贝叶斯优化LightGBM的暂态稳定评估方法技术

本发明专利技术公开了一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：获取电力系统的暂态稳定数据集；用暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。本发明专利技术可快速准确的对多重复杂不确定因素“组合数爆炸”下的暂态稳定状态进行评估，有利于实现电力系统暂态稳定的在线评估。

【技术实现步骤摘要】
贝叶斯优化LightGBM的暂态稳定评估方法
本专利技术涉及一种电力系统暂态稳定评估方法，尤其涉及一种贝叶斯优化LightGBM的暂态稳定评估方法。
技术介绍
随着风电、光伏等可再生能源大规模并网，其波动性、随机性、低惯性特性使得电力系统在暂态稳定评估与控制方面面临着巨大的挑战。众所周知，电力系统事故的早期阶段往往伴随着暂态故障，一旦调度员无法对暂态故障做出适当的决策并及时干预扰动，系统的暂态稳定水平可能会被破坏，甚至发展成一个随后的级联故障，这将导致大规模停电事故的发生。由于暂态事故发展速度快，响应时间短，故障后仅仅依靠调度人员的经验难以在极短的时间内做出正确的判断和决策。因此，迫切需要开发一种既快速又准确、能够实现实时在线的暂态稳定评估工具。目前，对于暂态稳定评估，相关专家学者提出了3种研究方法，分别是时域仿真法、直接法和人工智能法。在离线暂态稳定评估中，时域仿真法是最成熟和可靠的方法。然而，时域仿真存在计算量大、运算耗时长等固有缺陷，只适用于离线仿真分析。直接法可实现较高的精度，可直接法的适应性较差，得到的结果也是趋于保守的。近年来，在研究领域，人工智能技术被探索运用于暂态稳定评估，例如决策树、极限学习机、支持向量机、随机森林、XGBoost、深度信念网络以及卷积神经网络。然而，决策树容易过拟合；在处理大规模电力系统数据时，极限学习机对输入特征的提取能力受到限制；支持向量机容易对噪音敏感，对大数据的处理能力也较弱；随机森林可以处理高维度数据样本，然而计算量较大；XGBoost的分类性能弱于LightGBM；深度信念网络和卷积神经网络有较好的特征提取能力和泛化能力，可自动地确定网络的最佳参数的问题仍然没有得到有效解决。
技术实现思路
本专利技术的目的是提供一种贝叶斯优化LightGBM的暂态稳定评估方法，该方法可以对多重复杂不确定因素“组合数爆炸”下的电力系统暂态稳定状态实现快速预测，通过贝叶斯优化的LightGBM挖掘输入物理特征与故障后电力系统运行状态的映射关系，实现对暂态稳定状态的快速评估。本专利技术通过下述技术方案实现：一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。本专利技术提出的一种贝叶斯优化LightGBM的暂态稳定评估方法，选取故障发生时母线电压U、母线相角θ、线路有功功率P和有功功率Q作为输入特征。通过选择特征重要程度高的特征作为输入数据来降低数据维度和利用贝叶斯可实现快速确定LightGBM的最佳参数，训练好的LightGBM运用于电力系统暂态稳定评估。其中，重要程度高的特征是指，统计每个数据的总分裂次数作为重要程度得分，然后将单个数据的分裂次数/所有数据中最大的总分裂次数，即，将重要程度得分转化到[0，1]，当重要程度得分大于设定的阈值时，即为重要程度高的特征。基于贝叶斯优化的LightGBM方法选择重要特征，极大降低了数据维度，有效剔除冗余数据。此方法具有强大的非线性映射能力、能够有效表征复杂函数、预测精度高，泛化能力强，可准确预测不稳定样本。同时，较好地解决传统神经网络算法过拟合、局部最优等难以解决的问题。进一步地，所述S2具体包括：S21：对步骤S1中获取的暂态稳定数据集内的数据进行归一化预处理；S22：用步骤S21中归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集；S23：将步骤S22中的低维度数据集分为训练样本数据和测试样本数据；S24：利用步骤S23中的训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用步骤S23中的测试样本数据对已经训练好的LightGBM进行测试。进一步地，所述S3具体包括：S31：制定进行电力系统暂态稳定在线评估的电力系统故障集；S32：根据步骤S31中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，并将获取的数据进行归一化处理；S33：将步骤S32中进行归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果。进一步地，步骤S1所述的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P和无功功率Q。进一步地，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。一种贝叶斯优化LightGBM的暂态稳定评估系统，包括：数据输入模块，用于输入电力系统的暂态稳定数据，并将输入的数据传输给离线训练模块；离线训练模块，用于接收数据输入模块传输的暂态稳定数据，并根据获取的暂态稳定数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM，将训练好的LightGBM传输给在线评估模块；在线评估模块，用于接收离线训练模块已经训练好的LightGBM，并在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理；结合离线训练模块已经训练好的LightGBM，从而得到电力系统故障后该电力系统暂态稳定评估结果。本专利技术提出的一种贝叶斯优化LightGBM的暂态稳定评估系统主要包括两个模块：基于贝叶斯优化的LightGBM离线训练模块和扰动事故后电力系统暂态稳定在线评估模块，其中，离线训练模块的主要功能是根据训练样本，离线获取训练好的贝叶斯优化的LightGBM，以便在线应用。其主要是通过兼顾历史数据库和离线时域仿真数据，对数据进行归一化处理，选择特征重要程度高的数据构建低维度数据集，然后将低维度数据分为训练样本数据和测试样本数据，并利用训练样本数据对网络进行训练，采用贝叶斯优化确定LightGBM的最佳参数，以提高贝叶斯优化的LightGBM的预测准确率和泛化能力。扰动事故后电力系暂态稳定评估的在线模块的主要功能是在线获取扰动事故后电力系统暂态稳定评估所需数据，对数据进行预处理并输入已经离线训练好的LightGBM中，得到暂态稳定评估结果。进一步地，所述离线训练模块包括离线训练模块A和离本文档来自技高网...

