[發明專利]基于交叉熵集成學習的電力系統故障后最低頻率預測方法

有效

• 申請號: 201711390235.6
• 申請日: 2017-12-21
• 公開（公告）號: CN108090615B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 湯奕;崔晗;王琦;李峰
• 申請（專利權）人: 東南大學溧陽研究院;東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于交叉熵集成學習的電力系統故障后最低頻率預測方法，其特征在于，該方法包括以下步驟：

(1)通過仿真設置不同類型的暫態故障；

步驟(1)中，所述仿真設置包括：

(11)設置仿真參數，所述仿真參數包括故障類型、故障地點和故障嚴重程度；

(12)讀取仿真后頻率態勢數據，記錄暫態過程的最低頻率，得到仿真數據；

(2)根據數據樣本進行算法離線訓練；

步驟(2)中，所述算法離線訓練包括：

(21)將所述仿真數據隨機分為訓練集和測試集，并分別對所述訓練集和測試集進行數據預處理；

(22)對所述訓練集和測試集進行特征篩選，得到可用于算法訓練的樣本；

(23)將所述訓練集的格式記為包括特征值和仿真結果集，并采用特征值對多個基學習器進行算法訓練，得到多個基學習器的測試結果集，對多個基學習器的測試結果集和所述仿真結果集分布的交叉熵計算；

(24)根據各個基學習器交叉熵的結果進行集成學習算法權重確定，得到頻率預測的集成學習模型；

(3)通過測試集對多個基學習器的交叉熵計算得到的集成學習模型進行在線故障后頻率預測；

步驟(3)中，所述故障后頻率預測算法包括：

(31)將所述測試集的格式寫成步驟(23)中訓練集的格式；

(32)將特征值輸入集成學習模型得到最低頻率預測；

(33)對比測試集中的仿真結果與最低頻率預測的結果，對比基學習器測試結果與最低頻率預測的結果；

(34)改變測試集中樣本的數量，形成不同的頻率預測模型，對比各個所述頻率預測模型在不同測試集數量條件下的精度與相同條件下基學習器下的預測精度。

2.根據權利要求1所述的基于交叉熵集成學習的電力系統故障后最低頻率預測方法，其特征在于，步驟(22)中，所述特征篩選采用的方法為物理原理和數據分析相結合，包括發電機功率、慣性時間常數、轉動慣量、負荷容量和潮流分布。

3.根據權利要求1所述的基于交叉熵集成學習的電力系統故障后最低頻率預測方法，其特征在于，步驟(23)中，對基學習器的交叉熵計算的公式為：

其中，D(p,q)為基學習器p和q的交叉熵，p為仿真結果集，q為測試結果集，w_i為第i個樣本的權重，f_p為樣本輸入與仿真結果的映射關系，f_q為樣本輸入與測試結果的映射關系，x_i為第i個樣本輸入，i＝1,2,...,n，其中n為樣本個數。

4.根據權利要求1所述的基于交叉熵集成學習的電力系統故障后最低頻率預測方法，其特征在于，步驟(24)中，所述集成學習算法權重的確定公式為：

其中，D_k為第k個基學習器測試結果與仿真結果的交叉熵，共m個基學習器，D_j為第j個基學習器測試結果與仿真結果的交叉熵，j＝1,2,...,m；最終的集成學習預測結果公式為：

其中，W_k為求取的第k個基學習器的權重，f_k為第k個基學習器的預測最低頻率。