基于差分进化极限学习机的电力系统暂态稳定评估方法技术方案

本发明专利技术涉及一种基于差分进化极限学习机技术的电力系统暂态稳定评估方法，该方法首先使用电力系统仿真软件模拟各种典型运行方式下的故障数据，并从仿真数据中提取电气量特征，随后将最优特征集输入差分进化极限学习机进行暂态稳定评估，该方法与其他类型的极限学习机模型相比，具有较高的评估准确率，对于电力系统在线安全稳定评估具有重要意义。

Power System Transient Stability Assessment Method Based on Differential Evolution Limit Learning Machine

【技术实现步骤摘要】
基于差分进化极限学习机的电力系统暂态稳定评估方法
本专利技术涉及电力系统暂态稳定评估，特别是涉及一种基于差分进化极限学习机的电力系统暂态稳定评估方法。技术背景现代电力系统不断扩大的系统规模给调度运行带来了严峻的考验，不断复杂的网络结构，越来越多的重要负荷更使系统的安全稳定运行显得更加重要。电力系统暂态稳定聚焦系统在发生严重故障后的稳定性问题，是各类稳定性研究中最基本的问题。而近些年来，世界各地仍然多次发生严重的停电事故，并造成巨大的经济损失和社会影响。目前传统暂态稳定评估方法主要有时域仿真法和能量函数法。通过求解系统完整的故障轨迹，时域仿真方法可以进行系统稳定性的判别，其计算结果准确，但随着系统规模的不断扩大，仿真计算时长会成倍增加，因此具有很大局限性。而暂态能量函数法具有计算快捷的优点，但暂态能量函数法对复杂电力系统和详细模型的能量函数构造十分困难，甚至有时难以构造，因此限制了其方法的发展。广域测量系统和机器学习方法的快速发展为暂态稳定评估提供了新思路。广域测量系统可以很方便地传输从发生故障到清除故障期间的相关功角、功率以及电压等特征，而机器学习方法不需要建立复杂的数学模型，而是通过合适的输入输出量，即可建立一个对应的非线性映射，具有自学习能力强、评估速度快的优点，因此被专家学者运用于暂态稳定评估中。通常采用的机器学习方法有支持向量机、决策树以及神经网络法。近年来，极限学习机由于其适应能力强，训练及测试速度快，同时需要选取参数的参数少，因此成为当前解决分类、回归问题的热点模型。极限学习机在执行过程中只需设置网络的隐含层节点个数，不需要调整其随机产生的输入层权值和隐含层阈值，即可用高效地学习速率获得最优解，但也因此导致网络结果不稳定。为了提高极限学习机分类器的稳定性，专利技术了一种基于差分进化算法优化极限学习机的电力系统暂态稳定评估方法。所提方法提升了暂态稳定评估模型的鲁棒性，取得了很高的暂稳评估准确率，符合暂态稳定评估的应用要求。
技术实现思路
本专利技术要解决的技术问题是提供一种基于差分进化极限学习机的电力系统暂态稳定评估方法，以克服现有技术中存在的问题。为解决上述技术问题，本专利技术采用下述技术方案：基于差分进化极限学习机的电力系统暂态稳定评估方法，其特征在于，所述方法的步骤包括：步骤1：通过时域仿真法对电力系统典型运行方式下的故障进行仿真，得到原始的仿真数据；步骤2：对样本集进行数据归一化处理；步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0；步骤4：构建基于差分进化极限学习机的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致；步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集；步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：其中xj表示第j个特征原始特征值，x表示归一化后的特征值，和分别表示样本集中所有样本第j个特征的均值和标准差。所述步骤3中，对于每个样本，依据暂态稳定指标TSI来对其进行暂态稳定标注，TSI的公式为：其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。所述步骤4中，构建的极限学习机利用差分进化算法对其权值和阈值进行寻优，避免因随机初始化而造成极限学习机的不稳定。根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型。对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细的说明：图1示出本专利技术所述的一种基于差分进化极限学习机的电力系统暂态稳定评估方法流程图；图2示出本实例中新英格兰10机39节点系统的拓扑结构图。具体实施方式步骤1：通过时域仿真法对电力系统典型运行方式下的故障进行仿真，得到原始的仿真数据；步骤2：对样本集进行数据归一化处理；步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0；步骤4：构建基于差分进化极限学习机的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致；步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集；步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。所述步骤2中的归一化方法将对样本集进行归一化处理，归一化公式为：其中xj表示第j个特征原始特征值，x表示归一化后的特征值，和分别表示样本集中所有样本第j个特征的均值和标准差。所述步骤3中，对于每个样本，依据暂态稳定指标TSI来对其进行暂态稳定标注，TSI的公式为：其中Δδmax为发生扰动后4s末任意两台发电机功角差最大值。对于每个样本，如果TSI为正，则系统是稳定的，样本标签标注为1；如果TSI为负，系统是不稳定的，样本标签标注为0。所述步骤4中，构建的极限学习机利用差分进化算法对其权值和阈值进行寻优，避免因随机初始化而造成极限学习机的不稳定。根据权利要求1所述的评估方法，其特征在于：通过各种典型运行方式下的数据集，对步骤4中的暂态稳定评估模型进行参数寻优，保持最佳模型。对步骤6中的在线预测数据集，利用步骤4中保持好的评估模型，得到稳定评估结果。本专利技术的意义在于如下：本专利技术以差分进化极限学习机技术为基础，以易于采集的数据为输入，利用差分进化极限学习机搭建电力系统暂态稳定评估模型。该方法能够提高电力系统的暂态稳定评估准确率，具有一定的工程使用价值。下面通过一组实例对本专利技术进行进一步的说明。本实例通过常用暂态稳定评估仿真模型IEEE39节点仿真系统进行验证，利用中国电科院PSASP进行如下故障设置：发电机模型选择经典模型，故障类型选择三相短路，保护在0.2s时动作，切除故障后系统结构保持不变。分别在4种发电机出力类型，80％、90％、100％、110％、120％5个负荷水平下，60个不同的故障位置进行故障仿真，一共仿真出1200组数据集。随机选取900组作为训练样本，其余300组作为测试样本测试验证。表1与常用极限学习机正确率对比Tab.1Comparisonwiththeusualoptimizationmodelsinclassificationaccuracies将差分进化极限学习机与常用算法优化的极限学习机进行对比，再次验证了所提模型对极限学习机进行暂态稳定评估具有较好的提升。本文所描述的具体实施例仅作为本专利技术方法的应用举例说明，不能理解为对本专利技术的限制，本文档来自技高网...