【技术保护点】
1.一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，包括以下步骤：/nS1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；/nS2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；/nS3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，将获取的数据输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。/n

【技术特征摘要】
1.一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，包括以下步骤：
S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；
S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；
S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，将获取的数据输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。


2.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，所述S2具体包括：
S21：对步骤S1中获取的暂态稳定数据集内的数据进行归一化预处理；
S22：用步骤S21中归一化预处理后的暂态稳定数据集内的数据训练LightGBM，同时在训练过程中，记录暂态稳定数据集内单个数据的总分裂次数与所有数据中分裂次数最多的比值，选择比值大于设定阈值的数据构建低维度数据集；
S23：将步骤S22中的低维度数据集分为训练样本数据和测试样本数据；
S24：利用步骤S23中的训练样本数据再次训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；同时利用步骤S23中的测试样本数据对已经训练好的LightGBM进行测试。


3.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，所述S3具体包括：
S31：制定进行电力系统暂态稳定在线评估的电力系统故障集；
S32：根据步骤S31中电力系统故障集中的任一故障，获取用于评估该故障后电力系统暂态稳定的相关数据，并将获取的数据进行归一化处理；
S33：将步骤S32中进行归一化处理的数据输入已离线训练好的LightGBM中，得到故障后该电力系统运行状况稳定或不稳定的评估结果。


4.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，步骤S1所述的暂态稳定数据集包括母线电压U、母线相角θ、线路有功功率P和无功功率Q。


5.根据权利要求1所述的一种贝叶斯优化LightGBM的暂态稳定评估方法，其特征在于，采用准确率Ac、召回率Rec和精度Pre作为暂态稳定评估的评价指标，表达式分别为：









式中：TP为稳定样本被准确评估为稳定样本的数目；FP为稳定样本被误判为不稳定样本的数目；TN为不稳定样本被准确评估为不稳定样本的数目；FN为不稳定样本被误判为稳定样本的数目。


6.一种贝叶斯优化LightGBM的暂态稳定评估系统，其特征在于，包括：
数据输入模块，用于输入电力系统的暂态稳定数据，并将输入的数据传输给离线训练模块；
离线训练模块，用于接收数据输入模块传输...

【专利技术属性】
技术研发人员：汪荣华，苟竞，刘方，苏韵掣，欧阳雪彤，陈谦，唐权，胥威汀，李婷，王云玲，
申请(专利权)人：国网四川省电力公司经济技术研究院，
类型：发明
国别省市：四川;51