基于代价敏感支持向量机的电网暂态稳定预测方法及系统与流程

1.本发明涉及电力系统分析领域，特别是涉及一种基于代价敏感支持向量机的电网暂态稳定预测方法及系统。


背景技术：

2.常用的暂态稳定评估方法有基于大规模仿真计算的时域仿真法和基于李雅普诺夫稳定性理论的直接法等，但是这些方法存在计算量大、耗时长、只能用于离线计算等问题，难以满足在线评估暂态稳定性的要求。近几年，大量机器学习算法应用于暂态稳定问题中并取得了好的效果。
3.暂态稳定评估可以看作一个数据分类问题，以往的机器学习一般假定各类样本的数量均衡，但是在真实情况下，大多是不平衡的数据集，因此，这种假定会造成对少数类的预测精度不高。在二分类问题中，两个类别的样本数量不等时，即会出现数据集的不平衡，传统的机器学习主要考虑两类的准确性同等重要即代价相等，所以在代价不同的二分类问题中，传统的机器学习并不能准确的进行判断。
4.基于上述问题，亟需一种新的暂态稳定方法以提高预测精度。


技术实现要素：

5.本发明的目的是提供一种基于代价敏感支持向量机的电网暂态稳定预测方法及系统，可提高对电力系统暂态稳定状态的预测精度。
6.为实现上述目的，本发明提供了如下方案：
7.一种基于代价敏感支持向量机的电网暂态稳定预测方法，包括：
8.获取样本数据集；所述样本数据集中包括电力系统的多组样本运行数据及各组样本运行数据的标签信息；所述标签信息包括0和1，1表示对应的样本运行数据暂态稳定，0表示对应的样本运行数据暂态不稳定；
9.根据所述样本数据集，对代价敏感支持向量机进行训练，得到暂态稳定预测模型；
10.基于所述暂态稳定预测模型，根据电力系统的实时运行数据，确定对应时刻电力系统的暂态稳定状态。
11.可选地，每组样本运行数据包括多个样本特征数据；所述获取样本数据集，具体包括：
12.通过预设故障进行电力系统的暂态稳定仿真，得到多组仿真数据；每组仿真数据包括多个仿真特征数据；
13.获取电力系统的多组历史运行数据；每组历史运行数据包括多个历史特征数据；
14.根据各组仿真数据及各组历史运行数据，确定多组样本运行数据；每组样本运行数据包括多个样本特征数据；
15.针对每一组样本运行数据，根据所述样本运行数据中的样本特征数据进行暂态稳定状态情况的标注，得到所述样本运行数据的标签信息。
16.可选地，所述根据各组仿真数据及各组历史运行数据，确定多组样本运行数据，具体包括：
17.采用最大信息系数mic算法，从每组仿真数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第一样本数据集；
18.采用最大信息系数mic算法，从每组历史运行数据中筛选出与电力系统暂态稳定指标相关性大于阈值的历史特征数据，得到第二样本数据集；
19.根据所述第一样本数据集及所述第二样本数据集，确定多组样本运行数据。
20.可选地，所述电力系统中包括多台发电机；每组样本运行数据中的部分或者全部样本特征数据为各发电机的功角值；
21.所述根据所述样本运行数据中的样本特征数据进行暂态稳定状态情况的标注，得到所述样本运行数据的标签信息，具体包括：
22.根据各发电机的功角值，计算所述样本运行数据的暂态稳定评估指标；
23.根据所述暂态稳定评估指标，确定所述样本运行数据的标签信息。
24.可选地，所述根据各发电机的功角值，计算所述样本运行数据的暂态稳定评估指标，具体包括：
25.根据各发电机的功角值，计算任意两台发电机的功角差；
26.根据功角差最大值，计算所述样本运行数据的暂态稳定评估指标。
27.可选地，采用以下公式，计算暂态稳定评估指标：
[0028][0029]
其中，ω
tsi
为暂态稳定评估指标，δδ
max
为功角差最大值。
[0030]
可选地，所述根据所述暂态稳定评估指标，确定所述样本运行数据的标签信息，具体包括：
[0031]
若所述暂态稳定评估指标为正数，则所述样本运行数据暂态稳定，对应的标签信息为1；
[0032]
若所述暂态稳定评估指标为负数或0，则所述样本运行数据暂态不稳定，对应的标签信息为0。
[0033]
为实现上述目的，本发明还提供了如下方案：
[0034]
一种基于代价敏感支持向量机的电网暂态稳定预测系统，包括：
