[发明专利]一种基于XGBoost算法的电力系统暂态稳定判别方法

权利要求书

1.一种基于XGBoost算法的电力系统暂态稳定判别方法，其特征在于，该方法包括以下步骤：

步骤(1)，利用电力系统仿真软件模拟待评估系统在各种运行方式之下，各节点、线路处发生故障所带来的后果；由此形成大量和该电网暂态稳定性有关的原始数据；

步骤(2)，从原始数据中提取特征，并确定暂稳标签；利用故障后发电机功角差是否发散判定系统是否发生失稳状况；对于各类稳态运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入；由此形成一定数量的用于建模电力系统暂态稳定的样本数据；

步骤(3)，采用XGBoost算法并进行适用性改进，利用获取的样本数据进行模型训练；在训练过程中，针对暂态稳定预测过程中两类错误严重程度不同的特点，引入注意力系数对XGBoost算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少；使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度，预防部分误预测；

步骤(4)，XGBoost模型训练成熟之后，根据电网能量管理系统记录下的电网实时运行信息，构成能够反映电网稳态运行状态的电气量特征；输入XGBoost模型，即可实时判别电力系统某些可能的故障所带来的暂态稳定后果。

2.根据权利要求1所述的一种基于XGBoost算法的电力系统暂态稳定判别方法，其特征在于：

所述的步骤(1)具体如下：

(1-1)对于一个包含c个发电机节点和z个负荷节点的系统，确定一种基础运行方式，在此基础运行方式下，各发电机的有功出力为PGbase_i，无功出力为QGbase_i，各个负荷节点的有功需求为PLbase_j，无功需求为QLbase_j，i＝1，2...c，j＝1，2...z；

(1-2)ρ_j和τ_i分别是在设定范围内独立产生的随机数，通过随机数，使用下述两式产生不同的系统发电机出力和负荷需求情况，求解稳态潮流后，获得系统的不同运行方式；

(1-3)在求解稳态潮流的过程中，总负荷与总出力之间的不平衡情况由系统的平衡节点进行补偿，在模拟出的各类运行方式之下，收集各类故障对应的样本数据，具体是在产生的各种运行方式之下，在关注的节点、线路上设置故障，进行暂态稳定仿真，从而获取系统的暂稳后果；

所述的步骤(2)具体如下：

(2-1)当电网发生故障后，其稳定性由一段时间内电网中各发电机之间的功角差δ来衡量，根据功角差δ是否发散，将系统故障后果分为暂态稳定和暂态不稳定；当系统最大发电机功角差小于180度时，系统不会失去稳定，当系统最大发电机功角差超过180度时，出现功角差发散现象，系统将无法继续保持稳定运行；由此给定电网稳定性标记y的评估标准如下式所示：

其中，max(δ)指故障后一段时间内系统任意两发电机之间功角差的最大值；

(2-2)提取能够反映电网稳态运行状态的特征，包括：Vⁱ，thetaⁱ，Δtheta^i-j，PGⁱ，QGⁱ，PLⁱ，QLⁱ，PB^i-j，QB^i-j，从而构成电网的稳态电气量特征：

其中V，theta分别表示节点电压的幅值和相角，Δtheta表示发电机节点之间的功角差，PG，QG，PL，QL，PB，QB分别表示发电机节点的有功、无功出力，负荷节点的有功、无功需求和线路传输的有功、无功功率；各上标分别代表符号电气量值所在的节点；

所述的步骤(3)具体如下：

(1)XGBoost算法原理：对于给定的具有N个样本和M个特征的训练样本集D＝{(x_i，y_i)}(|D|＝N，x_i∈R^M，y_i∈R)，XGBoost算法的最终训练结果是一个由K个CART决策树函数相加得到的集成模型：

