数据驱动的电力系统暂态稳定性评估方法与流程

1.本发明涉及电力技术领域，具体地说，涉及一种数据驱动的电力系统暂态稳定性评估方法。


背景技术：

2.传统的电力系统暂态稳定性分析领域，使用机器学习进行数据驱动的电力系统稳定性评估正成为热点方法之一。使用机器学习进行数据驱动的电力系统稳定性评估方法的特点在于，通过搭建和训练机器学习模型需要耗费较多时间，大量样本运算的部分可以离线进行，因此，得到了相对广泛的应用。通过对大量的样本数据进行特征提取、特征优化，输入机器学习算法中，形成预训练好的模型。在电网的实际运行中，只需要调用模型进行数值计算，可以迅速判断暂态稳定性的结果。
3.数据驱动的电力系统稳定性评估机器学习模型在实际投入使用以后，单个训练好的机器学习模型通常泛化能力较弱，原模型的预测精度会降低。其次，目前电力系统稳定性评估机器学习模型可能分别采用常见的发电机功角、转速、电磁功率和母线电压等不同特征属性分别建立模型，每一类特征建立的机器学习模型的适应性均不相同，难以给出普适性的特征训练模型。另外，也有部分方法提出多个机器学习模型的融合，但是融合的机理不明确，难以指导工程实际的在线应用。


