[发明专利]电力系统暂态稳定评估方法

说明书

本发明涉及一种电力系统暂态稳定评估方法，该方法通过电力系统暂态稳定时域仿真得到原始特征数据集，通过支持向量机对其进行训练测试，得到对电力系统暂态稳定预测模型的准确率；使用Fisher Score特征选择算法对所有特征量进行重要性排序，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；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。本发明在进行电力系统暂态稳定评估时尽可能地选取与电力系统的安全稳定运行更加相关的特征量，从而更加快速、准确地对电力系统的暂态稳定进行评估。

技术领域

本发明属于电力系统安全稳定技术领域，具体地说，涉及一种的电力系统暂态稳定评估方法。

背景技术

电力系统暂态稳定是一直以来电力系统安全稳定运行的重点问题之一，也是电力系统中研究的一个重要课题。近年来，随着清洁能源的替代和电力系统电力电子化趋势的增强，传统的基于理论模型的电力系统数值仿真方法将面临新的挑战。所以，不依赖于元件模型的数据驱动型电力系统稳定评估方法逐渐受到重视。数据驱动型的电力系统稳定评估方法需要有大量的数据支撑，这就需要从电力系统的潮流运行中取得合适的特征集来对电力系统的稳定性进行表征。随着电网发展越来越迅速，电力系统的潮流运行中的特征量的数目十分庞大，在电网的安全稳定问题的研究中，找到起关键作用的特征对于电力系统的监控和安全运行十分重要。

电力系统在运行时能够提的潮流特征量数量众多，包括发电机的功角、出力、速度偏差以及线路上的潮流量等。但如果将所有相关的特征量都加入到电力系统暂态稳定评估模型中作为模型的输入量，容易导致模型训练困难，并且评估的准确率也会相应下降。特征选择主要是从电力系统的大量特征量中有针对性的选取部分相关性更高的特征量，使得对电力系统暂态稳定评估的准确率提高，进而能够更好地采取相关措施对电力系统安全稳定运行进行防护和控制。特征选择的方法主要分为三大类：过滤式(英文：Filter)特征选择、包裹式(英文：Wrapper)特征选择、嵌入式(英文：Embedding)特征选择。过滤式特征选择是先对数据集进行特征选择，然后再对学习模型进行训练，特征选择与后续学习过程无关。包裹式特征选择是直接把最终将要使用的模型性能作为特征子集的评价准则，但是在特征选择的过程中要对学习模型进行多次训练，计算复杂度比过滤式高。嵌入式特征选择是将特征选择过程与学习模型的训练过程融为一体，两者在同一个过程中完成。

目前对于电力系统暂态稳定评估的特征集的选择一般是依据运行经验选取潮流量，但由于电网的复杂性逐渐增加，仅依靠人工经验很难准确、全面地掌握电网的运行规律，依靠经验选取特征可能会忽视电网运行的潜在问题。

发明内容

本发明针对现有电力系统暂态稳定评估方法存在的准确性差等上述问题，提供一种电力系统暂态稳定评估方法，能够提高电力系统暂态稳定评估的准确率。

为了达到上述目的，本发明提供了一种电力系统暂态稳定评估方法，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；