本发明实施例涉及电力系统领域，更具体地，涉及一种电力系统暂态稳定性评估方法及装置。
背景技术：
随着各种新能源的接入以及特高压输电线路的采用，电网变得更加的复杂。通过对系统进行详细建模，利用传统数值计算仿真方法对电力系统进行分析的方法存在模型复杂、速度较慢等特点。而电网运行数据的积累和大数据方法的采用，给基于数据和机器学习对电力系统暂态稳定性进行预测的方法带来了新的思路，其能够加快电力系统仿真的速度。而基于机器学习的预测方法，如果直接对电网所有变量的动态数据进行分析，不仅分析难度较大，而且容易忽略掉关键状态变量的信息，降低稳定性分析的准确性。因此，通常情况下，会对电力系统的动态数据进行处理，对筛选出的部分变量进行分类或者聚类，对电力系统的特性进行研究。
而在进行分类或者聚类的时候，样本之间的距离是一个非常重要的概念。通常情况下，在分类或者聚类的过程中，会采用欧氏距离的方法对样本的距离进行衡量。但是，由于在进行分类或者聚类之前，已经对动态数据进行了相应的处理和筛选，样本的属性之间可能会存在一定的相关性。如果直接采用欧式距离，可能无法计及这些相关性，从而无法准确地刻画电力系统动态过程的性质。
技术实现要素：
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的电力系统暂态稳定性评估方法及装置。
根据本发明实施例的第一方面，提供一种电力系统暂态稳定性评估方法，该方法包括：根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；根据分类决策规则及所述相邻的样本点，获取所述待评估点的评估结果。
本发明实施例提供的方法，通过计算待评估点与样本点特征向量之间的马氏距离，由于马氏距离充分考虑了特征向量中关键状态变量之间的相关性，从而使距离的计算更加准确，实现了准确查找待评估点的相邻样本点，进一步提高评估结果的准确性。
根据本发明实施例第二方面，提供了一种电力系统暂态稳定性评估装置，该装置包括：第一获取模块，用于根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；查找模块，用于分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；第二获取模块，用于根据分类决策规则及所述相邻的样本点，获取所述待评估点的评估结果。
根据本发明实施例的第三方面，提供了一种电力系统暂态稳定性评估设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电力系统暂态稳定性评估方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的电力系统暂态稳定性评估方法。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
图1为本发明实施例的一种电力系统暂态稳定性评估方法的流程示意图；
图2为本发明实施例的一种电力系统暂态稳定性评估方法的均匀增长模式下基于不同距离的暂态稳定评估准确性示意图；
图3为本发明实施例的一种电力系统暂态稳定性评估方法的非均匀负载增长模式下基于不同距离的暂态稳定评估准确性示意图；
图4为本发明实施例的一种电力系统暂态稳定性评估方法的均匀负载增长模式下不同算法的暂态稳定评估准确性示意图；
图5为本发明实施例的一种电力系统暂态稳定性评估方法的均匀负载增长模式下不同距离的评估算法对状态变量个数的敏感性示意图；
图6为本发明实施例的一种电力系统暂态稳定性评估方法的均匀负载增长模式下不同距离的评估算法对噪声的鲁棒性测试结果示意图；
图7为本发明实施例的一种电力系统暂态稳定性评估装置的结构示意图；
图8为本发明实施例的一种电力系统暂态稳定性评估设备的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明实施例的具体实施方式作进一步详细描述。以下实施例用于说明本发明实施例，但不用来限制本发明实施例的范围。
基于机器学习的电力系统暂态稳定评估可包括如下步骤：输入数据的选择和特征的提取、分类算法的选用以及对于分类结果的分析以及做出的相应的改进。基于机器学习的电力系统暂态稳定评估，主要利用的原理是“离线训练，在线仿真”的方法。其中，在分类算法中，经常需要计算各种距离，并根据距离进行分类，例如knn近邻的距离、kmeans距离和相似度中的距离计算。距离通常有如下基本特性：
d(x,x)＝0//到自己的距离为0；
d(x,y)>＝0//距离非负；
d(x,y)＝d(y,x)//距离对称性，a到b的距离，b到a的距离是相等的；
d(x,z)+d(z,y)>＝d(x,y)//三角形法则，两边之和大于第三边。
