一种电力系统暂态稳定评估的算例筛选方法及装置制造方法及图纸

本发明专利技术公开了一种电力系统暂态稳定评估的算例筛选方法及装置，该方法基于训练集中各算例的功角稳定裕度将训练集划分为若干子训练集，尽量规避不同标签的算例间存在“重叠区域”，算例特征参量则基于稳定机理的因果推断优选而得；采用支持向量机得到各子训练集中算例特征参量同算例标签间的映射关系，实现融合稳定机理和人工智能的强壮算例筛选。本发明专利技术在提升基于数据驱动的电力系统功角稳定分析泛化能力方面填补了技术空白，为进一步实现强不确定性下电力系统安全稳定自适应分析及控制，奠定了理论基础，具有重大的理论和工程意义。具有重大的理论和工程意义。具有重大的理论和工程意义。

【技术实现步骤摘要】
一种电力系统暂态稳定评估的算例筛选方法及装置


[0001]本专利技术属于电力系统及其自动化
，尤其涉及一种电力系统暂态稳定评估的算例筛选方法及装置。

技术介绍

[0002]随着智能电网建设的逐步推进，远距离大容量输电方式和高比例电力电子化引入了新的风险，大功率缺额事故和复杂连锁故障进一步加大了电力系统稳定分析与控制的难度。准确掌握大电网暂稳态势，实现在线安全稳定分析与控制，显得尤为重要。
[0003]物理系统复杂化和信息系统多源化对暂态稳定分析的准确性和高效性提出了更高要求，算例筛选是提升暂态稳定分析性能的可行方案，它通过消耗少量的计算代价快速筛除暂稳情形明确的故障，仅保留暂稳情形尚不明确的故障以详细分析，由此兼顾了分析准确性和高效性。
[0004]漏判(将实际失稳算例判定为稳定)和误判(将实际稳定算例判定为失稳)是衡量算例筛选效用的两大指标。由于漏判所导致的代价远大于误判代价，故一般对漏判“零容忍”。为尽可能降低漏判及误判率，研究重点主要集中在特征构建与筛选，以及学习算法的改进方面。
[0005]在特征构建与筛选方面，基于算例时变因素影响暂态稳定分析精度与速度矛盾特性的机理，提取基于简化程度不同的算法求得的量化指标及其比较信息，则可提供更为全面的暂稳特性指标。其缺陷在于，参数阈值的人工选取仍需耗费大量的人力。
[0006]在学习算法的改进方面，多采用基于不同参数的人工智能算法的集成，以规避可能的漏判。其缺陷在于，仍存在漏判的可能。

