一种电压稳定评估的训练集循环分裂训练方法技术

一种电压稳定评估的训练集循环分裂训练方法，它将高效样本集采用十倍交叉验证法分为训练集和测试集，将其送入到伞式NP分类器中进行模型离线训练，基于伞式算法对多种传统分离器进行改造，得到一系列对应NP分类器的伞式NP分类器；在模型训练阶段，在保证总体分类精度的前提下，根据一类分类错误和二类分类错误性质的不同基于伞式NP分类器对一类误分类错误设置一类分类错误阈值上限进行约束，并且通过设置训练集循环分裂训练次数M控制每种NP分类器的训练模式，获得一系列子NP分类器，并对各种类型的NP分类器的子NP分类器采用加权投票方式获得各NP分类器的稳定不稳定分类结果，从而优化VSA模型的分类性能。而优化VSA模型的分类性能。而优化VSA模型的分类性能。

【技术实现步骤摘要】
一种电压稳定评估的训练集循环分裂训练方法


[0001]本专利技术属于电力系统电压稳定评估领域，具体涉及一种电压稳定评估的训练集循环分裂训练方法，本专利技术是申请号为“2020104264273”专利技术名称为“基于伞式算法的电力系统电压稳定评估误分类约束方法”的专利技术专利的分案申请。

技术介绍

[0002]电力系统是世界上最复杂的工业系统之一，其安全运行一直是系统发展所关注的问题。近年来，现代电力系统的广域互联、可再生能源的投入、新设备的应用、负荷的快速增长、输电容量的局限性等趋势越来越明显。电力系统的运行负担越来越重，运行状态越来越接近极限。静态电压稳定作为一个备受关注的问题，许多大停电事故都与其相关，可能会造成巨大的经济损失和不良的社会影响。因此，进行可靠的电压稳定评估(Voltage Stability Assessment，VSA)已引起越来越多的研究人员的兴趣和研究，这对电力系统的安全运行具有重要意义。传统的分析方法用于实时VSA存在耗时、计算速度慢等缺陷，而目前基于数据驱动的解决方案也存在一些限制：
[0003]①
电力系统VSA中存在两种类型的误分类情况：将不安全状态判断为安全状态的一类分类错误；将安全状态判定为不安全状态的二类分类错误。目前大多数VSA研究主要集中在如何提高VSA的总体分类精度上，容易忽略一类分类错误约束。在实际电力系统运行中，一类分类错误和二类分类错误对系统运行及社会影响是不同的。一类分类错误相较于二类分类错误后果更为严重。
②
对于VSA性能的研究，传统的VSA模型一般集中于以某一特定数据驱动工具为核心进行VSA模型的构建。对于电力系统复杂多变的运行环境，这种VSA模型提供的结果容易受限于模型本身性能优良，模型的泛化能力不强。
③
传统的模型训练机制采用比较单一固化的离线与在线相结合方式，当面对新的运行工况时，一般都是当前评估模型不满足评估要求时就立即启动模型重新训练机制。这种模型更新机制，对于系统不可见的运行工况会加大实时VSA时模型离线训练的负担，对离线训练的要求较高。
[0004]综上所述，目前的VSA方法不能有效地约束评估误分类给电力系统安全运行带来的影响，且对于电力系统复杂多变的运行环境，在线VSA方法设计也存在一些局限性。
[0005]授权公告号为CN105139289A的专利文献公开了一种基于错分代价分类学习的电网暂态电压稳定评估方法，以同步相量测量单元的动态量测数据为基础，从大量动态量测数据构成的时间序列中提取出与电网状态密切相关的关键子序列；通过设定电网稳定、失稳状态的不同错分代价，向学习样本引入权重系数；利用融入样本权重系数的决策树算法进行分类学习，得到决策树模型，将决策树模型用于在线监测，对电网暂态电压稳定状况实施评估。它的缺陷在于：
[0006]①
不能很好的权衡总体分类精度与一类分类错误率关系，根据VSA不同误分类严重程度不同对一类分类错误进行约束，降低一类分类错误对系统运行的风险；
②
仅依赖于决策树构造的VSA模型，当数据集中对象属性有缺失值，树的性能可能有问题，且树节点中属性的次序可能对性能具有负面影响。使得仅仅依靠决策树构造的VSA模型的适泛化能力
得不到保障；
③
对于在线VSA的实施，缺乏可靠的模型更新机制，难以保证在线VSA对于不可见的运行工况的有效性。

