统稳定裕度，用于稳定性判断的辅助决策，从而提高紧急控制的决策能力与精度。

Construction Method and Device of Stability Index Based on Machine Learning

The invention discloses a method and device for constructing stability index based on machine learning, which includes: obtaining training samples of stability index, including stable samples and unstable samples; introducing relaxation variables into the constraints of support vector machine model SVM according to the preset requirements of stability index; removing the constraints of stable samples and unstable samples respectively. The relaxation variables are used to get the radical support vector machine model ASVM and the conservative support vector machine model CSVM; the instability evaluation index DD is obtained according to the difference of the boundary distance between ASVM and CSVM; the DD is modified according to ASVM and CSVM, and fitted with Ridge regression algorithm to construct the stability index. This method combines the advantages of SVM with Ridge regression algorithm to obtain stability index to represent the stability margin of the system, which can be used for assistant decision-making of stability judgment, so as to improve the decision-making ability and accuracy of emergency control.

【技术实现步骤摘要】
基于机器学习的稳定性指标构造方法及装置
本专利技术涉及电力系统网源协调管理
，特别涉及一种基于机器学习的稳定性指标构造方法及装置。
技术介绍
近年来，电力系统规模不断增大，电网特性越趋复杂；新能源的大量接入使得电力系统运行状态的不确定性和波动性都大大增加；已有设备的老化和损坏带来系统故障隐患。以上各种因素使得电网安全稳定运行难度不断增大，停电事故时有发生。导致这些停电事故的一个重要因素是在事故开始阶段，电网的调控中心无法迅速预测故障后系统暂态稳定性并采取有效的控制措施隔离故障避免事故扩大，甚至由于调度人员的误操作加剧事故的发展。由于电力系统事故发展速度快、时间短、涉及范围广，依靠人为的判断和操作不能达到准确可靠，因此准确而有效的故障后自动安全稳定分析和紧急控制决策是未来电力系统必不可少的环节之一。目前，电网运行普遍采用离线评估方式；在线评估的研究也较为成熟，在国内外电网皆有在线应用。这两种评估方式都是基于典型故障的仿真扫描完成的，无法完全考虑到实际运行中的各种情况，可能导致评估结果的准确性受到影响。在这种情况下，为了保证应用的保守性，系统运行的稳定裕度大，造成电力设备的浪费。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于机器学习的稳定性指标构造方法，该方法可以用于稳定性判断的辅助决策，能够提高紧急控制的决策能力与精度。本专利技术的另一个目的在于提出一种基于机器学习的稳定性指标构造装置。为达到上述目的，本专利技术一方面实施例提出了一种基于机器学习的稳定性指标构造方法，包括以下步骤：获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM(SupportVectorMachine，支持向量机)的约束条件中引入松弛变量；分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM(AggressiveSVM，激进型支持向量机)和保守支持向量机模型CSVM(ConservativeSVM，保守支持向量机)；根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。本专利技术实施例的基于机器学习的稳定性指标构造方法，基于机器学习算法中改良的SVM模型，提出了灰色地带的稳定性指标，并结合Ridge回归算法构造了实际紧急控制问题中稳定性指标，即将SVM的优点与Ridge回归算法相结合得到稳定性指标，其表征系统稳定裕度，用于稳定性判断的辅助决策，能够提高紧急控制的决策能力与精度。稳定性指标由CSVM和ASVM的规则表达式改造得到，在离线阶段通过Ridge回归拟合训练样本故障清除时间和故障极限清除时间的差距，并在实时阶段通过输入系统样本数据即可生成系统稳定性指标。另外，根据本专利技术上述实施例的基于机器学习的稳定性指标构造方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述支持向量机模型SVM的计算公式为：yi(wTφ(x)+b)≥1-ζi其中，n为训练样本的个数，(Xi,Yi)为第i个训练样本，φ(X)是从低维空间到高维空间的映射函数，ζ是松弛变量，С是对松弛变量的惩罚因子，c≥0，b是门槛值，w是超平面的参数向量。进一步地，在本专利技术的一个实施例中，所述保守支持向量机模型CSVM的计算公式为：其中，上标st表示稳定样本，上标un表示不稳定样本，m是稳定样本数，k是不稳定样本数；所述激进型支持向量机模型ASVM的计算公式为：进一步地，在本专利技术的一个实施例中，所述稳定性指标的指标值在数值上等于DT指标，其中，所述DT指标为故障极限清除时间与故障实际切除时间之差。进一步地，在本专利技术的一个实施例中，所述稳定性指标的计算公式为：其中，XTraining为CSVM和ASVM使用的训练样本输入，Xst和yst为稳定样本的输入和输出，稳定样本的数量记为m，Xun和yun为不稳定样本的输入和输出不稳定样本的数量记为k，上标为CSVM的参数由CSVM训练得到，上标为ASVM的参数由ASVM训练得到。为达到上述目的，本专利技术另一方面实施例提出了一种基于机器学习的稳定性指标构造装置，包括：获取模块，用于获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；引入模块，用于根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；去除模块，用于分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；处理模块，用于根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；构造模块，用于根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。本专利技术实施例的基于机器学习的稳定性指标构造装置，基于机器学习算法中改良的SVM模型，提出了灰色地带的稳定性指标，并结合Ridge回归算法构造了实际紧急控制问题中稳定性指标，即将SVM的优点与Ridge回归算法相结合得到稳定性指标，其表征系统稳定裕度，用于稳定性判断的辅助决策，能够提高紧急控制的决策能力与精度。稳定性指标由CSVM和ASVM的规则表达式改造得到，在离线阶段通过Ridge回归拟合训练样本故障清除时间和故障极限清除时间的差距，并在实时阶段通过输入系统样本数据即可生成系统稳定性指标。另外，根据本专利技术上述实施例的基于机器学习的稳定性指标构造装置还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述支持向量机模型SVM的计算公式为：yi(wTφ(x)+b)≥1-ζi其中，n为训练样本的个数，(Xi,Yi)为第i个训练样本，φ(X)是从低维空间到高维空间的映射函数，ζ是松弛变量，С是对松弛变量的惩罚因子，c≥0，b是门槛值，w是超平面的参数向量。进一步地，在本专利技术的一个实施例中，所述保守支持向量机模型CSVM的计算公式为：其中，上标st表示稳定样本，上标un表示不稳定样本，m是稳定样本数，k是不稳定样本数；所述激进型支持向量机模型ASVM的计算公式为：进一步地，在本专利技术的一个实施例中，所述稳定性指标的指标值在数值上等于DT指标，其中，所述DT指标为故障极限清除时间与故障实际切除时间之差。进一步地，在本专利技术的一个实施例中，所述稳定性指标的计算公式为：其中，XTraining为CSVM和ASVM使用的训练样本输入，Xst和yst为稳定样本的输入和输出，稳定样本的数量记为m，Xun和yun为不稳定样本的输入和输出不稳定样本的数量记为k，上标为CSVM的参数由CSVM训练得到，上标为ASVM的参数由ASVM训练得到。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术一个实施例的基于机器学习的稳定性指标构造方法的流程图；图2为根据本专利技术一个具体实施例的基于机器学习的稳定性指标构造方法的流程图；图3为根据本专利技术一个实施例的基于机器学习的稳本文档来自技高网...

