[发明专利]基于粒子群算法和梯度提升树的电网运行安全评估方法

说明书

本发明公开了基于粒子群算法和梯度提升树的电网运行安全评估方法，包括：收集电力系统运行数据，同时基于预想事故集进行仿真得到故障样本，形成样本集；对样本集进行特征选择，得到能用来预测电力系统状态的关键变量；结合梯度提升树与集成学习，构建在线动态安全评估模型，利用关键变量对模型进行离线训练与更新，对电力系统状态进行回归预测；将实时电力系统运行数据输入到构建的在线动态安全评估模型中，对电网进行实时动态安全评估。本发明提出的电力系统在线动态安全评估模型能够为电网提供快速高效的评估，有利于电力人员的系统维护及安全措施预防的工作，对改善电网运行的安全性与质量有着重大意义。

技术领域

本发明属于电力系统安全评估领域，具体涉及一种基于粒子群算法和梯度提升树的电网运行安全评估方法。

背景技术

一方面，随着现代电力系统的持续脱碳，尤其是可再生能源发电的大规模整合，以及运输和供热部门的潜在电气化，正在极大地扩展电力系统的运行状态空间，可能的操作点的扩展使得有必要开发新颖的安全性评估方法；另一方面，电力市场的自由化在许多地区大大分散了配电和供应服务，降低了系统运营商对系统的可控制性。上述方面给电力系统的稳定可靠运行带来了前所未有的挑战。

有许多不同的标准来定义电网安全性，静态不安全因素可能是指线路过载、电压超过极限，动态不安全因素可能是发电机转子角度不稳定或电压不稳定。系统安全评估方法可以分为物理分析方法和数据驱动方法。对电力系统建模进行非线性微分方程的时域仿真是最简单的物理分析方法，由于该方法需要有关故障期间和之后的网络配置的详细信息，加大了计算负担，使得仿真结果不及时；基于李雅普诺夫稳定性或能量函数原理的瞬时能量函数是另一种物理分析方法，该方法难以确定在给定的一组断层中动能和势能的水平。对大型电力系统而言，跨越多个工作点并针对大量潜在突发事件进行动态稳定性评估是很难的。

数据驱动方法不需要网络配置信息和电力系统参数来预测瞬态不稳定性。目前采用数据驱动方法对电力系统进行动态安全评估更为广泛。随着相量测量单元(PhasorMeasurement Units，PMUs)的广泛采用，来自系统过去历史的真实数据的涌入为通过人工智能方法构建可靠的系统安全规则也提供了宝贵的机会。机器学习技术如人工神经网络、支持向量机、决策树和长短期记忆网络已被广泛用于电力系统的动态安全评估。

目前的电力系统动态安全评估方法仍存在以下缺陷和困难：

(1)传统的关系探索工具，在进行相关性检测时，存在或多或少的高估或低估问题，使得选择的特征不够准确；

(2)传统的数据驱动方法难以兼顾运算速度和运算精度。现有的各种暂态稳定分析方法为处理DSA(Dynamic Security Assessment)问题做出了贡献，但是还不能很好地满足在线动态安全评估的要求。

发明内容

本发明的技术问题是现有的电力系统动态安全评估方法在进行相关性检测时，存在或多或少的高估或低估问题，使得选择的特征不够准确；现有的电力系统暂态稳定分析方法不能很好地满足在线动态安全评估的要求。

本发明的目的是解决上述问题，提供一种基于粒子群算法和梯度提升树的电网运行安全评估方法，采用优化算法从特征中确定关键变量，利用梯度提升树与集成学习，构建在线动态安全评估模型，高效地评估系统运行时的安全状况，提高电力系统安全运行水平。

本发明的技术方案是基于粒子群算法和梯度提升树的电网运行安全评估方法，基于粒子群算法和梯度提升树的电网运行安全评估方法，包括以下步骤：

步骤1：获取电力系统运行信息，基于预想事故集进行故障仿真，确定动态安全指标，形成原始样本集；

步骤2：利用基于粒子群算法的特征选择方法，对原始样本集进行特征选择，得到能用来预测电力系统状态的关键变量；