一种电网暂态电压稳定样本集类别失衡的调节方法及系统与流程

本发明属于电力系统稳定分析评估领域，特别涉及一种电网暂态电压稳定样本集类别失衡的调节方法及系统。

背景技术

随着数据挖掘和机器学习等技术的快速发展，目前电网中已有不少采用数据挖掘方法来进行电网暂态电压稳定的在线监测和评估。传统的电网暂态电压稳定监测和评估主要通过电网的离线时域仿真来获取数据挖掘的训练样本，但由于电网建模和时域仿真的固有误差，通过时域仿真生成的训练样本可能带来可靠性不足的问题。为提高训练样本数据源的可靠性，可从电网历史运行记录中收集电网在各种历史故障下的历史样本。然而，电网在实际运行中大多情况下都能维持暂态电压稳定，失稳的案例相对较少，这将造成从历史记录中收集的历史样本集的类别严重失衡。若不对类别失衡问题做任何处理，将导致挖掘训练过程中对失稳样本的关注度过低，从而造成最终得到的电网暂态电压稳定评估模型对失稳样本的召回度过低。

电网调度运行平台中已有较成熟的调度运行计划安排方法，若能利用调度运行计划，对未来短期内电网的各种预想故障进行时域仿真，将能大大提高时域仿真所得到的预测样本的可靠性。如果以此方式适当地合成一定数目的预测样本，将可对上述历史样本集的类别失衡问题进行有效的缓解和调节。

专利文献cn105139289a公开了“一种基于错分代价分类学习的电网暂态电压稳定评估方法”，该方法以同步相量测量单元的动态量测数据为基础，从大量动态量测数据构成的时间序列中提取出与电网状态密切相关的关键子序列；通过设定电网稳定、失稳状态的不同错分代价，向学习样本引入权重系数；利用融入样本权重系数的决策树算法进行分类学习，得到决策树模型，将决策树模型用于在线监测，对电网暂态电压稳定状况实施评估，该技术方案侧重于利用代价敏感学习方法直接对类别不平衡的数据集进行分类学习。

技术实现要素：

针对现有技术的不足，本发明的目的旨在提供一种电网暂态电压稳定样本集类别失衡的调节方法，以增强电网暂态电压稳定评估模型对失稳样本的召回能力。

为实现上述目的，本发明采用如下技术方案：

本发明的有益效果在于：

一种电网暂态电压稳定样本集类别失衡的调节方法，包括

s1、从电网历史运行记录中收集历史样本集sp0；

s2、通过调度运行计划下对预想故障的时域仿真生成失稳预测样本，所有的失稳预测样本形成一个初始预测样本集sp0；

s3、利用步骤s1中的历史样本集sp0对步骤s2中的初始预测样本集sp0中的所有失稳预测样本进行合格性检验，将不合格的失稳预测样本剔除，所有经检验合格的失稳预测样本形成合格预测样本集sp1；

s4、利用步骤s3得到的合格预测样本集sp1来调节上述步骤s1中历史样本集s0，将sp1合并到s0中，形成一个训练样本集，以克服类别失衡问题；；

s5、采用决策树算法对步骤s4的训练样本集进行分类学习，得到一个决策树模型，将决策树模型作为电网的暂态电压稳定评估模型，对电网的暂态电压稳定状态进行实时监测和评估。

所述步骤s1具体为：

从电网的历史运行记录中获取电网的历史故障集、节点集和特征变量集，并收集各历史故障下电网中各节点的特征变量值和电网的运行状态z，将电网处于稳定运行状态记为z＝1，电网处于失稳运行状态记为z＝-1，将一次历史故障下收集的数据集合成一个历史样本，共n0个历史样本集成为一个历史样本集s0，分别统计历史样本集中稳定历史样本总数n1和失稳历史样本总数n-1，其中n1+n-1＝n0。