[0035]
样本获取单元，用于获取样本数据集；所述样本数据集中包括电力系统的多组样本运行数据及各组样本运行数据的标签信息；所述标签信息包括0和1，1表示对应的样本运行数据暂态稳定，0表示对应的样本运行数据暂态不稳定；训练单元，与所述样本获取单元连接，用于根据所述样本数据集，对代价敏感支持向量机进行训练，得到暂态稳定预测模型；
[0036]
预测单元，与所述训练单元连接，用于基于所述暂态稳定预测模型，根据电力系统的实时运行数据，确定对应时刻电力系统的暂态稳定状态。
[0037]
可选地，每组样本运行数据包括多个样本特征数据；所述样本获取单元包括：
[0038]
仿真模块，用于通过预设故障进行电力系统的暂态稳定仿真，得到多组仿真数据；每组仿真数据包括多个仿真特征数据；
[0039]
历史数据获取模块，用于获取电力系统的多组历史运行数据；每组历史运行数据包括多个历史特征数据；
[0040]
样本运行数据确定模块，分别与所述仿真模块及所述历史数据获取模块连接，用于根据各组仿真数据及各组历史运行数据，确定多组样本运行数据；每组样本运行数据包括多个样本特征数据；
[0041]
标注模块，与所述样本运行数据确定模块连接，用于针对每一组样本运行数据，根据所述样本运行数据中的样本特征数据进行暂态稳定状态情况的标注，得到所述样本运行数据的标签信息。
[0042]
可选地，所述样本运行数据确定模块包括：
[0043]
第一筛选子模块，与所述仿真模块连接，用于采用最大信息系数mic算法，从每组仿真数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第一样本数据集；
[0044]
第二筛选子模块，与所述历史数据获取模块连接，用于采用最大信息系数mic算法，从每组历史运行数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第二样本数据集；
[0045]
样本确定子模块，分别与所述第一筛选子模块及所述第二筛选子模块连接，用于根据所述第一样本数据集及所述第二样本数据集，确定多组样本运行数据。
[0046]
根据本发明提供的具体实施例，本发明公开了以下技术效果：根据样本数据集对代价敏感支持向量机进行训练，得到暂态稳定预测模型，基于暂态稳定预测模型，根据电力系统的实时运行数据，确定对应时刻电力系统的暂态稳定状态。样本数据集中包括电力系统的多组样本运行数据及各组样本运行数据的标签信息，标签信息包括0和1，1表示对应的样本运行数据暂态稳定，0表示对应的样本运行数据暂态不稳定，采用代价敏感支持向量机能够最大限度地减少错误预测的数量，提高了暂态稳定状态预测的精度。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明基于代价敏感支持向量机的电网暂态稳定预测方法的流程图；
[0049]
图2为电网暂态稳定预测方法的整体流程图；
[0050]
图3为代价敏感支持向量机的结构示意图；
[0051]
图4为本发明基于代价敏感支持向量机的电网暂态稳定预测系统的模块示意图。
[0052]
符号说明：
[0053]
样本获取单元-1，训练单元-2，预测单元-3。
具体实施方式
[0054]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0055]
本发明的目的是提供一种基于代价敏感支持向量机的电网暂态稳定预测方法，通过代价敏感支持向量机对电力系统电网的暂态稳定状态进行预测，提高了预测精度。
[0056]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0057]
如图1和图2所示，本发明基于代价敏感支持向量机的电网暂态稳定预测方法包括：
[0058]
s1：获取样本数据集；所述样本数据集中包括电力系统的多组样本运行数据及各组样本运行数据的标签信息。所述标签信息包括0和1，1表示对应的样本运行数据暂态稳定，0表示对应的样本运行数据暂态不稳定。
[0059]
s2：根据所述样本数据集，对代价敏感支持向量机进行训练，得到暂态稳定预测模型。
