一种基于海量在线历史数据的电力系统暂态稳定评估方法
【技术领域】
[0001] 本发明涉及一种电力系统安全稳定分析技术领域的评估方法，具体涉及一种基于 海量在线历史数据的电力系统暂态稳定评估方法。
【背景技术】
[0002] 已有的快速判稳方法大多从在线计算数据和结果中提取静态特征和动态特征作 为数据分析的基础。前者可由基础数据，以及潮流、短路等静态计算得到，后者需要进行暂 态稳定计算得到。为了与在线计算相配合，这种暂态稳定计算通常仅进行几步迭代以减少 耗时。从已有成果的效果看，基于含有静态和动态特征的分析数据，使用常规的数据分析算 法，已可以获得较为满意的结果。但由于无法避免暂态稳定计算，其仍需要较多的硬件资 源，系统实现也较为复杂。
[0003] 此外，对于大系统在线计算，其所积累的历史数据体量极其庞大，并且随着时间推 移还在快速产生。例如，国调35000节点系统每15分钟产生的计算数据就有20M，全天可达 2GB，全年可以达到0.7PB。利用这些数据进行快速判稳，在现有的软硬件条件下势必不能简 单地采取"全部采用"的方式，必须考虑到其"大"和"快"的特点。在这方面，大数据处理的思 想和技术可以提供帮助，同时针对该问题的研究成果也可丰富电力大数据技术包。
[0004]在电力系统在线计算数据中，元件的模型及参数通常不会经常改变。若在两个时 刻系统的静态运行点相同，在发生相同故障的情况下，在线稳定计算结果也应相同。同时， 根据惯常理解，随着运行方式的连续变化，电力系统稳定性也会随之变化，两者是密切关联 的。上述两点为使用静态特征直接判断系统稳定性提供了可能。同时，从实际工作方式来 看，电网运行控制的惯常作法是首先进行运行方式计算，给出具有指导意义的结论和策略； 而后在调度运行中，当静态测得的物理量与方式计算对应的物理量相近时，就认为系统会 具有方式计算结论中得到的特点，进而采取预定策略。这一过程实际上可以看作仅通过与 已有计算结果比较静态量而确定系统特征，包括稳定性。
[0005] 基于现有理论，很难直接建立起系统静态特征与稳定性间的明确关系。
【发明内容】
[0006] 为解决上述现有技术中的不足，本发明的目的是提供一种基于海量在线历史数据 的电力系统暂态稳定评估方法。
[0007] 本发明的目的是采用下述技术方案实现的：
[0008] 本发明提供一种基于海量在线历史数据的电力系统暂态稳定评估方法，其特征在 于，所述方法包括下述步骤：
[0009] 步骤一:对海量在线历史数据进行选取，生成仿真数据；
[0010] 步骤二:根据仿真数据，提取特征量，生成初始样本集；
[0011]步骤三:采用扩展边界的方式，进行失稳样本的扩展和稳定样本的压缩，形成计算 样本；
[0012] 步骤四：基于计算样本，利用支持向量机SVM算法进行分类模型训练以及参数优 化，最终形成分类模型，评估电力系统暂态稳定性。
[0013] 进一步地，利用时间窗的方式选取在线历史数据，设需考虑的时间窗天数为d，则 对于第m日，所需的计算样本&8〇表示为：
[0014]
[0015]其中：Sjsd_m表示所需的多日样本集合，k表示第k日，d表示时间窗天数，S js k表示第 k日的计算样本。
[0016] 进一步地，提取特征量包括下述步骤：
[0017] (1)特征量初筛；
[0018] (2)特征量压缩。
[0019] 进一步地，所述特征量初筛选用的电力系统静态状态量如下：
[0020] V:母线电压幅值;θν:母线电压角度;Pg:发电机有功，按有功出力为正、负的发电机 分别统计;Q g:发电机无功，按有功出力为正、负的发电机分别统计;c〇S0g:发电机功率因数； Pl :负荷有功，按有功为正、负的负荷分别统计;Ql :负荷无功，按有功为正、负的负荷分别统 计；c〇S0L :负荷功率因数；PAaine3:交流线路有功，取I侧；QAaine3:交流线路无功，取I侧； PDCLine :直流线路有功，取I侧;QDCLine :直流线路无功，取I侧;QPCP :并联电容器投入容量;QPLP : 并联电抗器投入容量；
[0021 ]对于电力系统静态状态量采用以下初始统计参数:Max :最大值;Min :最小值； Mean:均值;Sd:均值的标准差；