所述步骤s2具体为：

从电网的调度运行平台中获取当前时段电网的节点集、特征变量集，未来n小时内的调度运行计划和未来n小时内的预想故障集，利用计算机时域仿真方法对所述电网在未来n小时内调度运行计划下的各种预想故障进行np次时域仿真，分别记录每次时域仿真过程中电网中各节点在遭遇故障后的各特征变量值和电网的运行状态z，其中z＝1代表电网处于稳定运行状态，z＝-1代表电网处于失稳运行状态，对z进行判断，若z＝-1，则将本次时域仿真过程中记录的数据合成一个失稳预测样本，若z＝1，则不作失稳预测样本的合成，统计所有合成的失稳预测样本数目np0，np0个失稳预测样本形成一个初始预测样本集sp0。

所述步骤s3包括：

s31、利用步骤s1中的历史样本集s0和步骤s2中的初始预测样本集sp0合成一个检验样本集s1，其中检验样本总数为nt＝n0+np0；

s32、任意选取步骤s2的初始预测样本集sp0中的失稳预测样本i，并从步骤s1的历史样本集s0的所有n1个稳定历史样本中任意选取稳定历史样本j，计算这两个样本之间的欧氏距离d(i,j)，其中1≤i≤np0，1≤j≤n1；

s33、依次计算步骤s31的检验样本集s1中所有nt个检验样本与步骤s32中失稳预测样本i失稳预测样本i之间的欧氏距离，将计算得到的所有nt个欧氏距离数值的最大值记为d(i,nt)；

s34、依次计算步骤s31中检验样本集s1的所有nt个检验样本与步骤s32中稳定历史样本j之间的欧氏距离，将计算得到的所有nt个欧氏距离数值的最大值记为d(j,nt)；

s35、对步骤s32～s34得到的欧氏距离进行比较和判断，若d(i,nt)≥d(i,j)且d(j,nt)≥d(i,j)，则说明失稳预测样本i不合格，进行步骤s37，若d(i,nt)＜d(i,j)且d(j,nt)≥d(i,j)，或者d(i,nt)≥d(i,j)且d(j,nt)＜d(i,j)，或者d(i,nt)＜d(i,j)且d(j,nt)＜d(i,j)，则说明失稳预测样本i在本次检验中合格，进行步骤s36；

s36、遍历历史样本集s0中的所有n1个稳定历史样本，重复上述步骤s32～s35，得到失稳预测样本i的检验结果；

s37、遍历初始预测样本集sp0中的所有np0个失稳预测样本，重复上述步骤s32～s36，得到所有np0个失稳预测样本的检验结果；

s38、读取步骤s37得到的所有np0个失稳预测样本的检验结果，若失稳预测样本检验结果为不合格，则将该失稳预测样本从初始预测样本集sp0中剔除，若失稳预测样本检验结果为合格，则将该失稳预测样本在初始预测样本集sp0中予以保留，统计合格的失稳预测样本总数np1，所有np1个保留下来的合格失稳预测样本构成合格预测样本集sp1。

相应地，本发明还提供了一种电网暂态电压稳定样本集类别失衡的调节系统，包括：

历史样本集生成模块，其用于从电网历史运行记录中收集历史样本，以生成集历史样本集sp0；

初始预测样本集生成模块，其用于通过调度运行计划下对预想故障的时域仿真生成失稳预测样本，所有的失稳预测样本形成一个初始预测样本集sp0；

合格预测样本集生成模块，其通过历史样本集生成模块所生成的历史样本集sp0对初始预测样本集生成模块所生成的初始预测样本集sp0中的所有失稳预测样本进行合格性检验，将不合格的失稳预测样本剔除，所有经检验合格的失稳预测样本形成合格预测样本集sp1；

训练样本集生成模块，其通过利用合格预测样本集生成模块得到的合格预测样本集sp1来调节上述步骤初始预测样本集生成模块生成的历史样本集s0，将sp1合并到s0中，形成一个训练样本集；

决策树模型生成模块，其采用决策树算法对训练样本集生成模块生成的训练样本集进行分类学习，得到一个决策树模型，将决策树模型作为电网的暂态电压稳定评估模型，对电网的暂态电压稳定状态进行实时监测和评估。

