[發(fā)明專利]一種基于集成分類模型的電力系統(tǒng)在線動態(tài)安全評估方法

在審

• 申請?zhí)枺?/td>: 202010425310.3
• 申請日: 2020-05-19
• 公開（公告）號: CN111651932A
• 公開（公告）日: 2020-09-11
• 發(fā)明（設計）人: 劉頌凱;毛丹;段雨舟;劉煉;程江洲;龔小玉;楊楠;李振華;袁波;王彥淞;程杉;粟世瑋;盧云;陳曦
• 申請（專利權）人: 三峽大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06Q10/06;G06Q50/06
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 余山

一種基于集成分類模型的電力系統(tǒng)在線動態(tài)安全評估方法，步驟1：建立一個電力系統(tǒng)安全評估的初始樣本集；步驟2：通過特征選擇構建一個包含關鍵變量和相應動態(tài)安全分類標簽的高效樣本集；步驟3：獲得能夠準確預測電力系統(tǒng)運行狀態(tài)的動態(tài)安全評估模型；步驟4：將實時數(shù)據(jù)作為動態(tài)安全評估模型的輸入實現(xiàn)電力系統(tǒng)的在線動態(tài)安全評估。本發(fā)明的目的是為了解決電力系統(tǒng)DSA過程中的評估數(shù)據(jù)的不平衡問題和誤分類問題所帶來的評估誤差。

技術領域

本法發(fā)明涉及電力系統(tǒng)動態(tài)安全評估領域，具體涉及一種基于集成分類模型的電力系統(tǒng)在線動態(tài)安全評估方法。

背景技術

隨著電力系統(tǒng)規(guī)模的逐步增大，以及新能源的并網(wǎng)規(guī)模不斷擴大，給系統(tǒng)的安全穩(wěn)定運行帶來了巨大的挑戰(zhàn)，如何保證系統(tǒng)在更經濟的條件下安全穩(wěn)定運行已顯得愈來愈重要。因此，電力系統(tǒng)的動態(tài)安全分析已經發(fā)展成為了研究的重要熱點。電力系統(tǒng)的數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)種類混雜的特點，快速、準確捕捉電力系統(tǒng)的事故安全報警信號變得更加困難且格外的重要。采用電力系統(tǒng)動態(tài)安全評估(Dynamic Security Assessment，DSA)模型對電力系統(tǒng)數(shù)據(jù)進行安全分類總是存在以下兩個問題：

第一、系統(tǒng)中數(shù)據(jù)樣本的分類往往存在兩種誤分類，即將穩(wěn)定狀態(tài)誤判為不穩(wěn)定狀態(tài)和將不穩(wěn)定狀態(tài)誤判為穩(wěn)定狀態(tài)兩種情況，錯誤的分類對電力系統(tǒng)的危害程度是不一樣的，因此迫切需要能有效降低分類誤差的方法來提高電力系統(tǒng)的穩(wěn)定狀況；

第二、電力系統(tǒng)中的不平衡數(shù)據(jù)集分類效果往往不是非常理想，數(shù)據(jù)的非平衡采樣可能會使分類的結果并不能符合實際情況，因此迫切需要新的方法來解決非平衡數(shù)據(jù)采樣帶來的影響，提高系統(tǒng)動態(tài)安全穩(wěn)定預測的精確度。

目前常用于電力系統(tǒng)DSA的分類方法有人工神經網(wǎng)絡(Artificial NeuralNetwork，ANN)，決策樹(Decision Tree，DTs)、隨機森林(Random Forest，RF)、支持向量機(Support Vector Machine，SVM)、極限學習機(Extreme Learning Machine，ELM)等。但這些方法往往集中在提高DSA總體分類精度上，將兩種誤分類同等對待，增加了DSA的誤差，并且這些分類方法無法很好的處理數(shù)據(jù)樣本中數(shù)據(jù)不平衡的問題，對DSA的評估精度產生了一定的影響。

授權公告為CN106849069B的專利文獻公開了一種基于Pin-SVM的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法：該方法首先構建原始特征集，分為訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)；由訓練樣本數(shù)據(jù)訓練電力系統(tǒng)的暫態(tài)穩(wěn)定評估模型；采用電力系統(tǒng)暫態(tài)穩(wěn)定評估模型對用測試樣本數(shù)據(jù)模擬的電力系統(tǒng)狀態(tài)進行穩(wěn)定性評估,針對實際電力系統(tǒng)的故障類型,依據(jù)電力系統(tǒng)特征子集相對于電力系統(tǒng)穩(wěn)定類與不穩(wěn)定類的隸屬度將故障劃歸到相應的類,當分類為不穩(wěn)定類,則認為該故障為嚴重故障；反之,則認為該故障為不嚴重故障；在故障篩選和穩(wěn)定評估完成的同時得到評價指標。該發(fā)明的缺點是沒有考慮不平衡數(shù)據(jù)及樣本數(shù)據(jù)的誤分類對評估結果造成的影響，致使評估結果在置信度方面存在不足。

綜上所述，目前的安全評估方法并不能滿足現(xiàn)代電力系統(tǒng)對DSA方法的高適應性、高精度的需求。

發(fā)明內容

本發(fā)明為了解決電力系統(tǒng)DSA過程中的評估數(shù)據(jù)的不平衡問題和誤分類問題所帶來的評估誤差，提出了一種基于集成分類模型的電力系統(tǒng)動態(tài)安全評估方法，采用樣本分層的雙向過采樣(Stratified Bi-directional Oversampling，SBO)方法獲取樣本，并使用三種高精度NP分類器集成一個DSA模型，對于多個NP分類器的結果采用多數(shù)投票的方式得到系統(tǒng)DSA的最終結果，有效提高了DSA的精度。

為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用了以下方案：

一種基于集成分類模型的電力系統(tǒng)在線動態(tài)安全評估方法，包括以下步驟：

步驟1：構建動態(tài)安全分類標簽，基于電力系統(tǒng)歷史運行數(shù)據(jù)與故障仿真產生的數(shù)據(jù)，建立一個電力系統(tǒng)安全評估的初始樣本集；