一种基于tnn-svm的电力系统暂态稳定分类方法
【专利摘要】本发明公开一种基于TNN-SVM的电力系统暂态稳定分类方法，其在电力系统暂态稳定分类的过程中综合考虑类别和距离两个因素来进行样本集修剪，在传统NN或KNN的基础上，引入类归属度的概念，采用量化的思想来进行最近邻的分类判断以及在将最近邻算法与支持向量机算法结合的基础上，改进了最近邻算法：不但从最近邻同异类样本点数量方面，而且综合了这些点与样本点之间距离远近的因素，来确定该样本点的存留，克服了NN与KNN的局限性，能提供更有效的样本集修剪，提高暂态稳定分类的精度与效率。
【专利说明】-种基于TNN-SVM的电力系统暂态稳定分类方法
【技术领域】
[0001] 本发明涉及一种基于TNN-SVM的电力系统暂态稳定分类方法。
【背景技术】
[0002] 随着电网规模的日益扩大，电网的结构复杂性也与日俱增，动态特性更加复杂多 变，发生暂态失稳而影响电网稳定性的可能性也越来越大。暂态稳定是电力系统受到大 干扰(例如：输电线短路、切机、甩负荷等）时维持系统内发电机同步运行的能力。在发生 大扰动时，包括发电机转子角度、线路潮流、节点电压在内的系统变量都将发生大范围的 变化，如果受扰的系统能够维持所有发电机在同步运行状态，并渐进地过渡到一个新的 稳定平衡点，否则系统室暂态不稳定的。电力系统暂态稳定评估（Transient Stability Assessment, TSA)是电力系统运行中一个非常重要的问题。
[0003] 人工智能和模式识别技术的结合为大型电力系统的快速稳定评估提供了一种新 的求解方法。由于不需要建立系统的数学模型，能直接从样本中寻求状态参数与稳定性或 稳定指标之间的映射关系，求解稳定指标不需要重复试探，计算量收系统规模影响较小，整 体评估速度很快。但缺乏标准的实现方法，精度对样本/规则选取，输入变量的选取等因素 极为敏感，涉及不当时评估的可靠性和稳定性较差。SVM的出现为模式识别方法带来了新的 活力，它以其固有的高执行速度使得它在TSA领域有着诱人的应用前景。
[0004] 支持向量机（Support Vector Machine, SVM)理论进行分类是假定在线性可分的 情况下，寻找最优决策面。支持向量机是一种新的小样本统计学习理论，可以应用于模式识 别问题。支持向量机的输出是一个连续数值，反映了样本点到分类超平面的距离。采用支 持向量机构造分类器进行电力系统暂态稳定评估，并讨论了不同的参数对支持向量机输出 的影响，取得了较好效果，但仍然有误分类存在。其有着如下的优势：它能够在样本有限时 获得较好的分类能力；对输入空间的维数、训练集大小、样本的概率分布不太敏感。
[0005] 支持向量机的分类思想如下图1所示。针对如图1的两维情况，实心点和空心点 分别表示正反两类样本，直线Η是分类线，直线H1、H2与直线Η平行，并且分别过正反两类 中距离分类线Η最近的样本点，那么，Η1到Η2的距离就是分类间隔（margin)。我们要寻找 的最优分类线就是不但能将两类正确地分开，而且要使分类间隔达到最大，这样就能够使 得分类的普适性达到最大。
[0006] 在支持向量机的基础上，为了可以大幅度提高训练速度、改善支持向量机的泛化 能力，结合最近邻法（Nearest Neighbor, NN)提出了 NN-SVM分类器，其利用最近邻思想选 择边界向量，其先对训练集进行修剪，根据每个样本与其最近邻类标的异同决定其取舍，然 后再用SVM训练得到分类器。最近邻法（Nearest Neighbor，NN)是将所有学习样本都看作 独立代表点，通过计算考察样本与其他所有样本之间的距离，寻找与考察样本距离最短也 就是最近的样本，该样本的类别就被作为考察样本的类别。这种方法属于模式识别的范畴， 而且不需要参数，不受参数的限制。
[0007] 虽然SVM和其它模式识别方法相比具有较好的识别能力，但在实际应用中还存在 一些问题，如对复杂问题分类精度不高、对不同应用和函数参数的选择问题等以及NN-SVM 在线性不可分情况下，会丢失较多的支持向量，导致SVM的分类能力下降。针对这些情况， 提出了一种改进的NN-SVM分类算法，S卩KNN-SVM。KNN是NN的推广，就是在进行类别判断 时先选出考察样本点的K个最近邻样本点，然后看这K个近邻样本点中的多数样本点属于 哪一类，该样本点就属于哪一类。
[0008] 目前SVM、NN-SVM、KNN-SVM分类器的研究主要存在以下三个问题： 1.从分类时的错分样本的位置状况来看，SVM分类器分错的情况都是出现在分界面 附近一定区域内，于是，我们应该加强对分界面附近样本点分析来提高分类准确率等指标。
