[發(fā)明專利]基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法

在審

• 申請?zhí)枺?/td>: 202211200690.6
• 申請日: 2022-09-29
• 公開（公告）號: CN115471004A
• 公開（公告）日: 2022-12-13
• 發(fā)明（設計）人: 龍云;劉璐豪;梁雪青;盧有飛;趙宏偉;吳任博;陳明輝;張少凡;劉超;王歷曄;劉俊;李雨婷;彭鑫;趙譽;劉曉明
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/10;G06K9/62;H02J3/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 楊望仙

1.基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，包括：

根據電力系統(tǒng)暫態(tài)過程中不同軌跡變量與暫態(tài)穩(wěn)定性的關系選取多個不同的軌跡變量，對選取的多個不同的軌跡變量進行離散化特征采樣，得到離散化軌跡變量數據；

根據離散化軌跡變量數據構建樣本集合，通過10折交叉驗證法劃分訓練集和測試集；

將樣本集合的離散化軌跡變量數據作為多個類型的輸入特征，采用支持向量機的機器學習算法訓練得到多個暫態(tài)穩(wěn)定性預測的子學習機；

通過WTA方法確定多個暫態(tài)穩(wěn)定性預測的子學習機的集成學習組合策略，構建暫態(tài)穩(wěn)定性預測的集成學習模型，通過暫態(tài)穩(wěn)定性預測的集成學習模型對電力系統(tǒng)暫態(tài)穩(wěn)定性進行預測。

2.根據權利要求1所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述多個不同的軌跡變量包括發(fā)電機的功角δ、轉子轉速ω及節(jié)點電壓幅值V。

3.根據權利要求2所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述對選取的多個不同的軌跡變量進行離散化特征采樣包括：在電力系統(tǒng)故障切除后，分別按周期T連續(xù)在發(fā)電機的功角δ軌跡曲線、轉子轉速ω軌跡曲線、節(jié)點電壓幅值V軌跡曲線上取k個點的觀測數據。

4.根據權利要求3所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述通過10折交叉驗證法劃分訓練集和測試集，包括：訓練中采用10折交叉驗證法，將所有樣本10等分，選取任意9組樣本作為訓練集，剩余1組樣本作為測試集，依次循環(huán)10次。

5.根據權利要求2所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述將樣本集合的離散化軌跡變量數據作為多個類型的輸入特征，采用支持向量機的機器學習算法訓練得到多個暫態(tài)穩(wěn)定性機器學習預測的子學習機，包括：

將發(fā)電機的功角δ、轉子轉速ω及節(jié)點電壓幅值V作為3個類型的輸入特征，采用支持向量機的機器學習算法分別訓練3個類型的輸入特征和其對應的穩(wěn)定標簽、不穩(wěn)定標簽之間的關聯(lián)關系；

在樣本的訓練過程中，采用網格搜索法優(yōu)化支持向量機的懲罰因子C和核參數γ，得到參數優(yōu)化后的三個子學習機。

6.根據權利要求5所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述采用網格搜索法優(yōu)化支持向量機的懲罰因子C和核參數γ，得到參數優(yōu)化后的三個子學習機包括：將支持向量機的懲罰因子C和核參數γ分別在在2^-12～2¹²和2^-12～2¹²按照步長2¹進行網格搜索，然后取對應10折交叉準確率最高的結構參數建立最終的子學習機。

7.根據權利要求5所述的基于機器學習組合預測的電力系統(tǒng)暫態(tài)穩(wěn)定性預測方法，其特征在于，所述通過WTA方法確定三個暫態(tài)穩(wěn)定性預測的子學習機的集成學習組合策略，構建暫態(tài)穩(wěn)定性預測的集成學習模型，包括：綜合三個暫態(tài)穩(wěn)定性預測的子學習機預測結果，當三個暫態(tài)穩(wěn)定性預測的子學習機預測結果中的任一子學習機預測結果是不穩(wěn)定的，則認為電力系統(tǒng)暫態(tài)是不穩(wěn)定的，否則認為電力系統(tǒng)暫態(tài)是穩(wěn)定的。