[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

说明书

本发明公开了一种基于Tri‑Training‑Lasso‑BP网络的静态电压稳定裕度预测方法。该方法将神经网络、半监督训练、集成学习等技术应用于电力系统静态电压稳定裕度的预测中，提出了基于Tri‑Training‑Lasso‑BP网络的在线预测方法，由三体训练法(Tri‑Training)、最小绝对值收缩选择(least absolute shrinkageand select operator，Lasso)方法和BP(back propagation)神经网络组成。本发明方法能够降低对训练集数据数量和质量的要求，发挥电力系统日常运行过程中采集的海量数据的优势，提高网络的泛化能力和预测精度，减少人工干预，弥补了传统方法难以实现在线实时预测电压稳定裕度、需要大量训练样本、容易出现过拟合的问题。

技术领域

本发明涉及电力系统静态电压稳定裕度预测领域，尤其涉及一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法。

背景技术

静态电压稳定性是电力系统安全稳定运行的基础和重要评估指标，电力系统静态电压稳定性分析中，电压稳定裕度指标能够提供直观的信息。传统的电压稳定裕度评估方法都是基于潮流方程的，计算速度慢，难以满足在线实时预测的要求。随着电力系统网架结构日新月异的变化，传统离线评估电力系统电压稳定裕度的方法难以适应速度和精度上的要求。

采用离线仿真数据训练神经网络进行电力系统静态电压稳定预测的方法，其训练样本是有限的，离线仿真数据也不可能完全涵盖电网的所有运行状态，因此得到的预测模型存在缺陷和不足。同时，电网实际运行的状态是多种多样的，必然有离线训练过程中没有考虑到的因素，因此使用系统运行数据在线进行网络参数的更新和优化具有必要性。此外，这样的方法还容易出现过拟合，会降低网络的泛化能力，对预测精度造成影响。

发明内容

为了解决传统预测方法中存在的问题和不足，本发明公开了一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法。本发明将神经网络、半监督训练、集成学习等技术应用于电力系统静态电压稳定裕度的预测中，提出了基于Tri-Training-Lasso-BP网络的在线预测方法，由三体训练法(Tri-Training)、最小绝对值收缩选择(least absolute shrinkageand select operator，Lasso)方法和BP(back propagation)神经网络组成。本发明能够弥补仅使用离线仿真数据训练网络可能带来的样本覆盖不足等缺陷，提高网络的泛化性能，降低对训练集样本数目的要求和训练过程中的人工干预，用较小的离线训练数据集达到更好的在线预测效果。

本发明采取以下技术方案实现：

一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法，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。未经过Lasso降维处理的样本输入自变量为X_i，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：分别使用无标签数据对学习器M₁、M₂、M₃进行重新训练。这里以学习器M₃的重新训练为例，介绍学习器的重新训练过程：