[0009] 2.如果仅仅是将SVM与NN结合，将SVM看做每类只有一个代表点的NN分类器， 对于每类支持向量仅取一个点，就会出现误删的状况。
[0010] 3.但是，KNN-SVM针对样本集的删减仍然存在误删的问题，因为KNN-SVM是针对 样本集中的考察点找到其K个最近邻，如果同类则保留，如果异类则删除，以此来进行类别 判断。这种规则如果遇到一个考察点周围密集地存在大量的异类点，这样采用KNN-SVM就 可能将大量的异类点上除，造成误删，进行了无益于分类效率的错误删减。这种规则还有不 适合的情况存在，如果样本点附近的K个点中事实上多数是异类点，但这些异类点都位于 较远的位置，个数少的同类点反而密集地位于样本点的周边，这样虽然考虑了 K个最近邻， 依然造成了误删。
[0011] 所以，应该综合考虑类别和距离两个因素来进行样本集修剪，本文就引入类归属 度的概念来综合个数和距离因素判别考察点类别归属。
【发明内容】
[0012] 本文设计了一种TNN-SVM分类器，用于电力系统暂态稳定评估，即可有效地避免 误分类，提高稳定评估的可靠性。
[0013] 在电力系统暂态稳定分类的过程中综合考虑类别和距离两个因素来进行样本集 修剪，引入类归属度的概念来综合个数和距离因素判别考察点类别归属。在传统NN或KNN 的基础上，引入类归属度的概念，采用量化的思想来进行最近邻的分类判断。在将最近邻 (NN)算法与支持向量机（SVM)算法结合的基础上，改进了最近邻（NN，KNN)算法：不但从最 近邻同异类样本点数量方面，而且综合了这些点与样本点之间距离远近的因素，来确定该 样本点的存留。克服了 NN与KNN的局限性，能提供更有效的样本集修剪，提高暂态稳定分 类的精度与效率。
[0014] 一种基于TNN-SVM的电力系统暂态稳定分类方法，包括如下步骤： 步骤一：对数据进行预处理； 步骤二：找到支持向量机SVM决策面； 步骤三：采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修 剪； 步骤四：判断是否误报，如果误报则返回步骤一；反之，系统响应。
[0015] 该基于TNN-SVM的电力系统暂态稳定分类方法还包括步骤三中的所述采用TNN算 法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪包括： 步骤1 :给定一个训练集
【权利要求】
1. 一种基于TNN-SVM的电力系统暂态稳定分类方法，包括如下步骤： 步骤一：对数据进行预处理； 步骤二：找到支持向量机SVM决策面； 步骤三：采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修 剪； 步骤四：判断是否误报，如果误报则返回步骤一；反之，系统响应。
2. 根据权利要求1所述的基于TNN-SVM的电力系统暂态稳定分类方法，其特征在于，步 骤三中的所述采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪 包括： 步骤 1 :给定-个训练集，.乃)，......= 中^表示样本点，||表示该点的类标： 步骤2:针对样本3?,找到它的T个最近邻点； 步骤3 :从1到T考察每个最近邻点$,如果类别与^相同，则f| =1，否则f| = -1 ; 步骤4 :从1到T计算每个最近邻点与样本J|的距离; 步骤5 :则^就是最近邻点3^对样本点的类别归属影响因子； 步骤6 :找到% =1的m个最近邻点，则= -1的最近邻点就是T-m个； 步骤7 :分类平均求和，求出该样本点的类归属度； 步骤8 :将该样本点的类归属度^与给定阈值行比较，若则表明该样本点对 周围T个最近邻点的类别归属程度低，将该样本点删除； 步骤9 :返回步骤1，对%进行类归属度的判断，以决定该点的取舍； 步骤10 :从1到n逐个对样本集的n个样本点修剪完成后，再输入支持向量机SVM进 行分类。
3. 根据权利要求2所述的基于TNN-SVM的电力系统暂态稳定分类方法，其特征在于，步 骤：4中的从1到T计算每个最近邻点$与样本的距离的计算公式为：
4. 根据权利要求2所述的基于TNN-SVM的电力系统暂态稳定分类方法，其特征在于，步 骤7中的分类平均求和，求出该样本点的类归属度根据如下公式：
【文档编号】G06K9/62GK104268576SQ201410531234
【公开日】2015年1月7日 申请日期:2014年10月11日 优先权日:2014年10月11日
【发明者】于秋玲, 许长清, 张海宁, 郑征, 周楠 申请人:国家电网公司, 国网河南省电力公司经济技术研究院