[发明专利]一种暂态功角稳定分析关键特征量提取方法及系统

说明书

本发明公开了一种暂态功角稳定分析关键特征量提取方法，包括以下步骤，根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样，形成训练样本集；其中，历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果；根据训练样本集中暂态功角稳定分析结果，对不同类型的设备进行特征量提取，形成关键特征量集。本发明在控制样本规模的基础上，选择尽可能保留总体数据的主要特征的样本集，快速有效地得出电网的关键特征量集合，为基于机器学习的暂态功角稳定分析提供技术支撑，有助于提高基于机器学习的暂态功角稳定分析的准确性，提升电网的安全运行水平。

技术领域

本发明涉及一种暂态功角稳定分析关键特征量提取方法及系统，属于电力系统安全稳定分析技术领域。

背景技术

暂态稳定分析是在线安全分析应用的关键功能，其核心是分析暂态功角是否失稳，目前主要采用时域仿真分析法或在时域仿真分析基础上的EEAC(Extended Equal-AreaCriterion)量化分析方法，基于对电网模型和实时运行方式数据进行严格的数值计算，得出电网的暂态稳定性结果。通常省级电网需计算的暂态稳定故障数为几百至上千个，为保证在5-10分钟内完成一次全网暂态稳定分析的计算速度要求，需要部署数百CPU核数的计算资源。随着电网网架规模的快速扩展，大量风电、光伏设备以及UPFC等各类新型设备的加入，计算复杂度将呈指数性上升趋势，所需的计算资源或计算耗时还将进一步增加。

机器学习是人工智能领域的一个分支，通过使计算机在大量历史数据中挖掘所需信息，并从中学习规律，进而智能识别新样本或预测未来，从而使计算机在未事先明确编程的情况下做出正确反应或判断。机器学习已经在自动驾驶汽车、实用语音识别、基因组认识等方面带来大量帮助。机器学习的前提是提取对象的关键特征，因此在电力系统领域，将机器学习运用到暂态稳定分析，如何快速有效提取电网关键特征是急需解决的问题。

发明内容

本发明提供了一种暂态功角稳定分析关键特征量提取方法及系统，实现对电网关键特征的快速有效提取。

为了解决上述技术问题，本发明所采用的技术方案是：

一种暂态功角稳定分析关键特征量提取方法，包括以下步骤，

根据电网运行方式和暂态功角裕度范围对历史样本集进行抽样，形成训练样本集；其中，历史样本集包括历史故障对应的电网运行方式以及暂态功角稳定分析结果；

根据训练样本集中暂态功角稳定分析结果，对不同类型的设备进行特征量提取，形成关键特征量集。

形成训练样本集的过程为，

S1，根据电网运行方式从历史样本集中抽样N1个样本；根据暂态功角裕度范围从历史样本集中抽样N2个样本，N1+N2＝训练样本集中样本数量；

S2，将抽样获得的样本合并，得到集合A；

S3，判断集合A中是否存在重复样本；

S4，若不存在，则集合A为训练样本集；若存在，则按照N1/N2的比例对两种抽样样本去重，再各自重新抽取与去重数量一致的样本，将重新抽样的样本与集合A合并，转子步骤S3。

根据电网运行方式对历史样本集进行抽样的过程为，

将电网运行方式划分成若干个典型方式；

统计各典型方式内的样本数量，计算各典型方式内的样本占比；典型方式内的样本占比＝典型方式内的样本数量/历史样本集中样本总数；

计算各典型方式内的抽样数量；典型方式内的抽样数量＝电网运行方式抽样数量×典型方式内的样本占比；

根据典型方式内的抽样数量和预设的每天抽样数量，计算抽样天数；

随机选取抽样起始时间，根据抽样天数和典型方式内的抽样数量，进行抽样。