[0022] 具有稳健特性的统计量:Median:中位数;Mds:中位数标准差；1st:四分之一分位 数；3st:四分之三分位数;Mad:中位绝对离差；Interq:四分位差;M j 10 :10 %截尾均值； Mj 10s :10%截尾均值方差；
[0023] Skew:偏度;Kurt:峰度；
[0024]在对电力系统状态进行分析时按电压等级统计母线电压和交流线的静态状态量 和统计量，对发电机和负荷按照有功的正负分别统计状态量，对于发电机和负荷的统计状 态量包括：
[0025] SumPz :正有功总量；SumPf:负有功总量;Pzfb:正负有功总量之比；SumQz :正无功 总量;SumQf:负无功总量;Qzfb:正负无功总量之比；
[0026] 对于故障点，其特征量分为两个部分，一是故障点周边两级母线所在分区的运行 状态统计，其统计内容与全系统运行情况统计相同；二是表征故障自身特点的特征量，包 括:故障电流If、故障点电压幅值Vf、故障点电压相角0Vf和戴维南阻抗幅值Zf;
[0027] 初始样本集Sjb由电力系统特征量和故障点及其周边区域特征量组成。
[0028]进一步地，采用随机森林RF算法进行特征量压缩，随机森林RF算法及用其进行特 征量重要程度计算的基本思想包括：
[0029] ①生成若干个决策树而不是一个；
[0030] ②生成决策树时，随机从初始样本集中选取一组初始样本，使用完毕后再放回初 始样本集；
[0031] ③生成决策树时，使用随机选择的初始样本的一组属性作为候选特征集，而不是 全部属性；
[0032]④最后的特征量重要程度指标通常由所有决策树的计算结果采取投票法共同决 定；
[0033 ]随机森林R F算法的参数包括：决策树的个数n t r e e和候选特征集中特征的个数 mtry，mtry采用经验值，取特征量个数的算数平方根；
[0034] RF算法所获得的特征量重要程度指标，表示的是当移去该特征量或在该特征量中 加入噪声时对分类结果的影响;特征量的平均重要性指标越大表示特征量越重要，如果指 标为负表示特征量对分类起反作用，如果为〇则对分类没有作用;对于指标等于〇的特征量 采取直接去除的方式，对于指标大于0的特征量根据计算能力的实际情况选择剔除，并通过 测试确定剔除比例;去除重要性为负值的特征量导致判稳效果不稳定，仅剔除掉重要性为0 的特征量。
[0035] 进一步地，所述步骤三包括：
[0036] 1)失稳样本的扩展:采用扩展边界方式对失稳样本进行扩展；
[0037]设初始的单日失稳样本集为Snl，因扩展新增的失稳样本集为Sn2，扩展后的失稳样 本集为sn3，则有：
[0038] Sn2 = svm_sup(Yi) YiESni，i = l，2··· .N，N=num(Sni)
[0039] Sn3 = SnlUSn2
[0040] 其中，SVm_SUp〇为寻找支持向量并将其标记为失稳样本的运算，Yi为Snl中的单个 样本，num()为样本集的个数统计运算；
[0041 ]设与失稳样本集Sn2对应的初始稳定样本为Sn2jb，则扩展后的单日样本集Skzjb表不 为：
[0042] Skz jb = Sjb~Sn2 jb+Sn2
[0043] 扩展运算并不改变样本的个数，只是改变其中部分样本的标签；
[0044] 2)稳定样本的压缩；
[0045]对扩展后的失稳样本集再次采用支持向量机SVM进行自分类，即先选取大的罚函 数值基于样本集训练模型，再用样本集训练模型对该样本集进行分类计算，选取与分类面 距离最近的num(Sn3)个稳定样本与失稳样本组合形成新的样本集；
[0046] 样本压缩处理后的包括失稳样本和稳定样本的样本集为Sjs，设压缩后的稳定样 本集为Swd，则Sjs表示为：
[0047] Swd = svm_s j(Skz jb, Sn3)
[0048] Sjs = Sn3+Swd
[0049]其中，svm_sj〇为基于SVM的稳定样本压缩运算。
[0050] 进一步地，所述步骤四包括:在获得Sjsd_m后，采用支持向量机SVM算法基于Sjsd_m进 行计算样本分类训练，得到进行快速判稳的判别函数;最终的判别函数写作：
[0051]
[0052] 其中，sgn为符号函数用于最终确定计算样本的分类