[发明专利]一种基于可信性集成学习的电力系统扰动后频率预测方法

权利要求书

1.一种基于可信性集成学习的电力系统扰动后频率预测方法，其特征在于，所述方法包括：

步骤1：提取刻画电力系统频率特性的关键特征量，构建电力系统频率预测样本集；对样本集归一化处理，并随机划分为训练样本集和测试样本集；

步骤2：基于训练样本集及其关键特征量，通过自助采样法和随机子空间法采样生成新的样本子集，并利用超限学习机训练生成多个基学习器；

步骤3：利用可信性集成方法预测电力系统扰动后的频率特性，并在测试样本集中进行性能测试；

所述步骤2具体包括：

假设用于频率预测的训练样本集中包含样本数量为N，样本中关键特征数量为M，采用自助采样法和随机子空间法进行采样，生成T个新的样本子集；

以超限学习机为基学习器，分别利用T个样本子集训练超限学习机，共生成T个具有差异的基学习器；

利用自助采样法对样本集抽样，具体步骤为从N个样本中随机抽1个样本放入新样本集中，抽样后放回，重复执行N次，得到包含N个样本的新样本集S_i；重复获取新样本集S_i的过程，直到生成预设的样本集数量T；

利用随机子空间法对特征抽样，具体步骤为对每个生成的新样本集S_i，从M个关键特征中随机抽取m个特征，可得到T个新的样本子集S_i’；

所述步骤3具体包括：

在测试过程中，假设T个基学习器的输出分别为{h₁,h₂,…,h_T}，h_i为第i个基学习器的输出，统计得到T个基学习器输出的中位数h_median，定义基学习器可信性判据为：

对于某一测试样本x，统计T个基学习器输出结果的可信性，若有N_c个基学习器的输出结果可信，定义样本的预测可信度η：

在此基础上，可得到基于可信性集成学习的频率预测输出值为：

式中，η₀为预设的可信度阈值；

若测试样本的可信度大于给定阈值，则接受集成学习结果为最终的频率预测结果，预测结果为N_c个可信基学习器预测值的平均值；否则，认为该测试样本的集成学习结果不可信，机器学习方法拒绝给出预测结果，可通过时域仿真方法进行频率特性分析。

2.根据权利要求1所述的基于可信性集成学习的电力系统扰动后频率预测方法，其特征在于，所述步骤1具体包括：

分析影响电网动态频率响应特性的主导因素，从功率扰动大小、机组转动惯量、机组旋转备用容量和负荷模型四方面提取预测频率动态特性的关键特征量；

以电力系统受扰后频率的最大偏移量作为刻画频率特性的指标，即为频率预测的目标值；生成频率响应模式的样本集；

对频率预测样本集进行归一化处理，并将其随机分为训练样本集和测试样本集，分别用于可信性集成学习的训练和测试。

3.根据权利要求2所述的基于可信性集成学习的电力系统扰动后频率预测方法，其特征在于，设置多种稳态运行方式和多种故障场景，分别通过时域仿真方法生成频率响应模式，并提取频率特性关键特征和预测目标值构成样本集。