[发明专利]一种基于随机森林与极限学习回归的动态安全评估方法

说明书

本发明公开一种基于随机森林与极限学习回归的在线动态安全评估方案，具体包括以下步骤：(1)利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构建动态安全指标，形成原始样本集(2)采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，得到关键变量；(3)利用关键变量训练极限学习回归机，得到映射关系；(4)通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系统实时动态安全的评估。该方案实现了对电力系统进行快速、高效的实时安全评估，有利于维持电力系统的稳定运行。

技术领域

本发明属于电力系统动态安全评估领域，具体涉及随机森林、基尼指数、极限学习回归拟合、单隐含 层前馈神经网络算法。

背景技术

现代电力系统是世界上最复杂的人工系统之一，它的运行是为了维持连续的发电、输电和配电，但是， 电力系统的运行不可避免地会遭受各种干扰和故障，根据干扰和故障的严重程度，电力系统可能会失去安 全性，可能导致灾难性的后果，例如大范围的停电。随着电力系统规模的不断增大，电力系统的安全运行 面临着前所未有的挑战。为了避免灾难性局面的出现和适应电力系统规模的扩大，快速准确地对电力系统 的状态进行评估是研究人员关注的重点之一，在线动态安全评估对于维持电力系统安全稳定的运行具有重要意义。

一般而言，电力系统安全可以分为静态安全和动态安全，前者检查在扰动后状态下是否存在传输线过 载和总线过电压，而后者则研究在系统动态运行期间是否违反稳定性标准。从数学的角度来看，静态安全 问题可以通过一组代数方程建模，并进行快速计算，而动态安全问题则以大量非线性微分代数方程出现， 计算量大，维数高，快速准确地计算难以实现。

近年来，随着相量测量单元的广泛采用，来自系统过去历史的真实数据的大量涌入为通过人工智能方 法构造更可靠的系统安全检测方案提供了宝贵的机会。基于人工智能和基于数据挖掘技术的数据驱动方法 已被确定为快速、准确、信息丰富的动态安全评估极具潜力的方向。目前机器学习技术例如：支持向量机、 人工神经网络、决策树和长短期记忆已被广泛应用于电力系统在线动态安全评估。

然而，现有方法仍存在以下不足：

(1)一些常用的互信息和关系探索的工具，在进行相关性检测的时候，或多或少的存在高估或低估 的问题，使得特征选择不够准确，选择的关键变量不足以用于下一步的分类或者回归训练。同时，难以在 运算效率和关键特征子集质量间找到一个很好的平衡点。

(2)一些传统数据驱动方法在应用于电力系统在线动态安全评估时，存在一些局限性，比如运算效 率较低、容易过拟合、难以用于大量数据的分析等。

发明内容

针对上述问题与不足，本发明提出一种基于随机森林与极限学习回归的电力系统在线动态安全评估方 案。本发明采用的采用随机森林的算法、基于基尼指数和变量重要性评分可以实现对变量进行快速、准确 的特征选择。结合极限学习回归构造高效的动态安全评估模型，实现对电力系统状态的实时在线评估，为 大规模下的电力系统运行人员提供一种新的评估方案。

为了实现上述发明目的，本文提出以下技术方案：

步骤1：利用电力系统历史运行数据和基于预想事故集的故障仿真，获取电力系统运行数据样本，构 建动态安全指标，形成原始样本集；

步骤2：采用基于随机森林的特征选择方法，利用基尼指数和变量重要性评分，对原始样本集依据排 名进行特征选择，形成关键变量集；

步骤3：将随机森林选出的关键变量发送到极限学习回归机进行训练，特征选择过程与极限学习回归 过程共同构成电力系统动态安全评估模型；

步骤4：通过从广域量测系统服务器接收到实时电力系统运行数据，对模型进行更新，完成对电力系 统实时动态安全的评估。