[发明专利]电力系统暂态稳定评估方法

权利要求书

1.一种电力系统暂态稳定评估方法，其特征在于，其具体步骤为：

S1、构建原始特征数据集；

根据对电力系统正常运行时的各个潮流量变化的规律，选择出与电力系统安全稳定运行相关联的特征数据构建原始特征数据集；根据电力系统时域仿真，通过设置不同的故障条件得到相关稳定运行的数据，并对仿真所取得的数据进行标记，准确区分系统稳定和系统失稳；将原始特征数据集中的每一个特征量记为X_i,i＝1,2,...,N，一共N个特征量；将通过电力系统时域仿真得到的数据作为样本，记为[a₁ a₂ … a_n]^T，将一共n个样本数据形成特征矩阵作为输入的样本矩阵，则原始数据样本矩阵F表示为：

式中，每一行表示一个样本数据，其中f_hg,h＝1,2,...,n,g＝1,2,...,N，表示第h个样本的第g维特征；

对每个样本的稳定判断结果进行标记，结果记为Y_i,i＝1,2,...,n一共n个判断结果，当Y_i＝1时，判断结果表示稳定，当Y_i＝0时，判断结果表示失稳；则与特征矩阵F对应的标记向量表示为：

S2、使用Fisher Score特征选择算法对所有特征量进行重要性排序；其步骤为：

将通过电力系统时域仿真软件得到的所有样本数据所构建的样本矩阵F以及每个样本所对应的标记向量矩阵L作为输入，通过Fisher Score特征选择算法，将所有特征的序号作为输出，按照每个特征对电力系统暂态稳定的重要性大小对其进行排序；

S3、通过支持向量机对数据进行学习训练；

S31、将原始的n组样本数据随机分为训练数据集和测试数据集，其中，训练数据集共含有n₁组样本，测试数据集共含有n₂组样本；

S32、通过使用n₁组训练样本数据集对支持向量机进行训练，调整支持向量机的参数，得到电力系统暂态稳定的预测模型，再使用n₂组测试样本数据对所训练的预测模型进行测试，得到预测模型的准确率；

S4、通过使用Fisher Score特征选择算法选择出电力系暂态稳定的关键特征量；

S41、通过S2中所得到的所有特征的重要性排序，按照重要性从高到低的顺序，将特征量依次加入到训练好的预测模型中，测试评估准确率；

S42、通过绘制特征数量-准确率曲线，得到准确率最大值，和与之对应的特征数量，根据特征数量和重要性排序即可得到电力系统暂态稳定评估的关键特征量。

2.如权利要求1所述的电力系统暂态稳定评估方法，其特征在于，步骤S2中，利用Fisher Score特征选择算法对原始特征数据集中的特征维度进行计算和排序的具体步骤为：

给定特征集{f₁,f₂,...,f_n}上取自c,c≥2个类别的训练样本x_j∈Rⁿ,j＝1,2,...,N，定义训练样本第i个特征f_i的类间散度S_b(f_i)和第k类样本在第i个特征f_i下的类内散度为：

式中，n_k为第k类样本的数目，为第i个特征下第k类样本的均值，μ_i为整体样本在第i个特征下的均值，为第k类样本中第j个样本在第i个特征f_i下的取值；

根据Fisher Score特征选择算法的原理，第i个特征f_i下类间散度S_b(f_i)越大，c个类别的类内散度之和S_t(f_i)越小，得到训练样本第i个特征f_i的Fisher Score值为：

式中，FS(f_i)为训练样本第i个特征f_i的Fisher Score值；

通过公式(4)计算通过电力系统时域仿真所构建的电力系统暂态稳定的原始特征数据集中各个特征维度的Fisher值，将所有特征维度按照与电力系统的暂态稳定性的相关性从高到低排序。

3.如权利要求1所述的电力系统暂态稳定评估方法，其特征在于，步骤S3中，训练支持向量机的过程为：

给定线性可分训练数据集，由数据集训练得到的超平面为：

H:ω^*·x+b^*＝0   (5)

式中，H表示超平面，ω^*表示权值向量，x表示给定的训练样本集，b^*表示偏置；

距离超平面H最近的样本正好落在H₁和H₂，H₁表示第一类样本距离超平面最近的样本点所构成的平面，H₂表示第二类样本距离超平面距离最近的样本点所构成的平面，这样的样本为支持向量；分类决策面的决策函数表示为：

f(x)＝sign(ω^*·x+b^*)    (6)

式中，f(x)表示分类决策面的决策函数；

公式(6)所述决策函数即为线性支持向量机；

给定数据集D＝(x₁,y₁),(x₂,y₂),...,(x_n,y_n),y_i＝{1,-1}，x_i,i＝1,2,...,n表示期望输入样本，y_i,i＝1,2,...,n为期望样本输出，表示标签，取值为1和-1，由超平面所有其它样本均满足：

样本空间中任意一点到最优平面的距离r为：

通过公式(8)得到分类间隔为：

式中，ρ表示分类间隔，即H₁和H₂之间的间隔距离；

通过决策函数保证分开样本且间隔最大，则线性分类问题转化为带约束的最值问题，表示为：

对于分类错误的离群点，在公式(10)中加入松弛变量ξ_i≥0、惩罚因子C≥0，松弛变量ξ_i和惩罚因子C的取值分别决定对样本分类错误的容忍程度和惩罚程度，得到：

通过公式(11)完成利用支持向量机对训练数据集的分类学习工作。