其中，是XGBoost模型的输出，F＝{f(x)＝w_q(x)}(q：R^M→T，w∈R^T)是CART决策树的集合，一个CART决策树由树结构q和T个叶节点组成，每个叶节点j都有一个连续值与它对应，称为叶节点的权重w_j，所有权值构成该树的权重向量w∈R^T；

树结构q通过属性判别可将任意具有M维特征的样本映射到其某一个叶节点上；每一个决策树函数f_k对应一个特有的树结构q以及对应的叶节点权重向量w；对于一个样本，XGBoost模型获取最终的预测值的过程为：在每一棵决策树上将该样本映射到对应的叶节点上，再将该样本对应的K个叶节点的权重相加；

机器学习模型均会定义损失函数，用于衡量模型的预测值与真实值之间的偏差，在训练过程中，训练目标为使得损失函数的值尽可能的小；XGBoost模型的损失函数形式如下所示；

其中，l为训练损失函数，用于衡量预测值与标签值y_i之间的偏差，Ω为正则项，用于控制训练出的模型的复杂度；其定义如下；

正则项中的第一项用于控制树模型中叶节点的个数；第二项用于控制叶节点的权重分布；γ和λ两参数用于调节正则项中两部分之间的比例；

根据定义的损失函数，使用训练样本对XGBoost模型进行训练；在XGBoost算法中，训练是以树模型迭代增加的方式进行的，即训练过程中的每一步，增加一个CART决策树函数f，使得损失函数进一步减小；假定y_i^*(t)表示第t步时对第i个样本的预测值，此时，为了进一步优化模型，增加最优的树结构f_t来最小化此时的目标函数L^(t)；

新的树结构f_t使得此时的预测输出变为constant为独立于变量树结构f_t的常数，即第t步之前已经获得的CART树函数对应的正则项，这些正则项已是定值；选取树结构f_t的标准是使得损失函数L^(t)的减小幅度最大；将上式展开成如下二次泰勒级数的形式；

其中，分别是损失函数l在展开点处的一阶和二阶导数；展开式中的表示第t步之前得到的所有CART树函数的输出与样本标签y_i构成的损失函数，也是一个定值；去掉上式中的常数项，得到第t步时简化的目标函数

定义I_j＝{i|q^t(x_i)＝j}为所有被树结构q^t映射到第j个叶节点的样本编号集合，则上述简化目标函数进一步被化简为

该式对w_j求导，得对于一个特定的树结构q^t，其最优的叶节点权重为：

代入损失函数公式，得到此树结构q^t对应的最优损失函数为：

此最优损失函数用于衡量任意树结构q^t的好坏；越小，说明此树结构q^t使模型的损失函数下降更多；

将XGBoost模型的实际训练过程表述如下：(a)以迭代的方式增加CART树函数，当树模型的继续增加使得模型的准确度提升幅度小于s时，则停止迭代，不再继续增加树模型的个数K，获得最终的XGBoost模型(b)在每一轮迭代过程中，为得到一个新的函数f_t，从一个单一的叶节点结构开始，每次将一个叶节点增加一个树分叉，在所有可能的树增长方案中，选取使得最优损失函数最小化的方案，如此循环进行；树的停止分裂由两个参数控制：当树的最大深度maxdepth达到规定值时或者当全部分裂节点的方案均无法使损失函数获得大于γ的下降时，树停止分裂，计算此树结构q^t对应的最优权重向量w，从而可得到新的树函数f_t；

(2)引入如下logistic函数将XGBoost模型的输出概率化，将输出转化到(0，1)范围之内；

选取阈值α＝0.5，获得最终的预测结果如下式所示；

此种方式将XGBoost模型的输出转化为暂态稳定与暂态不稳定两类，并且，概率输出的大小能够反映模型预测的可靠程度；

(3-3)引入注意力系数μ改进损失函数，使得模型更不易出现错误分类的问题；

当μ＞1时，损失函数的构成中第一项占据的比例将更大，模型的训练过程将更加重视被错误分类的样本，从而使得训练出的模型更不易发生错误分类的问题。