[發明專利]一種基于隨機森林與極限學習回歸的動態安全評估方法

在審

• 申請號: 202010187421.5
• 申請日: 2020-03-17
• 公開（公告）號: CN111401749A
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 劉明怡;劉禮煌;毛丹;史若原;歐琳琳;王欣怡;張琦;張婧怡
• 申請（專利權）人: 三峽大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/00;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 新余市渝星知識產權代理事務所(普通合伙) 36124
• 代理人: 廖平

本發明公開一種基于隨機森林與極限學習回歸的在線動態安全評估方案，具體包括以下步驟：(1)利用電力系統歷史運行數據和基于預想事故集的故障仿真，獲取電力系統運行數據樣本，構建動態安全指標，形成原始樣本集(2)采用基于隨機森林的特征選擇方法，利用基尼指數和變量重要性評分，得到關鍵變量；(3)利用關鍵變量訓練極限學習回歸機，得到映射關系；(4)通過從廣域量測系統服務器接收到實時電力系統運行數據，對模型進行更新，完成對電力系統實時動態安全的評估。該方案實現了對電力系統進行快速、高效的實時安全評估，有利于維持電力系統的穩定運行。

技術領域

本發明屬于電力系統動態安全評估領域，具體涉及隨機森林、基尼指數、極限學習回歸擬合、單隱含 層前饋神經網絡算法。

背景技術

現代電力系統是世界上最復雜的人工系統之一，它的運行是為了維持連續的發電、輸電和配電，但是， 電力系統的運行不可避免地會遭受各種干擾和故障，根據干擾和故障的嚴重程度，電力系統可能會失去安 全性，可能導致災難性的后果，例如大范圍的停電。隨著電力系統規模的不斷增大，電力系統的安全運行 面臨著前所未有的挑戰。為了避免災難性局面的出現和適應電力系統規模的擴大，快速準確地對電力系統 的狀態進行評估是研究人員關注的重點之一，在線動態安全評估對于維持電力系統安全穩定的運行具有重要意義。

一般而言，電力系統安全可以分為靜態安全和動態安全，前者檢查在擾動后狀態下是否存在傳輸線過 載和總線過電壓，而后者則研究在系統動態運行期間是否違反穩定性標準。從數學的角度來看，靜態安全 問題可以通過一組代數方程建模，并進行快速計算，而動態安全問題則以大量非線性微分代數方程出現， 計算量大，維數高，快速準確地計算難以實現。

近年來，隨著相量測量單元的廣泛采用，來自系統過去歷史的真實數據的大量涌入為通過人工智能方 法構造更可靠的系統安全檢測方案提供了寶貴的機會。基于人工智能和基于數據挖掘技術的數據驅動方法 已被確定為快速、準確、信息豐富的動態安全評估極具潛力的方向。目前機器學習技術例如：支持向量機、 人工神經網絡、決策樹和長短期記憶已被廣泛應用于電力系統在線動態安全評估。

然而，現有方法仍存在以下不足：

(1)一些常用的互信息和關系探索的工具，在進行相關性檢測的時候，或多或少的存在高估或低估 的問題，使得特征選擇不夠準確，選擇的關鍵變量不足以用于下一步的分類或者回歸訓練。同時，難以在 運算效率和關鍵特征子集質量間找到一個很好的平衡點。

(2)一些傳統數據驅動方法在應用于電力系統在線動態安全評估時，存在一些局限性，比如運算效 率較低、容易過擬合、難以用于大量數據的分析等。

發明內容

針對上述問題與不足，本發明提出一種基于隨機森林與極限學習回歸的電力系統在線動態安全評估方 案。本發明采用的采用隨機森林的算法、基于基尼指數和變量重要性評分可以實現對變量進行快速、準確 的特征選擇。結合極限學習回歸構造高效的動態安全評估模型，實現對電力系統狀態的實時在線評估，為 大規模下的電力系統運行人員提供一種新的評估方案。

為了實現上述發明目的，本文提出以下技術方案：

步驟1：利用電力系統歷史運行數據和基于預想事故集的故障仿真，獲取電力系統運行數據樣本，構 建動態安全指標，形成原始樣本集；

步驟2：采用基于隨機森林的特征選擇方法，利用基尼指數和變量重要性評分，對原始樣本集依據排 名進行特征選擇，形成關鍵變量集；

步驟3：將隨機森林選出的關鍵變量發送到極限學習回歸機進行訓練，特征選擇過程與極限學習回歸 過程共同構成電力系統動態安全評估模型；

步驟4：通過從廣域量測系統服務器接收到實時電力系統運行數據，對模型進行更新，完成對電力系 統實時動態安全的評估。