本发明与现有技术相比，具有如下的有益效果：

本发明提出的一种电网暂态电压稳定样本集类别失衡的调节方法，其优点是，相比于传统的完全基于时域仿真获取训练样本的方法，本发明方法中的训练样本是在电网实际运行方式基础上获取的，从数据源上保证了训练样本集的可靠性，针对最初获取的历史样本的类别失衡问题，通过电网调度运行计划下对预想故障的时域仿真来生成失稳预测样本，并根据失稳预测样本与稳定历史样本之间的欧氏距离关系对失稳预测样本的合格性进行检验，进一步保证失稳预测样本的质量，将失稳预测样本集与历史样本集合并为用于挖掘学习的训练样本集，在有效调节历史样本集类别失衡的同时，可提高分类学习过程对失稳样本的偏倚，增强电网暂态电压稳定评估模型对失稳样本的召回能力。

附图说明

图1为本发明方法涉及的实施例电网单线结构示意图；

图2为本发明方法的实施例流程框图；

图3为本发明方法中对训练样本集进行分类学习得到的决策树模型。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

本发明评估方法中涉及的电网单线结构示意图如图1所示，图1所示的中部电网为本发明的一个应用实施例，该电网为图1中的重负荷受端区域，总共包含13个节点，负荷总量为6190兆瓦，本实施例方法流程如图2所示，包括以下步骤：

(1)从电网的历史运行记录中获取电网的历史故障集、节点集和特征变量集，并收集各历史故障下电网中各节点的特征变量值和电网的运行状态z，将电网处于稳定运行状态记为z＝1，电网处于失稳运行状态记为z＝-1，将一次历史故障下收集的数据集合成一个历史样本，共n0(本实施例为720个)个历史样本集成为一个历史样本集s0，分别统计历史样本集中稳定历史样本总数n1(本实施例为665个)和失稳历史样本总数n-1(本实施施为55个)，其中n1+n-1＝n0；

(2)从电网的调度运行平台中获取当前时段电网的节点集、特征变量集，未来n小时(实施例为72小时)内的调度运行计划和未来n小时内的预想故障集，利用计算机时域仿真方法对所述电网在未来n小时内调度运行计划下的各种预想故障进行np次时域仿真，分别记录每次时域仿真过程中电网中各节点在遭遇故障后的各特征变量值和电网的运行状态z，其中z＝1代表电网处于稳定运行状态，z＝-1代表电网处于失稳运行状态，对z进行判断，若z＝-1，则将本次时域仿真过程中记录的数据合成一个失稳预测样本，若z＝1，则不作失稳预测样本的合成，统计所有合成的失稳预测样本数目np0(本实施例为140个)，np0个失稳预测样本形成一个初始预测样本集sp0；

(3)利用步骤(1)中的历史样本集s0对步骤(2)中的初始预测样本集sp0中所有np0个失稳预测样本进行合格性检验，将不合格的样本剔除，所有经检验合格的失稳预测样本形成合格预测样本集sp1，具体过程如下：

(3-1)利用步骤(1)中的历史样本集s0和步骤(2)中的初始预测样本集sp0合成一个检验样本集s1，其中检验样本总数为nt＝n0+np0(860个)；

(3-2)任意选取步骤(2)的初始预测样本集sp0中的失稳预测样本i，并从步骤(1)的历史样本集s0的所有n1个稳定历史样本中任意选取稳定历史样本j，计算这两个样本之间的欧氏距离d(i,j)，其中1≤i≤np0，1≤j≤n1；

(3-3)依次计算步骤(3-1)的检验样本集s1中所有nt个检验样本与步骤(3-2)中失稳预测样本i失稳预测样本i之间的欧氏距离，将计算得到的所有nt个欧氏距离数值的最大值记为d(i,nt)；

(3-4)依次计算步骤(3-1)中检验样本集s1的所有nt个检验样本与步骤(3-2)中稳定历史样本j之间的欧氏距离，将计算得到的所有nt个欧氏距离数值的最大值记为d(j,nt)；

(3-5)对步骤(3-2)～(3-4)得到的欧氏距离进行比较和判断，若d(i,nt)≥d(i,j)且d(j,nt)≥d(i,j)，则说明失稳预测样本i不合格，进行步骤(3-7)，若d(i,nt)＜d(i,j)且d(j,nt)≥d(i,j)，或者d(i,nt)≥d(i,j)且d(j,nt)＜d(i,j)，或者d(i,nt)＜d(i,j)且d(j,nt)＜d(i,j)，则说明失稳预测样本i在本次检验中合格，进行步骤(3-6)；