如果能利用尽可能短的时间窗的数据快速给出判断的结果，那么该距离即为最合适、最有效的距离。通常情况下，在进行暂态稳定评估的时候，采用的距离是欧式距离。
针对上述情形，如图1所示，本发明实施例提供一种电力系统暂态稳定性评估方法，包括：101、根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；102、分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；103、根据分类决策规则及相邻的样本点，获取待评估点的评估结果。
在步骤101中，电力系统的关键状态变量是经过处理和筛选后的状态变量，关键状态变量能够描述电力系统暂态稳定性，且关键状态变量之间具有相关性。每个待评估点对应一个时刻，在待评估点对应的时刻采集电力系统的关键状态变量后，根据关键状态变量获取待评估点的特征向量。
在步骤102中，马氏距离(mahalanobisdistance)是表示数据的协方差距离。它是一种有效计算两个未知样本集的相似度的方法，与欧氏距离不同的是，它考虑到各种特性之间的联系(例如，当样本是人群的集合，特征是人的身高和体重时，较高的人体重更大)并且是尺度无关的(scale-invariant)，即独立于测量尺度。对于一个均值为μ，协方差矩阵为∑的多变量向量，其马氏距离为：
式中，xi和xj分别为两个样本，s为协方差矩阵。
对于电力系统的评估点和样本点，由于评估点和样本点的特征向量中的关键状态变量是从同一时间序列中选取的，所以关键状态变量之间是具有相关性的；因此，为了在距离计算时，充分考虑关键状态变量之间的相关性，本发明实施例中采用马氏距离来来量度待评估点与样本集中各样本点之间在特征空间的距离。因此，待评估点与样本点的马氏距离为：
式中，d为马氏距离，xi为评估点的特征向量，xj为样本点的特征向量，s为协方差矩阵。
由于样本集中具有多个样本点，因此可以通过待评估点与各样本点的马氏距离确定出与待评估点相邻的样本点。其中，相邻的样本点可以为马氏距离小于设定距离的样本点，或者按照距离从小到大的顺序进行排序，将前设定数量的样本点作为相邻样本点。
在步骤103中，可以基于knn算法(又称k最邻近分类算法)获取待评估点的评估结果。由于样本点具有对应的类别，而类别可以为稳定或不稳定。而待评估点与样本点相邻，表示待评估点的类型与相邻样本点的类型具有一定相似性。因此，可以基于分类决策规则及相邻的样本点的类别对待评估点进行分类，得到待评估点的类别，该类别与评估结果相对应，例如为稳定或不稳定。
本发明实施例提供的方法，通过计算待评估点与样本点特征向量之间的马氏距离，由于马氏距离充分考虑了特征向量中关键状态变量之间的相关性，从而使距离的计算更加准确，实现了准确查找待评估点的相邻样本点，进一步提高评估结果的准确性。
在利用电力系统的动态数据结合机器学习的方法对电力系统进行暂态稳定评估的时候，动态仿真数据虽然在一定程度上能够包含更多的电力系统的信息，但是由于动态仿真数据包含了较多的电力系统状态变量，同时也对较长的时间长度进行仿真，很容易造成“维数灾”的问题。例如，选取的状态变量有2000个，仿真的时间窗长度达到10s，步长为0.01s，那么每次仿真的结果是一个2000*1000的矩阵。在进行分类器训练的时候，如果采用10000个样本，那么很容易导致样本太大，无法进行分析的结果，而且训练耗时较长，也不利于分类器的多次训练参数调节和在线应用。
基于上述原理及上述实施例的内容，作为一种可选实施例，所述关键状态变量通过以下方式筛选：获取电力系统仿真数据的多个状态变量，采用fft算法分别对每个状态变量进行处理；通过对处理后的多个状态变量进行特征提取，筛选出多个状态变量中的关键状态变量。
具体地，电力系统仿真数据可以为动态波形数据。首先可利用fft等方法对仿真数据的时间序列数据进行特征提取，然后利用特征提取方法筛选出电力系统的关键状态变量。本发明实施例提供的方法，通过特征提取筛选出关键状态变量，减少了训练耗时，有利于多次训练的参数调节和在线应用。
基于上述实施例的内容，作为一种可选实施例，所述筛选出多个状态变量中的关键状态变量后，还包括：对多个关键状态变量进行降维。具体地，降维可采用流形学习的降维方法或主成分分析法，从而降低关键状态变量的维度，使得之后分类器的训练中构建样本集的速度加快。
基于上述实施例的内容，作为一种可选实施例，所述对多个关键状态变量进行降维的步骤后还包括：根据所述关键状态变量，构建所述样本集；其中，所述样本集包括多个样本点，每个样本点具有对应的分类，每个样本点包括一个特征向量，所述特征向量由样本点对应时刻的关键状态变量获得。
样本点的分类与待评估点的评估结果相对应，分类具体可以包括两类：稳定或不稳定。在构建样本集时，样本点的分类具体可以由以下边界进行确定：
