[發(fā)明專利]一種基于Tri-Training-Lasso-BP網(wǎng)絡(luò)的靜態(tài)電壓穩(wěn)定裕度預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910892002.9
• 申請日: 2019-09-18
• 公開（公告）號: CN110674984A
• 公開（公告）日: 2020-01-10
• 發(fā)明（設(shè)計）人: 唐瀅淇;董樹鋒;朱承治
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F30/27;G06N3/04;G06N3/08
• 代理公司: 33200 杭州求是專利事務(wù)所有限公司
• 代理人: 萬尾甜;韓介梅

本發(fā)明公開了一種基于Tri?Training?Lasso?BP網(wǎng)絡(luò)的靜態(tài)電壓穩(wěn)定裕度預(yù)測方法。該方法將神經(jīng)網(wǎng)絡(luò)、半監(jiān)督訓(xùn)練、集成學(xué)習(xí)等技術(shù)應(yīng)用于電力系統(tǒng)靜態(tài)電壓穩(wěn)定裕度的預(yù)測中，提出了基于Tri?Training?Lasso?BP網(wǎng)絡(luò)的在線預(yù)測方法，由三體訓(xùn)練法(Tri?Training)、最小絕對值收縮選擇(least absolute shrinkageand select operator，Lasso)方法和BP(back propagation)神經(jīng)網(wǎng)絡(luò)組成。本發(fā)明方法能夠降低對訓(xùn)練集數(shù)據(jù)數(shù)量和質(zhì)量的要求，發(fā)揮電力系統(tǒng)日常運行過程中采集的海量數(shù)據(jù)的優(yōu)勢，提高網(wǎng)絡(luò)的泛化能力和預(yù)測精度，減少人工干預(yù)，彌補了傳統(tǒng)方法難以實現(xiàn)在線實時預(yù)測電壓穩(wěn)定裕度、需要大量訓(xùn)練樣本、容易出現(xiàn)過擬合的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)靜態(tài)電壓穩(wěn)定裕度預(yù)測領(lǐng)域，尤其涉及一種基于Tri-Training-Lasso-BP網(wǎng)絡(luò)的靜態(tài)電壓穩(wěn)定裕度預(yù)測方法。

背景技術(shù)

靜態(tài)電壓穩(wěn)定性是電力系統(tǒng)安全穩(wěn)定運行的基礎(chǔ)和重要評估指標(biāo)，電力系統(tǒng)靜態(tài)電壓穩(wěn)定性分析中，電壓穩(wěn)定裕度指標(biāo)能夠提供直觀的信息。傳統(tǒng)的電壓穩(wěn)定裕度評估方法都是基于潮流方程的，計算速度慢，難以滿足在線實時預(yù)測的要求。隨著電力系統(tǒng)網(wǎng)架結(jié)構(gòu)日新月異的變化，傳統(tǒng)離線評估電力系統(tǒng)電壓穩(wěn)定裕度的方法難以適應(yīng)速度和精度上的要求。

采用離線仿真數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)靜態(tài)電壓穩(wěn)定預(yù)測的方法，其訓(xùn)練樣本是有限的，離線仿真數(shù)據(jù)也不可能完全涵蓋電網(wǎng)的所有運行狀態(tài)，因此得到的預(yù)測模型存在缺陷和不足。同時，電網(wǎng)實際運行的狀態(tài)是多種多樣的，必然有離線訓(xùn)練過程中沒有考慮到的因素，因此使用系統(tǒng)運行數(shù)據(jù)在線進(jìn)行網(wǎng)絡(luò)參數(shù)的更新和優(yōu)化具有必要性。此外，這樣的方法還容易出現(xiàn)過擬合，會降低網(wǎng)絡(luò)的泛化能力，對預(yù)測精度造成影響。

發(fā)明內(nèi)容

為了解決傳統(tǒng)預(yù)測方法中存在的問題和不足，本發(fā)明公開了一種基于Tri-Training-Lasso-BP網(wǎng)絡(luò)的靜態(tài)電壓穩(wěn)定裕度預(yù)測方法。本發(fā)明將神經(jīng)網(wǎng)絡(luò)、半監(jiān)督訓(xùn)練、集成學(xué)習(xí)等技術(shù)應(yīng)用于電力系統(tǒng)靜態(tài)電壓穩(wěn)定裕度的預(yù)測中，提出了基于Tri-Training-Lasso-BP網(wǎng)絡(luò)的在線預(yù)測方法，由三體訓(xùn)練法(Tri-Training)、最小絕對值收縮選擇(least absolute shrinkageand select operator，Lasso)方法和BP(back propagation)神經(jīng)網(wǎng)絡(luò)組成。本發(fā)明能夠彌補僅使用離線仿真數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)可能帶來的樣本覆蓋不足等缺陷，提高網(wǎng)絡(luò)的泛化性能，降低對訓(xùn)練集樣本數(shù)目的要求和訓(xùn)練過程中的人工干預(yù)，用較小的離線訓(xùn)練數(shù)據(jù)集達(dá)到更好的在線預(yù)測效果。

本發(fā)明采取以下技術(shù)方案實現(xiàn)：

一種基于Tri-Training-Lasso-BP網(wǎng)絡(luò)的靜態(tài)電壓穩(wěn)定裕度預(yù)測方法，包括以下步驟：

1)準(zhǔn)備好有標(biāo)簽數(shù)據(jù)集A、無標(biāo)簽數(shù)據(jù)集B和測試數(shù)據(jù)集C，它們的樣本數(shù)量分別為k_A、k_B、k_C，且k_A+k_B+k_C＝k。

2)處理有標(biāo)簽離線仿真數(shù)據(jù)集A：對有標(biāo)簽數(shù)據(jù)集A重復(fù)取樣三次，得到三個有標(biāo)簽數(shù)據(jù)子集，記為A₁、A₂、A₃，用它們分別訓(xùn)練得到三個不同的Lasso-BP網(wǎng)絡(luò)學(xué)習(xí)器，記為M₁、M₂、M₃。未經(jīng)過Lasso降維處理的樣本輸入自變量為X_i，經(jīng)過Lasso降維處理的樣本輸入自變量為X_i′，i∈[1,k]。

3)處理無標(biāo)簽在線狀態(tài)估計數(shù)據(jù)集B：分別使用無標(biāo)簽數(shù)據(jù)對學(xué)習(xí)器M₁、M₂、M₃進(jìn)行重新訓(xùn)練。這里以學(xué)習(xí)器M₃的重新訓(xùn)練為例，介紹學(xué)習(xí)器的重新訓(xùn)練過程：