技术实现思路

[0007]本专利技术的目的在于提供一种电力系统暂态稳定评估的算例筛选方法及装置，选用支持向量机作为执行算例筛选的人工智能技术，采用基于因果分析得到的特征量作为样本输入参量，利用人工经验对训练集数据进行分层清理，设置动态的训练集，改善样本学习效用，达到降低漏判率的目的。
[0008]为达到上述目的，本专利技术采用的技术方案如下：
[0009]一种电力系统暂态稳定评估的算例筛选方法，包括：
[0010]获得训练集中各算例的功角稳定裕度所述训练集包括由电力系统中发生的故障形成的算例；
[0011]基于所获得的各算例的功角稳定裕度将训练集划分为至少两个的子训练集，并为各算例标注标签；所述标签包括稳定类、失稳类和不确定类；
[0012]计算各子训练集中各算例的输入特征参量；
[0013]分别对各子训练集的输入特征参量和标签间的映射关系进行学习，得到各子训练
集的SVM分类模型；
[0014]分层次地应用各SVM分类模型，得到各待评估算例所属的类别。
[0015]进一步的，所述获得训练集中各算例的功角稳定裕度包括，
[0016]对于训练集中的各算例，基于小步长逐步积分获得电力系统的受扰轨迹；
[0017]对所获取的电力系统的受扰轨迹采用集成EEAC算法计算训练集中各算例的功角稳定裕度
[0018]进一步的，所述基于所获得的各算例的功角稳定裕度将训练集划分为至少两个的子训练集，包括：
[0019]将训练集中的算例按功角稳定裕度分为裕度区间为(80,100]的“高度稳定”算例，裕度区间为[
‑
100,
‑
80)的“高度失稳”算例，和第一不确定类算例；
[0020]将“高度稳定”算例和第一不确定类算例构成子训练集1，将“高度失稳”算例和第一不确定类算例构成子训练集2；
[0021]将第一不确定类算例按功角稳定裕度分为裕度区间为(50,80]的“中度稳定”算例，裕度区间为[
‑
80,
‑
50)的“中度失稳”算例，和第二不确定类算例；
[0022]将“中度稳定”算例和第二不确定类算例构成子训练集4，将“中度失稳”算例和第二不确定类算例构成子训练集5；
[0023]将第二不确定类算例按功角稳定裕度分为裕度区间为(20,50]的“轻度稳定”算例，裕度区间为[
‑
50,
‑
20)的“轻度失稳”算例，和第三不确定类算例；
[0024]将“轻度稳定”算例和第三不确定类算例构成子训练集7，将“轻度失稳”算例和第三不确定类算例构成子训练集8。
[0025]进一步的，所述为各算例标注标签，包括：
[0026]对“高度稳定”算例和“高度失稳”算例组成的集合采用预设规则计算所属的标签，所述标签包括稳定类和失稳类；
[0027]对“中度稳定”算例和“中度失稳”算例组成的集合采用同样的预设规则计算所属的标签，所述标签包括稳定类和失稳类；
[0028]对“低度稳定”算例和“低度失稳”算例组成的集合采用同样的预设规则计算所属的标签，所述标签包括稳定类和失稳类；
[0029]将第一不确定类算例、第二不确定类算例和第三不确定类算例的标签均标注为不确定类。
[0030]进一步的，所述计算各子训练集中各算例的输入特征参量，包括：
[0031]对于各子训练集中的算例，基于大步长泰勒展开获得电力系统的受扰轨迹；
[0032]基于所述受扰轨迹分别采用静态EEAC算法、动态EEAC算法和集成EEAC算法获得算例i的功角稳定裕度和
[0033]根据间差异获得算例i的时变度σ
1.i
：
[0034][0035]采用静态EEAC算法执行极限计算获得算例i的临界清除时间和故障清除时间τ
i
；
[0036]将和τ
i
作为算例i的输入特征参量。
[0037]进一步的，所述分层次地应用各SVM分类模型包括：
[0038]计算待评估的各算例的输入特征参量，同时输入至SVM分类模型1和SVM分类模型2，得到各算例的所属标签，包括：稳定类、失稳类和不确定类；
[0039]将标签为不确定类的算例同时输入至SVM分类模型4和SVM分类模型5，得到各算例的所属标签；
[0040]将SVM分类模型4和SVM分类模型5输出为不确定类的算例同时输入至SVM分类模型7和SVM分类模型8，得到各算例的所属标签；
[0041]所述SVM分类模型1为采用子训练集1训练得到的SVM分类模型；所述SVM分类模型2为采用子训练集2训练得到的SVM分类模型；所述SVM分类模型4为采用子训练集4训练得到的SVM分类模型；所述SVM分类模型5为采用子训练集5训练得到的SVM分类模型；所述SVM分类模型7为采用子训练集7训练得到的SVM分类模型；所述SVM分类模型8为采用子训练集8训练得到的SVM分类模型。
[0042]本专利技术还提供一种电力系统暂态稳定评估的算例筛选装置，包括：