[0060]
具体地，按照一定比例将样本数据集分为训练集和测试集。使用交叉验证法对代价敏感支持向量机的性能进行测试，根据性能测试结果对代价敏感支持向量机的相关参数进行调整，以获取性能最优的代价敏感支持向量机。使用测试集对训练完成的代价敏感支持向量机进行验证，检验其正确率并根据其在测试集上的测试结果对参数进行相应的调整，以得到暂态稳定预测模型。
[0061]
s3：基于所述暂态稳定预测模型，根据电力系统的实时运行数据，确定对应时刻电力系统的暂态稳定状态。
[0062]
进一步地，每组样本运行数据包括多个样本特征数据。步骤s1具体包括：
[0063]
s11：通过预设故障进行电力系统的暂态稳定仿真，得到多组仿真数据。每组仿真数据包括多个仿真特征数据。在本实施例中，暂态稳定仿真的故障类型选择最严重的三相短路故障。
[0064]
s12：获取电力系统的多组历史运行数据；每组历史运行数据包括多个历史特征数据。历史运行数据相比仿真得到的数据更贴近现实系统，但是由于数据量有限，并且所包含系统不稳定部分的信息有限，只能作为补充。
[0065]
s13：根据各组仿真数据及各组历史运行数据，确定多组样本运行数据；每组样本运行数据包括多个样本特征数据。
[0066]
具体地，步骤s13包括：
[0067]
s131：采用mic(maximal information coefficient，最大信息系数)算法，从每组仿真数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第一样本数据集。
[0068]
s132：采用mic算法，从每组历史运行数据中筛选出与电力系统暂态稳定指标相关性大于阈值的历史特征数据，得到第二样本数据集。
[0069]
s133：根据所述第一样本数据集及所述第二样本数据集，确定多组样本运行数据。
[0070]
s14：针对每一组样本运行数据，根据所述样本运行数据中的样本特征数据进行暂态稳定状态情况的标注，得到所述样本运行数据的标签信息。
[0071]
更进一步地，所述电力系统中包括多台发电机。每组样本运行数据中的部分或者
全部样本特征数据为各发电机的功角值。在本实施例中，样本特征数据包括故障发生前稳态时刻电力系统总的有功负荷、无功负荷、有功出力、无功出力、各发电机的功角值、发电机功角最大值与最小值之差、线路有功功率方差、故障发生时刻和故障切除时刻的发电机转子角度最大值与最小值之差、发电机角速度最大值与最小值之差、发电机转子角加速度最大值与最小值之差及发电机转子动能最大值与最小值之差。
[0072]
步骤s14具体包括：
[0073]
s141：根据各发电机的功角值，计算所述样本运行数据的暂态稳定评估指标。具体地，根据各发电机的功角值，计算任意两台发电机的功角差。根据功角差最大值，计算所述样本运行数据的暂态稳定评估指标。
[0074]
在本实施例中，采用以下公式，计算暂态稳定评估指标：
[0075][0076]
其中，ω
tsi
为暂态稳定评估指标，δδ
max
为功角差最大值。ω
tsi
的本质是通过计算δδ
max
是否大于360
°
来判断发电机是否能保持同步运行，从而得出当前运行点的暂态稳定性。
[0077]
s142：根据所述暂态稳定评估指标，确定所述样本运行数据的标签信息。具体地，若所述暂态稳定评估指标为正数，则所述样本运行数据暂态稳定，对应的标签信息为1。若所述暂态稳定评估指标为负数或0，则所述样本运行数据不稳定，对应的标签信息为0。
[0078]
由于电力系统暂态稳定评估中，将不稳定状态误判为稳定状态的代价比将稳定状态误判为不稳定状态的代价要大，因此，本发明采用代价敏感法对不同的分类错误使用不同的惩罚代价，以此对误判进行有效约束。
[0079]
代价敏感法利用事先定义好的误判代价对分属不同类别的样本运行数据赋予不同的权重。在学习过程中，对每个类别计算其对应的权重大小，最后用权重大小来指定类标志。
[0080]
误判的成本是模型预测的类别和实际类别的函数。这个函数被表示为一个成本矩阵。成本矩阵是学习过程的额外输入，也用于评估受训网络减少误分类代价的能力。
[0081]
本发明的代价矩阵中包括：c-
、c
-、c