式中，δmax表示故障后电力系统中任意两台发电机之间的最大功角差。基于上式，如果η在15s内变为负，则电力系统即可视为不稳定，即该时刻的样本点的分类为不稳定，否则为稳定，从而对仿真数据中各时刻的样本点都进行分类，分类与特征向量共同构成一个样本点。
基于上述实施例的内容，作为一种可选实施例，所述分类决策规则为多数表决规则。多数表决规则即由相邻样本点的类别决定待评估点的类别。例如，通过计算马氏距离，共查找到5个相邻样本点。5个相邻样本点中，4个样本点的类别为不稳定，1个相邻样本点的类别为稳定，由于4>1，基于多数表决规则，确认待评估点的评估结果为不稳定。
由于是基于相邻样本点的类别获取待评估点的评估结果，当采用多数表决规则时，5个相邻样本点中，3个样本点的类别为不稳定，2个相邻样本点的类别为稳定，由于3>2，会判定待评估点的评估结果为不稳定。但是，由于不稳定类别的样本点仅比稳定类别的样本点多1个，待评估点的评估结果的置信度并不高。因此，基于上述原理及上述实施例的内容，作为一种可选实施例，所述获取待评估点的评估结果的步骤后还包括：获取所述评估结果的置信度，若判断获知所述评估结果的置信度大于置信度阈值，则将所述评估结果作为所述电力系统暂态稳定评估结果；否则，获取下一评估点的评估结果，直到评估结果的置信度大于所述置信度阈值。
置信度的计算可以由评价结果所对应样本点的数量占总相邻样本点的数量确定；例如5个相邻样本点中，3个样本点的类别为不稳定，2个相邻样本点的类别为稳定，则评估结果为不稳定的置信度为60％。因此，在实时地在线评估中，若当前待评估点的评估结果置信度低于置信度阈值，则继续对下一评估点进行评估，直到评估结果的置信度高于置信度阈值，确认评估结果有效，提高评估评估结果的有效性。
基于上述实施例，以下采用新英格兰10机39节点系统生成用于暂态稳定评估的样本集合，验证提出方法的有效性。三相接地短路故障发生在39条母线上，故障发生时刻为tf，故障清除时刻为tc。存在10组不同的故障清除时刻，分别是1.01s,1.02s,…,1.1s。仿真的步长为0.01s，并且仿真持续了15s。观测的时间窗为1.9s，其中包含了故障发生之前1s的数据和故障发生之后0.9s的数据。
基于上式(1)确定各样本点的暂态稳定评估结果。通过对电网负荷水平和电网的拓扑结构进行修改，可以得到不同的样本集。为了更加充分地对所提暂态稳定评估方法进行验证，可采用了以下类型的样本集。而对于稳定样本远大于不稳定样本，不利于提取稳定和不稳定的特征的问题，为了提高训练效率，采用了bagging集成学习的方法。
(1)网络拓扑结构保持不变，编号为1到39的节点负荷水平从0.9到1.1等比例变化，生成了11组不同的运行场景。结合不同故障类型和故障持续时间，可以得到4290组仿真结果，其中3311组为稳定算例，979组为不稳定。3500组算例用于训练，790组用于检测。
(2)网络拓扑结构保持不变，编号为1到10的节点负荷水平从0.9到1.1等比例变化，编号为11到20的节点负荷水平保持不变，生成了11组不同的运行场景。结合不同故障类型和故障持续时间，可以得到4032组仿真结果，其中2150组为稳定算例，1882组为不稳定。3500组算例用于训练，532组用于检测。
如图2所示，为均匀负荷增长模式下基于不同距离的电力系统暂态稳定评估准确性。横坐标为选取的时间段的长度，纵坐标(auc)为分类的准确率。由图中可以看出，在均匀负荷增长模式下，基于马氏距离的分类器具有更好的分类性能，能够利用较短的时间段，对电力系统稳定性进行评估。
如图3所示，为非均匀负荷增长模式下基于不同距离的电力系统暂态稳定评估准确性。由图中可以看出，在非均匀负荷增长模式下，基于马氏距离的分类器同样具有更好的分类性能，能够利用较短的时间段，对电力系统稳定性进行评估。
如图4所示，为均匀负荷增长模式下不同算法的电力系统暂态稳定评估准确性。在均匀负荷增长模式下的数据集上，比较svm支持向量机算法、决策树算法、神经元网络算法和基于马氏距离的knn算法(即本发明上述实施例提供的方法)在该数据集下的性能。通过图4可以看出，在均匀负荷增长模式和非均匀负荷增长模式下的算例中，基于马氏距离的knn分类器相比于svm算法、决策树算法以及神经元网络算法，也具有更好的分类性能。
如图5所示，为均匀负荷增长模式下不同距离的评估算法对状态变量个数的敏感度分析。选取系统故障后0.2s的数据对分类器进行测试，改变状态变量的个数，可得图5。可以发现当采用马氏距离的knn算法时，能够利用更少的状态变量数目达到更好的分类性能。
如图6所示，为均匀负荷增长模式下不同距离的评估算法对噪声的鲁棒性测试结果。在均匀负荷增长模式下得到的数据中添加高斯白噪声，分别对基于各种距离的算法进行测试，结果如上图所示。当采用马氏距离的knn算法时，同样能够利用更短的时间达到更好的分类性能。