技术实现思路

[0007]本专利技术为了解决传统基于数据驱动工具构建的VSA模型在误分类约束及模型更新机制方面存在的局限性，提出基于伞式算法的电力系统电压稳定评估误分类约束方法，使得VSA模型可提供权衡总体分类精度与一类分类错误约束的VSA结果。
[0008]为了实现上述专利技术目的，本专利技术采取如下技术方案：
[0009]基伞式算法的电力系统电压稳定评估误分类约束方法，包括以下步骤：
[0010]步骤1：构建初始数据集，并基于电力系统电压稳定评估规则，构建电压稳定安全分类标签；
[0011]步骤2：利用线性及非线性关系探索工具用于特征选择，对初始样本集的运行变量与电压稳定安全分类标签之间的关联程度进行探索，选择关键运行变量构建高效样本集；
[0012]步骤3：基于伞式算法同时部署多种类型奈曼皮尔逊分类器构建电压稳定评估模型，将高效样本集及其对应的电压稳定安全分类标签作为模型输入，对电压稳定评估模型进行离线训练；
[0013]步骤4：考虑电力系统运行拓扑结构变化、发电机/负荷间功率分布变化、相量测量单元数据丢失等因素对系统影响，将新的运行工况条件下产生的新样本集送入电压稳定评估模型中进行模型更新；
[0014]步骤5：基于广域监测系统的相量测量单元实时收集的电力系统运行数据，选择相应的特征，利用已训练好的电压稳定评估模型完成在线电压稳定评估。
[0015]在步骤1中，通过电力系统PMUs对系统运行数据的实时更新收集，获取历史系统工作点的运行数据，构建初始数据集，利用连续潮流CPF法模拟各种运行工况的电压崩溃情况，使工作点从基本情况向崩溃点逐渐移动，当电力系统不能满足不断增加的负荷需求时，潮流方程的雅可比矩阵奇异，潮流不能收敛，出现电压崩溃点，利用工作点与电压崩溃点之间的负载有功功率差值关系，量化当前运行点与崩溃点电压之间的关系。
[0016]构建电压稳定指标VSI如公式(1)所示：
[0017][0018]式中：P0初始负载有功功率，P
max
为对应的最大可承受有功功率；
[0019]VSI值代表电力系统安全水平，在0到100％之间变化，为了建立安全分类规则可对VSI可设置一个适当可接受的阈值η来明显区分电压安全状态，则构建电压稳定标签如公式(2)所示：
[0020][0021]在步骤2中，在特征选择过程考虑系统运行变量关系的复杂多变，结合具有线性关系探索功能的PCC和具有非线性关系探索功能的MIC作为特征选择方法，有效地探索运行变量(如发电机/支路的有功/无功功率、电压幅值等)与电压稳定指标之间的线性关系和非线
性关系，确保筛选出有效性的关键运行变量，构建高效样本集，解决数据高维问题。
[0022]将电力系统第i个运行点的各个特征及其对应VSI构建特征描述集合F的一个行向量F
i
＝{x1,x2,...,x
m
,y
i
}(1≤i≤m)，则n种运行工况运行数据的特征描述集合F＝{X1,X2,...,X
m
,Y}，其中X
k
为各种运行工况下的同一个特征量构成的列向量(1≤k≤n)，Y＝{y1,y2,...,y
n
}代表个运行工况的VSI集合，对各种运行工况的运行数据变量集合X和对应的VSI集合Y分别采用PCC及MIC检测各运行变量与VSI之间的相关性，分别筛选出与VSI高度相关的高排名的线性关系运行变量及非线性运行变量；
[0023]对于线性关系探索PCC：设ρ(X,Y)为特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电压稳定评估的训练集循环分裂训练方法，其特征在于：将高效样本集采用十倍交叉验证法分为训练集和测试集，将其送入到伞式NP分类器中进行模型离线训练，基于伞式算法对多种传统分离器进行改造，得到一系列对应NP分类器的伞式NP分类器；在模型训练阶段，在保证总体分类精度的前提下，根据一类分类错误和二类分类错误性质的不同基于伞式NP分类器对一类误分类错误设置一类分类错误阈值上限α进行约束，并且通过设置训练集循环分裂训练次数M控制每种NP分类器的训练模式，获得一系列子NP分类器，并对各种类型的NP分类器的子NP分类器采用加权投票方式获得各NP分类器的稳定不稳定分类结果，从而优化VSA模型的分类性能。2.根据权利要求1所述的方法，其特征在于，所述伞式算法包括以下步骤：步骤1)根据设定的M，对训练集中的0类样本S0进行二等份随机分裂得到样本和样本结合1类样本S1用于基本分类器；步骤2)用于分类器计算违章率上限υ(k)如公式(7)所示，计算每个样本等级阈值k
*
如公式(8)；将结合S1训练各分类器(如RF)得分函数f
i
：式中：α为一类分类错误阈值，k
*
＝min{k∈(1,...,n):υ(k)≤δ}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中：δ为一类分类错误阈值的违规率；步骤3)将f
i
应用于得到一组分数阈值候选项τ
i
如公式(9)，且将τ
i
中元素按公式(10)递增顺序排序得到sort(τ
i
)，并找到等级阈值k
*
对应的分数阈值如公式(11)：τ
i
＝{t
i,1
,...,t
i,n
}＝{f
i
(x1),...,f
i
(x
n
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)sort(τ
i
)＝{t
i,(1)
,...,t
i,(n)
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)步骤4)基于得分函数和阈值如公式(12)所示构造NP分类器：步骤5)重复步骤1)至4)，将训练集进行循环分裂训练M次，构造M多个NP分类器，将一类分类错误结果按照公式(13)加权投票的集成方法作为最终结果输出：3.根据权利要求2所述的方法，其特征在于，其中S0指的是不稳定判定为稳定的误分类样本；S1指的是稳定判定为不稳定的误分类样本。4.一种用于电压稳定评估中特性选择过程的特征选择方法，其特征在于：结合具有线性关系探索功能的PCC和具有非线性关系探索功能的MIC作为特征选择方法，探索运行变量与电压稳定指标之间的线性关系和非线性关系，确保筛选出有效性的关键运行变量，构建...

【专利技术属性】
技术研发人员：刘颂凯，张磊，叶婧，钟浩，李世春，杨苗，陈云龙，
申请(专利权)人：三峡大学，
类型：发明
国别省市：