及c
‑‑
。其中，c-
表示将暂态不稳定即失稳的样本运行数据预测为稳定的代价，c
-表示将暂态稳定的样本运行数据误判为失稳的代价，c

、c
‑‑
表示预测正确，令c

＝c
‑‑
＝0。由于将失稳样本误判为稳定样本所造成的损失更大，所以c-
》c
-。将不同的代价融入支持向量机中并调整稳定和失稳样本的权重，从而加强对失稳样本的学习，提高支持向量机的分类准确率。
[0082]
由此对样本数据集中所有样本运行数据的权重进行调整，各组样本运行数据的初始权重值为：
[0083][0084][0085]
其中，ε-表示暂态不稳定的样本运行数据的初始权重值，ε

表示暂态稳定的样本运行数据的初始权重值，n为样本运行数据的总数，n-为暂态不稳定的样本运行数据的数量，n

为暂态稳定的样本运行数据的数量。
[0086]
采用以下公式，利用权重系数将暂态稳定的样本运行数据和暂态不稳定的样本运行数据的比例调整为新的带有权重的比例：
[0087][0088][0089]
其中，为暂态不稳定的样本运行数据的权重比例，即标签信息为0的样本运行数据的权重比例，为暂态稳定的样本运行数据的权重比例，即标签信息为1的样本运行数据的权重比例。通过失稳样本和稳定样本的权重比例能够对数据不平衡问题进行约束，进而有效的对因误判造成的错误率进行约束。
[0090]
代价敏感支持向量机首先使用代价敏感对样本运行数据进行加权，使代价不等的样本均等，加大将失稳样本误判为稳定样本的重视，解决类别不平衡问题造成的分类不准确问题，以此对误分类问题进行约束。之后由支持向量机对数据进行分类和学习。根据支持向量机的判决函数可知，它和人工神经网络有着类似的网格结构，可以将它视作3层神经网络，如图3所示。第一层是输入向量，x1、x2、xd代表样本数据集中的样本特征数据，中间层是基于s个支撑向量的核函数k(,)，x1、x2、xs、x均为核函数的参数，第三层是输出层，y为预测结果，y＝0或1。需要确定代价敏感支持向量机的相关参数，如核函数的参数、支持向量的数目、非0拉格朗日因子αi及其对应的支撑向量xi，i＝1,2,3、超平面的偏移量b、惩罚因子等，其中核函数参数及惩罚因子需要事先选定，其余的参数可以在训练中解决二次规划问题时得到。
[0091]
代价敏感支持向量机相较于一般的机器学习运用于暂态稳定的评估，不仅能够在分类错误具有相等代价的情况下，通过估计样本在测试数据上的错误率或分类准确度来评估模型，最大限度地减少错误的数量。而且由于将不稳定状态误判为稳定状态的错误代价比将稳定状态误判为不稳定状态的错误代价大，本发明还能在这种类别之间的错误分类代价不同的情况下，通过比较错误的总代价来评估代价敏感支持向量机，有效的对因误判造成的错误率进行约束。
[0092]
如图4所示，本发明基于代价敏感支持向量机的电网暂态稳定预测系统包括：样本获取单元1、训练单元2及预测单元3。
[0093]
其中，所述样本获取单元1用于获取样本数据集。所述样本数据集中包括电力系统的多组样本运行数据及各组样本运行数据的标签信息。所述标签信息包括0和1，1表示对应的样本运行数据暂态稳定，0表示对应的样本运行数据暂态不稳定。
[0094]
所述训练单元2与所述样本获取单元1连接，所述训练单元2用于根据所述样本数据集，对代价敏感支持向量机进行训练，得到暂态稳定预测模型。
[0095]
所述预测单元3与所述训练单元2连接，所述预测单元3用于基于所述暂态稳定预测模型，根据电力系统的实时运行数据，确定对应时刻电力系统的暂态稳定状态。
[0096]
进一步地，所述样本获取单元1包括：仿真模块、历史数据获取模块、样本运行数据确定模块及标注模块。
[0097]
其中，所述仿真模块用于通过预设故障进行电力系统的暂态稳定仿真，得到多组
仿真数据；每组仿真数据包括多个仿真特征数据。
[0098]
所述历史数据获取模块用于获取电力系统的多组历史运行数据；每组历史运行数据包括多个历史特征数据。
[0099]
所述样本运行数据确定模块分别与所述仿真模块及所述历史数据获取模块连接，所述样本运行数据确定模块用于根据各组仿真数据及各组历史运行数据，确定多组样本运行数据；每组样本运行数据包括多个样本特征数据。
[0100]
具体地，所述样本运行数据确定模块包括：第一筛选子模块、第二筛选子模块及样本确定子模块。
[0101]
其中，所述第一筛选子模块与所述仿真模块连接，所述第一筛选子模块用于采用mic算法，从每组仿真数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第一样本数据集。
[0102]
所述第二筛选子模块与所述历史数据获取模块连接，所述第二筛选子模块用于采用mic算法，从每组历史运行数据中筛选出与电力系统暂态稳定指标相关性大于阈值的仿真特征数据，得到第二样本数据集。
[0103]
所述样本确定子模块分别与所述第一筛选子模块及所述第二筛选子模块连接，所述样本确定子模块用于根据所述第一样本数据集及所述第二样本数据集，确定多组样本运行数据。
[0104]
所述标注模块与所述样本运行数据确定模块连接，所述标注模块用于针对每一组样本运行数据，根据所述样本运行数据中的样本特征数据进行暂态稳定状态情况的标注，得到所述样本运行数据的标签信息。
[0105]
相对于现有技术，本发明基于代价敏感支持向量机的电网暂态稳定预测系统与上述基于代价敏感支持向量机的电网暂态稳定预测方法的有益效果相同，在此不再赘述。
[0106]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0107]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。