[0043]第一计算模块，用于获得训练集中各算例的功角稳定裕度所述训练集包括由电力系统中发生的故障形成的算例；
[0044]划分模块，用于基于所获得的各算例的功角稳定裕度将训练集划分为至少两个的子训练集，并为各算例标注标签；所述标签包括稳定类、失稳类和不确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统暂态稳定评估的算例筛选方法，其特征在于，包括：获得训练集中各算例的功角稳定裕度基于所述功角稳定裕度将训练集划分为至少两个的子训练集，并为各算例标注标签；其中所述标签包括稳定类、失稳类和不确定类；计算各子训练集中各算例的输入特征参量；分别对各子训练集的输入特征参量和标签间的映射关系进行学习，得到各子训练集的SVM分类模型；分层次地应用各SVM分类模型，得到各待评估算例所属的类别。2.根据权利要求1所述的一种电力系统暂态稳定评估的算例筛选方法，其特征在于，所述获得训练集中各算例的功角稳定裕度包括，对于训练集中的各算例，基于小步长逐步积分获得电力系统的受扰轨迹；对所获取的电力系统的受扰轨迹采用集成EEAC算法计算训练集中各算例的功角稳定裕度3.根据权利要求1所述的一种电力系统暂态稳定评估的算例筛选方法，其特征在于，所述基于所获得的各算例的功角稳定裕度将训练集划分为至少两个的子训练集，包括：将训练集中的算例按功角稳定裕度分为裕度区间为(80,100]的“高度稳定”算例，裕度区间为[
‑
100,
‑
80)的“高度失稳”算例，和第一不确定类算例；将“高度稳定”算例和第一不确定类算例构成子训练集1，将“高度失稳”算例和第一不确定类算例构成子训练集2；将第一不确定类算例按功角稳定裕度分为裕度区间为(50,80]的“中度稳定”算例，裕度区间为[
‑
80,
‑
50)的“中度失稳”算例，和第二不确定类算例；将“中度稳定”算例和第二不确定类算例构成子训练集4，将“中度失稳”算例和第二不确定类算例构成子训练集5；将第二不确定类算例按功角稳定裕度分为裕度区间为(20,50]的“轻度稳定”算例，裕度区间为[
‑
50,
‑
20)的“轻度失稳”算例，和第三不确定类算例；将“轻度稳定”算例和第三不确定类算例构成子训练集7，将“轻度失稳”算例和第三不确定类算例构成子训练集8。4.根据权利要求3所述的一种电力系统暂态稳定评估的算例筛选方法，其特征在于，所述为各算例标注标签，包括：对“高度稳定”算例和“高度失稳”算例组成的集合采用预设规则计算所属的标签，所述标签包括稳定类和失稳类；对“中度稳定”算例和“中度失稳”算例组成的集合采用同样的预设规则计算所属的标签，所述标签包括稳定类和失稳类；对“低度稳定”算例和“低度失稳”算例组成的集合采用同样的预设规则计算所属的标
签，所述标签包括稳定类和失稳类；将第一不确定类算例、第二不确定类算例和第三不确定类算例的标签均标注为不确定类。5.根据权利要求1所述的一种电力系统暂态稳定评估的算例筛选方法，其特征在于，所述计算各子训练集中各算例的输入特征参量，包括：对于各子训练集中的算例，基于大步长泰勒展开获得电力系统的受扰轨迹；基于所述受扰轨迹分别采用静态EEAC算法、动态EEAC算法和集成EEAC算法获得算例i的功角稳定裕度和根据间差异获得算例i的时变度σ
1.i
：采用静态EEAC算法执行极限计算获得算例i的临界清除时间和故障清除时间τ
i
；将σ
1.i
、和τ
i
作为算例i的输入特征参量。6.根据权利要求3所述的一种电力系统暂态稳定评估的算例筛选方法，其特征在于，所述分层次地应用各SVM分类模型包括：计算待评估的各算例的输入特征参量，同时输入至SVM分类模型1和SVM分类模型2，得到各算例的所属标签，包括：稳定类、失稳类和不确定类；将标签为不确定类的算例同时输入至SVM分类模型4和SVM分类模型5，得到各算例的所属标签；将SVM分类模型4和SVM分类模型5输出为不确定类的算例同时输入至SVM分类模型7和SVM分类模型8，得到各算例的所属标签；所述SVM分类模型1为采用子训练集1训练得到的SVM分类模型；所述SVM分类模型2为采用子训练集2训练得到的SVM分类模型；所述SVM分类模型4为采用子训练集4训练得到的SVM分类模型；所述SVM分类模型5为采用子训练集5训练得到的SVM分类模型；所述SVM分类模型7为采用子训练集7训练得到的SVM分类模型；所述SVM分类模型8为采用子训练集8训练得到的SVM分类模型。7.一种电力系统暂态稳定评估的...

【专利技术属性】
技术研发人员：黄天罡，薛禹胜，
申请(专利权)人：国电南瑞科技股份有限公司国网江苏省电力有限公司国网江苏省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：