一种基于FP-Growth算法的潮流调整样本生成方法及装置与流程

本发明涉及大电网安全
技术领域：
，并且更具体地，涉及一种基于fp-growth算法的潮流调整样本生成方法及装置。
背景技术：
：随着电力系统规模的日益扩大，电网中的设备模型日趋复杂，基于数字模型仿真的在线安全稳定分析(dynamicstabilityanalysis，简称dsa)面临着计算量大、计算耗时较长、计算结果受模型数据准确性影响大等问题。近年来，出现了一些基于在线历史数据样本对大电网进行快速判稳的方法。这类方法的有效性受到数据样本数量和质量的影响。通常，在线仿真计算得到的数据样本通常都位于电网系统的正常运行点附近，因此，样本库中的相似样本过多，样本的多样性不足，制约了电网运行规律挖掘的有效性，因此，也导致数字模型仿真的大电网快速判稳方法的准确性不足。技术实现要素：针对在线仿真计算得到的数据样本的多样性不足这一问题，本发明提供一种基于fp-growth算法的潮流调整样本生成方法及装置，以增加潮流调整样本的多样性。第一方面，本发明提供一种基于fp-growth算法的潮流调整样本生成方法，包括以下步骤：步骤s10：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的标识；步骤s20：根据至少一个待操作的电网设备的标识，从潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述潮流调整规则库中的一条规则，所述潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的，所述电网稳定性分析任务中包括的电网设备的标识的数目m多于所述潮流调整规则库中包括的电网设备的标识的数目n，所述离线潮流调整历史数据中包括的电网设备的标识的数目s多于所述电网稳定性分析任务中包括的电网设备的标识的数目m，其中，m、n、s均为大于1的正整数；步骤s30：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的方法，所述电网仿真模型中包括多种类型的电网设备，每种类型的电网设备包括至少一个；所述步骤10，还包括：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的类型信息；相应地，所述步骤20，包括：根据类型信息相同的至少一个待操作的电网设备的标识，从与所述类型信息对应的电网设备潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述电网设备潮流调整规则库中的一条规则，所述电网设备潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的；相应地，所述步骤s30包括：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的方法，在所述类型信息为发电机时，还包括步骤s40：利用与所述待操作的发电机的标识对应的发电机的调整特征量调节所述待操作的发电机的运行数据，并将调节后的所述待操作的发电机的运行数据替换所述电网稳定性分析任务中记载的所述待操作的发电机的标识对应的运行数据，替换后的所述电网稳定性分析任务即为一个潮流调整样本；其中，所述发电机的调整特征量是从离线潮流调整历史数据中提取得到的。具体地，所述的方法，还包括：步骤s50：针对每一个所述潮流调整样本，判断与所述潮流调整样本对应的所述电网仿真模型的电网稳定性；若与所述潮流调整样本对应的潮流是收敛的，则所述潮流调整样本为一个电网稳定样本；若与所述潮流调整样本对应的潮流是不收敛的，则所述潮流调整样本为一个电网不稳定样本。具体地，所述的方法，在基于fp-growth算法，根据离线潮流调整历史数据挖掘潮流调整规则库时，设置最小支持度为8％；设置最小置信度为100％。第二方面，本发明提供了一种基于fp-growth算法的潮流调整样本生成装置，包括：电网设备标识提取模块，用于：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的标识；操作动作匹配模块，用于：根据至少一个待操作的电网设备的标识，从潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述潮流调整规则库中的一条规则，所述潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的，所述电网稳定性分析任务中包括的电网设备的标识的数目m多于所述潮流调整规则库中包括的电网设备的标识的数目n，所述离线潮流调整历史数据中包括的电网设备的标识的数目s多于所述电网稳定性分析任务中包括的电网设备的标识的数目m，其中，m、n、s均为大于1的正整数；潮流调整样本生成模块，用于：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