(3-6)遍历历史样本集s0中的所有n1个稳定历史样本，重复上述步骤(3-2)～(3-5)，得到失稳预测样本i的检验结果；

(3-7)遍历初始预测样本集sp0中的所有np0个失稳预测样本，重复上述步骤(3-2)～(3-6)，得到所有np0个失稳预测样本的检验结果；

(3-8)读取步骤(3-7)得到的所有np0个失稳预测样本的检验结果，若失稳预测样本检验结果为不合格，则将该失稳预测样本从初始预测样本集sp0中剔除，若失稳预测样本检验结果为合格，则将该失稳预测样本在初始预测样本集sp0中予以保留，统计合格的失稳预测样本总数np1(本实施例为127个)，所有np1个保留下来的合格失稳预测样本构成合格预测样本集sp1；

(4)利用步骤(3)得到的合格预测样本集sp1来调节上述步骤(1)中历史样本集s0，将sp1合并到s0中，形成一个训练样本集，以克服类别失衡问题，统计表明，失稳样本在历史样本集和训练样本集中所占比例分别为7.63％和21.49％，由此说明在融入失稳预测样本后，历史样本集的类别失衡问题得到了极大缓解；

(5)采用决策树算法对步骤(4)的训练样本集进行分类学习，得到一个决策树模型，本发明的一个实施例中决策树模型如图2所示，图2所示的决策树模型中终端结点的标号1和-1表示输出的电网状态z，其中z＝1代表电网稳定状态，z＝-1代表电网失稳状态，决策树模型中内部结点u_k表示节点k的电压特征变量，p_k表示节点k的有功功率特征变量，q_k表示节点k的无功功率特征变量，采用交叉验证方式对决策树模型的分类准确率pre和召回度rec进行测试，pre＝96.7％，rec＝96.2％，为进一步对比验证，将步骤(1)的历史样本集直接视作训练样本集进行分类学习，采用交叉验证方式对分类学习得到的决策树模型的分类准确率pre和召回度rec进行测试，pre＝92.2％，rec＝85.5％，由此说明失稳预测样本对历史样本集的类别失衡问题具有良好的调节效果，不仅提高了整体的分类准确率，还显著增强了决策树模型对失稳样本的召回能力，将图2所示的决策树模型作为电网的暂态电压稳定评估模型，对电网的暂态电压稳定状态进行实时监测和评估。

由此可知，本方法从电网历史运行记录中收集历史样本，通过调度运行计划下对预想故障的时域仿真生成失稳预测样本，把经检验合格的失稳预测样本与历史样本融合，从而对历史样本集的类别失衡进行调节，通过对类别失衡问题得到缓解的样本集进行学习，导出更为可靠的电网暂态电压稳定评估模型。

相应地，本实施例还提供了还提供了一种电网暂态电压稳定样本集类别失衡的调节系统，包括：

历史样本集生成模块，其用于从电网历史运行记录中收集历史样本，以生成集历史样本集sp0；

初始预测样本集生成模块，其用于通过调度运行计划下对预想故障的时域仿真生成失稳预测样本，所有的失稳预测样本形成一个初始预测样本集sp0；

合格预测样本集生成模块，其通过历史样本集生成模块所生成的历史样本集sp0对初始预测样本集生成模块所生成的初始预测样本集sp0中的所有失稳预测样本进行合格性检验，将不合格的失稳预测样本剔除，所有经检验合格的失稳预测样本形成合格预测样本集sp1；

训练样本集生成模块，其通过利用合格预测样本集生成模块得到的合格预测样本集sp1来调节上述步骤初始预测样本集生成模块生成的历史样本集s0，将sp1合并到s0中，形成一个训练样本集；

决策树模型生成模块，其采用决策树算法对训练样本集生成模块生成的训练样本集进行分类学习，得到一个决策树模型，将决策树模型作为电网的暂态电压稳定评估模型，对电网的暂态电压稳定状态进行实时监测和评估。

由于上述各个模块的工作原理和上述方法的流程原理相同，在本实施例中就不再赘述。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。