[发明专利]一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法

权利要求书

1.一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法，其特征在于，包括以下步骤：

1)准备好有标签数据集A、无标签数据集B和测试数据集C，它们的样本数量分别为k_A、k_B、k_C，且k_A+k_B+k_C＝k；

2)处理有标签离线仿真数据集A：对有标签数据集A重复取样三次，得到三个有标签数据子集，记为A₁、A₂、A₃，用它们分别训练得到三个不同的Lasso-BP网络学习器，记为M₁、M₂、M₃；经过Lasso降维处理的样本输入自变量为X_i′，i∈[1,k]；

3)处理无标签在线状态估计数据集B：使用无标签数据对学习器M₁、M₂、M₃进行重新训练，其中，学习器M₃的重新训练方法为，使用学习器M₁、M₂分别对数据集B的无标签数据进行预测，预测结果置信度判断标准为：

|M₁(X_i′)-M₂(X_i′)|＜SURE_ERR (1)

式中：X_i′∈B，SURE_ERR为常数，可以根据实际情况进行调整；

如果式(1)成立，则：

式中：X_i′∈B，α+β＝1，为输出响应变量的预测值，将作为伪标签数据组合加入伪标签数据集π₃；

如果式(1)不成立，则不进行任何操作；

4)将伪标签数据集X_i′∈B与学习器M₃的训练数据集A₃合并，得到新训练数据集A₃′：

A₃′＝A₃∪π₃ (3)

用A₃′替换掉A₃，训练得到新的学习器M₃，此时，学习器M₃的重新训练完成，用新的学习器M3替代原来的学习器M3；

5)对学习器M₁、M₂分别重复步骤3)4)进行重新训练；对三个学习器全部进行了步骤3)4)后，称为一次Tri-Training过程；重复运行Tri-Training过程，直到达到最大重复次数epoch_max，epoch_max可以根据实际情况进行调整；

6)使用经过参数调整的三个学习器M₁、M₂、M₃对测试数据集C进行预测，系统静态电压稳定极限点的负荷预测值为：

式中：X_i′∈C，α+β+γ＝1。

2.根据权利要求1所述的一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法，其特征在于，所述的无标签在线状态估计数据集B的获取方法为：在模拟电力系统日常运行过程中，使用状态估计方法对大量量测数据进行处理，得到描述电力系统当前状态的状态量的估计值即为无标签在线状态估计数据集B，所述的无标签在线状态估计数据集B含有输入状态自变量X_i′，但不含有输出响应变量P_max,i。