【技术保护点】
1.一种基于机器学习的稳定性指标构造方法，其特征在于，包括以下步骤：获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；以及根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。

【技术特征摘要】
2019.01.16 CN 20191004159581.一种基于机器学习的稳定性指标构造方法，其特征在于，包括以下步骤：获取稳定性指标的训练样本，其中，所述训练样本包括稳定样本和不稳定样本；根据稳定性指标的预设要求在支持向量机模型SVM的约束条件中引入松弛变量；分别去掉所述稳定样本和不稳定样本的约束条件中的松弛变量得到激进型支持向量机模型ASVM和保守支持向量机模型CSVM；根据所述ASVM和所述CSVM的边界距离之差得到不稳定评估指标DD；以及根据所述ASVM和所述CSVM改造所述DD，并结合Ridge回归算法进行拟合，以构造稳定性指标。2.根据权利要求1所述的基于机器学习的稳定性指标构造方法，其特征在于，所述支持向量机模型SVM的计算公式为：yi(wTφ(x)+b)≥1-ζi其中，n为训练样本的个数，(Xi,Yi)为第i个训练样本，φ(X)是从低维空间到高维空间的映射函数，ζ是松弛变量，С是对松弛变量的惩罚因子，c≥0，b是门槛值，w是超平面的参数向量。3.根据权利要求1所述的基于机器学习的稳定性指标构造方法，其特征在于，所述保守支持向量机模型CSVM的计算公式为：其中，上标st表示稳定样本，上标un表示不稳定样本，m是稳定样本数，k是不稳定样本数；所述激进型支持向量机模型ASVM的计算公式为：4.根据权利要求1所述的基于机器学习的稳定性指标构造方法，其特征在于，所述稳定性指标的指标值在数值上等于DT指标，其中，所述DT指标为故障极限清除时间与故障实际切除时间之差。5.根据权利要求4所述的基于机器学习的稳定性指标构造方法，其特征在于，所述稳定性指标的计算公式为：其中，XTraining为CSVM和ASVM使用的训练样本输入，Xst和yst为稳定样本的输入和输出，稳定样本的数量记为m，Xun和yun为不稳定样本的输入和输出不稳定样本的数量记为k，上标为CSVM的参数由CSVM训练得到，上标为ASVM的参...

【专利技术属性】
技术研发人员：刘勤，胡伟，张毅，刘劲松，刘芮彤，李俭，张强，习学农，王晓华，罗林林，喻正春，孙树双，罗春林，朴京泽，母磊，蔡绍荣，纪大付，罗修明，冯达，
申请(专利权)人：国家电网有限公司，国网辽宁省电力有限公司电力科学研究院，清华大学，国网西藏电力有限公司，国家电网公司西南分部，
类型：发明
国别省市：北京,11