技术实现要素：

4.本发明的目的在于解决单个数据驱动预测模型泛化能力较弱、预测精度低的问题，提供一种数据驱动的电力系统暂态稳定性评估方法，可以大幅提高模型的预测精度。
5.为了实现上述目的，本发明所采用的技术方案如下：
6.一种数据驱动的电力系统暂态稳定性评估方法，包括以下步骤：
7.s1.采集电力系统的历史运行数据，并结合电力系统的暂态仿真数据，形成电力系统暂态稳定性评估数据集；
8.s2.对数据集进行特征提取并归类处理，根据特征属性将数据集分为多个不同类别的样本集，将每个具有相同特征属性的样本集分为训练集和测试集；
9.s3.建立多个预测模型，利用不同特征属性的训练集对多个预测模型分别进行训练，训练后的每个预测模型分别输出电力系统暂态稳定性的预测结果；
10.s4.对多个预测模型的预测结果进行贝叶斯模型平均，获得电力系统暂态稳定性的最终预测结果，根据最终预测结果对电力系统暂态稳定性进行评估。
11.优选地，电力系统的历史运行数据通过电力系统广域测量系统的相量测量单元采集。
12.优选地，电力系统广域测量系统的相量测量单元采集电力系统的节点电压、发电机电磁功率、发电机功角、发电机转子转速的轨迹数据。
13.优选地，电力系统的暂态仿真数据包括电力系统在各种正常、检修、故障运行方式
下，遍历所有可能的预想事故场景，利用电力系统仿真分析软件计算得到的仿真数据。
14.优选地，每个预测模型仅采用一类特征属性的样本集进行训练，多个预测模型通过不同特征属性的样本集分类建模训练。
15.优选地，多个预测模型分别采用交叉验证方法进行训练。
16.优选地，贝叶斯模型平均先计算每个预测模型成为最优模型的概率，再对多个预测模型进行加权平均，得到电力系统暂态稳定性的最终预测结果。
17.优选地，通过贝叶斯模型平均获得的最终预测结果为：
[0018][0019]
p(y＝0)＝1-p(y＝1)
[0020]
其中，f1,f2,
…
,fk分别为k个预测模型的预测结果，fk为经过训练后的第k个预测模型预测电力系统稳定的概率，p()表示电力系统稳定的概率，y为1表示电力系统暂态稳定，y为0表示电力系统暂态不稳定，wk为第k个预测模型在贝叶斯模型平均法组合模型中的权重。
[0021]
优选地，第k个预测模型在贝叶斯模型平均法组合模型中的权重wk满足非负和约束条件
[0022]
优选地，预测模型采用机器学习算法，机器学习算法采用神经网络、支持向量机、决策树、随机森林、深度神经网络中的任意一种。
[0023]
与现有技术相比，本发明对多个预测模型进行贝叶斯模型平均，可以克服单个数据驱动预测模型泛化能力较弱、预测精度低的问题，并且多类特征建立的预测模型的适应性均不相同，通过贝叶斯模型平均可以给出普适性的特征训练模型，融合的机理基于概率论基本理论，可以大幅提高模型的预测精度，指导工程实际的在线应用。
附图说明
[0024]
图1为本发明数据驱动的电力系统暂态稳定性评估方法的流程示意图。
具体实施方式
[0025]
下面结合附图和具体实施例对本发明数据驱动的电力系统暂态稳定性评估方法作进一步说明。
[0026]
请参阅图1，本发明公开了一种数据驱动的电力系统暂态稳定性评估方法，数据驱动的电力系统暂态稳定性评估方法包括以下步骤：
[0027]
s1.采集电力系统的历史运行数据，并结合电力系统的暂态仿真数据，形成电力系统暂态稳定性评估数据集。
[0028]
s2.对数据集进行特征提取并归类处理，根据特征属性将数据集分为多个不同类别的样本集，将每个具有相同特征属性的样本集分为训练集和测试集。
[0029]
s3.建立多个预测模型，利用不同特征属性的训练集对多个预测模型分别进行训练，训练后的每个预测模型分别输出电力系统暂态稳定性的预测结果。
[0030]
s4.对多个预测模型的预测结果进行贝叶斯模型平均，获得电力系统暂态稳定性
的最终预测结果，根据最终预测结果对电力系统暂态稳定性进行评估。
[0031]
本发明对多个预测模型进行贝叶斯模型平均，可以克服单个数据驱动预测模型泛化能力较弱、预测精度低的问题，并且多类特征建立的预测模型的适应性均不相同，通过贝叶斯模型平均可以给出普适性的特征训练模型，融合的机理基于概率论基本理论，可以大幅提高模型的预测精度，指导工程实际的在线应用。
[0032]
s1.采集电力系统的历史运行数据，并结合电力系统的暂态仿真数据，形成电力系统暂态稳定性评估数据集。
[0033]
具体地，电力系统暂态稳定性评估数据集包括电力系统的历史运行数据和电力系统的暂态仿真数据。电力系统的历史运行数据通过电力系统广域测量系统(wida area measurement system，wams)的相量测量单元(phasor measurement unit，pmu)采集。电力系统广域测量系统的相量测量单元采集电力系统的节点电压、发电机电磁功率、发电机功角、发电机转子转速的轨迹数据。在电力系统发生故障(如短路)以后，通过电力系统广域测量系统wams的相量测量单元pmu以相应的采样周期采集故障前、故障中和故障后的相关变量的轨迹数据信息。
[0034]
电力系统的暂态仿真数据包括电力系统在各种正常、检修、故障运行方式下，遍历所有可能的预想事故场景，利用电力系统仿真分析软件计算得到的仿真数据。电力系统的暂态仿真数据为了应对电力系统的历史运行数据规模可能不足以进行机器学习训练的情形，扩充电力系统暂态稳定性评估数据集的规模。
[0035]
s2.对数据集进行特征提取并归类处理，根据特征属性将数据集分为多个不同类别的样本集，将每个具有相同特征属性的样本集分为训练集和测试集。
[0036]
具体地，对电力系统暂态稳定性评估数据集进行特征提取，分析数据特征与电力系统暂态稳定性之间的关系，对与电力系统暂态稳定性强相关的数据特征进行分类。本实施例中，分别对采集到的电力系统故障前后的具有不同特征属性的数据特征，如节点电压、发电机电磁功率、发电机功角、发电机转子转速的轨迹数据，分成这样几个类别的样本集，并将每个具有相同特征属性的样本集(节点电压、发电机电磁功率、发电机功角、发电机转子转速的轨迹数据)分为训练集和测试集。
[0037]
s3.建立多个预测模型，利用不同特征属性的训练集对多个预测模型分别进行训练，训练后的每个预测模型分别输出电力系统暂态稳定性的预测结果。
[0038]
具体地，建立数据驱动的电力系统暂态稳定性的预测模型，预测模型采用能够进行二分类的机器学习算法，比如神经网络、支持向量机、决策树、随机森林、深度神经网络等。通过机器学习算法搭建多个不同特征属性的预测模型，分别建立各类特征的数据驱动暂态稳定性评估的预测模型。多个预测模型通过不同特征属性的样本集分类建模训练。
[0039]
将电力系统的节点电压、发电机电磁功率、发电机功角、发电机转子转速的轨迹数据作为不同特征属性的训练，分别输入预测模型进行训练。每个预测模型仅采用一类特征属性的样本集进行训练，计算量较小，可以保证较快的训练速度。多个预测模型分别采用交叉验证方法进行训练，保证各预测模型的精度。将测试集输入预测模型，训练完成后的每个预测模型分别输出电力系统暂态稳定性的预测结果。
[0040]
s4.对多个预测模型的预测结果进行贝叶斯模型平均，获得电力系统暂态稳定性的最终预测结果，根据最终预测结果对电力系统暂态稳定性进行评估。
[0041]
具体地，对多个预测模型的预测结果进行贝叶斯模型平均，贝叶斯模型平均利用贝叶斯公式，先计算得出每个预测模型可能成为最优模型的概率，再对多个预测模型进行加权平均，得到电力系统暂态稳定性的最终预测结果，此方法具有较好的算法稳定性，是对各个预测模型的优化组合。
[0042]
通过贝叶斯模型平均获得的最终预测结果(即电力系统稳定的概率)为：
[0043][0044]
p(y＝0)＝1-p(y＝1)
[0045]
其中，f1,f2,
…
,fk分别为k个预测模型的预测结果，fk为经过训练后的第k个预测模型预测电力系统稳定的概率，p()表示电力系统稳定的概率，y为1表示电力系统暂态稳定，y为0表示电力系统暂态不稳定，wk为第k个预测模型在贝叶斯模型平均法组合模型中的权重。
[0046]fk
也表示在给定的训练数据和第k个预测模型的情况下y的后验分布，在给定的训练数据和第k个预测模型的情况下y的后验分布是指采用极大似然估计法进行概率训练。
[0047]
第k个预测模型在贝叶斯模型平均法组合模型中的权重wk满足非负和约束条件
[0048][0049]
式中，k为预测模型的数量。
[0050]
根据最终预测结果电力系统暂态稳定的概率p(y＝1)和电力系统暂态不稳定的概率p(y＝0)，进而对电力系统暂态稳定性进行评估。
[0051]
采用本发明方法对电力系统暂态稳定性进行评估，采用ieee-39标准测试算例，基于五折到十折交叉验证测试法，在测试集上的所有样本进行预测，结果如表1所示。
[0052]
表1八种机器学习模型的计算结果
[0053][0054]
结果表明，单个机器学习模型的精度可能仅为50％、84.28％、89.67％等，而使用基于贝叶斯模型平均的本发明方法可以大幅提升预测精度，统计得到最终的预测精度为94.83％。
[0055]
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。