[發明專利]基于機器學習組合預測的電力系統暫態穩定性預測方法

在審

• 申請號: 202211200690.6
• 申請日: 2022-09-29
• 公開（公告）號: CN115471004A
• 公開（公告）日: 2022-12-13
• 發明（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

本發明涉及電力系統技術領域，具體為基于機器學習組合預測的電力系統暫態穩定性預測方法，該方法包括：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；采用支持向量機的機器學習算法訓練得到多個暫態穩定性預測的子學習機；通過WTA方法確定多個暫態穩定性預測的子學習機的集成學習組合策略，構建暫態穩定性預測的集成學習模型。本發明可以提高電力系統暫態穩定性的整體預測準確率，充分利用電力系統中的數據，使不穩定樣本的預測結果更準確，有更強的學習能力和泛化能力。

技術領域

本發明涉及電力系統技術領域，具體涉及基于機器學習組合預測的電力系統暫態穩定性預測方法。

背景技術

基于GPS和同步相量測量單元(Phasor Measurement Unit,PMU)的廣域測量系統(Wide-Area Measurement System,WAMS)和模式識別技術的日趨發展，為電力系統在線暫態穩定性評估提供了新的思路和技術手段。通過對大量的離線仿真數據訓練并構建基于機器學習的評估模型，來擬合暫態過程中電力系統各種變量與暫態穩定性之間復雜的非線性函數關系(這種關系大多情況下無法用簡單顯性函數的形式來表達)，然后對實時采集的系統信息進行數據分析，實現電力系統暫態穩定性的在線快速評估，在電網受到大擾動后迅速預測出系統的暫態穩定性，為后續的緊急控制提供依據，從而控制事故的發展和減小事故的影響。

隨著人工智能的興起和發展，電力系統專業人員開始研究將機器學習方法應用于電力系統的暫態穩定性預測與運行控制，其主要思想是利用離線建立的學習機模型擬合電力系統各種變量與暫態穩定性之間的函數關系，不進行復雜的在線仿真計算，而是根據實時測量的數據，快速預測出系統的暫態穩定性，并為后續電力系統穩定性的在線緊急控制提供依據。電力系統暫態穩定性預測的學習機通常采用一種常見的用于暫態穩定性預測的學習方法，如：決策樹(Decision Tree，DT)，神經網絡(Neural Network，NN)和支持向量機(Support Vector Machine，SVM)等。然而，各個機器學習方法各有優劣，不同文獻的結論也有不同。

目前，電力系統穩定性評估的單個機器學習模型在投入實際電力系統中使用時，不同機器學習子模型通常對不穩定場景穩定性預測判別的精度會降低，采用單子學習機的機器學習方法評估精度普遍不高，尤其是無法保證可能導致暫態失穩場景的評估準確率。其次，目前電力系統穩定性評估機器學習訓練時，通常采用常見的發電機功角、轉速、電磁功率和機端電壓等不同電氣量分別建立模型，每一類特征建立的機器學習模型的適應性均不相同，難以給出工程實際中適用廣泛的統一模型，因此模型泛化能力較差，尤其對不穩定場景的預測精度難以保證。

發明內容

為解決現有技術所存在的技術問題，本發明提供基于機器學習組合預測的電力系統暫態穩定性預測方法，可以提高電力系統暫態穩定性的整體預測準確率，充分利用電力系統中的數據，使不穩定樣本的預測結果更準確，可以不穩定場景穩定性預測判別的精度。

本發明可以通過采取如下技術方案達到：

基于機器學習組合預測的電力系統暫態穩定性預測方法，所述方法包括：

根據電力系統暫態過程中不同軌跡變量與暫態穩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穩定性預測的子學習機；

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