基于上述实施例的内容，本发明实施例提供了一种电力系统暂态稳定性评估装置，该电力系统暂态稳定性评估装置用于执行上述方法实施例中的语义技能创建方法。参见图7，该装置包括：第一获取模块701，用于根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；查找模块702，用于分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；第二获取模块703，用于根据分类决策规则及所述相邻的样本点，获取所述待评估点的评估结果。
其中，电力系统的关键状态变量是经过处理和筛选后的状态变量，关键状态变量能够描述电力系统暂态稳定性，且关键状态变量之间具有相关性。每个待评估点对应一个时刻，在待评估点对应的时刻采集电力系统的关键状态变量后，第一获取模块701根据关键状态变量获取待评估点的特征向量。
对于电力系统的评估点和样本点，由于评估点和样本点的特征向量中的关键状态变量是从同一时间序列中选取的，所以关键状态变量之间是具有相关性的；因此，为了在距离计算时，充分考虑关键状态变量之间的相关性，本发明实施例中采用马氏距离来来量度待评估点与样本集中各样本点之间在特征空间的距离。因此，待评估点与样本点的马氏距离为：
式中，d为马氏距离，xi为评估点的特征向量，xj为样本点的特征向量，s为协方差矩阵。
由于样本集中具有多个样本点，因此查找模块702可以通过待评估点与各样本点的马氏距离确定出与待评估点相邻的样本点。其中，相邻的样本点可以为马氏距离小于设定距离的样本点，或者按照距离从小到大的顺序进行排序，将前设定数量的样本点作为相邻样本点。
第二获取模块703可以基于knn算法(又称k最邻近分类算法)获取待评估点的评估结果。由于样本点具有对应的类别，而类别可以为稳定或不稳定。而待评估点与样本点相邻，表示待评估点的类型与相邻样本点的类型具有一定相似性。因此，第二获取模块703可以基于分类决策规则及相邻的样本点的类别对待评估点进行分类，得到待评估点的类别，该类别与评估结果相对应，例如为稳定或不稳定。
本发明实施例提供的装置，通过计算待评估点与样本点特征向量之间的马氏距离，由于马氏距离充分考虑了特征向量中关键状态变量之间的相关性，从而使距离的计算更加准确，实现了准确查找待评估点的相邻样本点，进一步提高评估结果的准确性。
基于上述实施例的内容，作为一种可选实施例，所述装置还包括：判断模块，用于获取所述评估结果的置信度，若判断获知所述评估结果的置信度大于置信度阈值，则将所述评估结果作为所述电力系统暂态稳定评估结果；否则，获取下一评估点的评估结果，直到评估结果的置信度大于所述置信度阈值。
基于上述实施例的内容，作为一种可选实施例，还包括筛选模块，用于获取电力系统仿真数据的多个状态变量，采用fft算法分别对每个状态变量进行处理；通过对处理后的多个状态变量进行特征提取，筛选出多个状态变量中的关键状态变量。
基于上述实施例的内容，作为一种可选实施例，筛选模块还用于对多个关键状态变量进行降维。
基于上述实施例的内容，作为一种可选实施例，筛选模块包括构建单元，用于根据所述关键状态变量，构建所述样本集；其中，所述样本集包括多个样本点，每个样本点具有对应的分类，每个样本点包括一个特征向量，所述特征向量由样本点对应时刻的关键状态变量获得。
本发明实施例提供了一种电力系统暂态稳定性评估设备，如图8所示，该设备包括：处理器(processor)801、存储器(memory)802和总线803；其中，处理器801及存储器802分别通过总线803完成相互间的通信；处理器801用于调用存储器802中的程序指令，以执行上述实施例所提供的电力系统暂态稳定性评估方法，例如包括：根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；根据分类决策规则及所述相邻的样本点，获取所述待评估点的评估结果。
本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的电力系统暂态稳定性评估方法，例如包括：根据预先筛选的关键状态变量，获取电力系统待评估点的特征向量；分别计算待评估点的特征向量与样本集中各样本点的特征向量之间的马氏距离，根据马氏距离查找与待评估点相邻的样本点；根据分类决策规则及所述相邻的样本点，获取所述待评估点的评估结果。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电力系统暂态稳定性评估设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。