【技术保护点】
1.一种基于差分进化极限学习机的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：通过时域仿真法对电力系统典型运行方式下的故障进行仿真，得到原始的仿真数据；步骤2：从原始数据中提取特征，并对特征进行数据归一化处理；步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0；步骤4：构建基于差分进化极限学习机的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致；步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集；步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。

【技术特征摘要】
1.一种基于差分进化极限学习机的电力系统暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：通过时域仿真法对电力系统典型运行方式下的故障进行仿真，得到原始的仿真数据；步骤2：从原始数据中提取特征，并对特征进行数据归一化处理；步骤3：根据暂态稳定指标对样本数据进行标注，稳定样本标注为1，不稳定样本标注为0；步骤4：构建基于差分进化极限学习机的暂态稳定评估模型，并将步骤3中标注好的数据集按8：2划分为训练集/测试集，各子集通过均匀随机抽样从总样本集中取出，保证稳定/失稳样本比例与总体样本一致；步骤5：利用步骤4中构建的训练集和测试集以评估准确率为标准对步骤4中的暂态稳定评估模型进行寻优，保存最佳精度的模型；步骤6：利用步骤2和步骤4对WAMS系统采集得到的新电力系统数据信息进行处理，构建测评数据集；步骤7：利用步骤5中的最佳精度模型对测评数据集进行评估，得到稳定性结果。2.根据权利要求1所述的评估方法，其特征在于：所述步骤2中的归一化方...

【专利技术属性】
技术研发人员：李向伟，许刚，刘向军，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11