的装置，所述电网仿真模型中包括多种类型的电网设备，每种类型的电网设备包括至少一个；所述电网设备标识提取模块，还用于：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的类型信息；相应地，所述操作动作匹配模块，用于：根据类型信息相同的至少一个待操作的电网设备的标识，从与所述类型信息对应的电网设备潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述电网设备潮流调整规则库中的一条规则，所述电网设备潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的；相应地，所述潮流调整样本生成模块，用于：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的装置，在所述类型信息为发电机时，还包括发电机特征量调节模块，用于：利用与所述待操作的发电机的标识对应的发电机的调整特征量调节所述待操作的发电机的运行数据，并将调节后的所述待操作的发电机的运行数据替换所述电网稳定性分析任务中记载的所述待操作的发电机的标识对应的运行数据，替换后的所述电网稳定性分析任务即为一个潮流调整样本；其中，所述发电机的调整特征量是从离线潮流调整历史数据中提取得到的。具体地，所述的装置，还包括：潮流调整样本判断模块，用于：针对每一个所述潮流调整样本，判断与所述潮流调整样本对应的所述电网仿真模型的电网稳定性；若与所述潮流调整样本对应的潮流是收敛的，则所述潮流调整样本为一个电网稳定样本；若与所述潮流调整样本对应的潮流是不收敛的，则所述潮流调整样本为一个电网不稳定样本。具体地，所述的装置，在基于fp-growth算法，根据离线潮流调整历史数据挖掘潮流调整规则库时，设置最小支持度为8％；设置最小置信度为100％。本发明提供的基于fp-growth算法的潮流调整样本生成方法，结合基于fp-growth算法从离线潮流调整历史数据数据中挖掘的潮流调整规律，生成潮流调整样本数据，从而增加了潮流调整样本的多样性；利用这些潮流调整样本，有利于提高大电网在线仿真快速判稳方法的适应性。附图说明通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：图1为本发明一个实施例的一种基于fp-growth算法的潮流调整样本生成方法的示意图；图2为本发明一个实施例的一种基于fp-growth算法的潮流调整样本生成装置的示意图；图3为本发明一个实施例的潮流调整样本生成方法的示意图。具体实施方式现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属
技术领域：
的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。大电网紧密联系，其运行具有周期性、重复性等特点，在电网运行方式和调度运行难度日趋加深的背景下，充分利用大电网长期运行积累的海量数据，在此基础上找出电网运行方式与电网安全稳定性之间的关联关系，有利于快速评估电网的安全稳定性。随着电网运行方式协同计算平台的广泛推广和应用，平台中已经积累包括基础数据参数、稳态数据、动态数据、计算程序、调整措施、调整行为日志、计算结果等海量数据，能够为数据挖掘研究提供多样性的有效样本。另一方面，用户对潮流的调整行为隐含了其对目标电力系统的理解、经验和相关知识。这些信息隐含在海量的数据记录中，难于用语言表达，并且随着目标电力系统的不同而发生变化。对这些信息进行显式建模和应用有较大难度。如，采用规则库方式建模，则需要巨量的知识工程工作，并且对一些类似“直觉”的经验难以有效表达。因此，基于数据分析技术直接从数据记录中分析用户潮流调整的行为模式，采用隐式建模的方式建立相关的指标体系，将可以有效降低知识应用的难度并提升应用效果。关联规则理论由美国agrawal等学者于上个世纪90年代提出来的，主要用于描述数据中项与项之间的相互关系，其实质就是通过项集共同出现的频度来挖掘数据之间的内在联系，揭示事件或实体之间的依赖性和相关性。fp-growth算法和apriori算法是实施关联规则理论的2种方法。当处理的频繁项量过大，模式过长或者最小支持度的阈值比较小时，fp-growth算法相比apriori算法有着很多优势：1)apriori算法必须产生大量的候选项集。如果挖掘一个长度为100的频繁模式，apriori算法将产生共约为2100个候选子集。并且，无论采用哪种实现方法，这都是apriori算法产生候选集必不可少的消耗。2)apriori算法需要反复地扫描数据文件，这不仅耗费时间，而且使得用于数据处理的规则提取系统的i/o花销加大。相比apriori算法，fp-growth算法可避免大量候选项集的产生并且只需扫描数据文件两次，所以比apriori算法的速度快一个数量级；并且同时适用于长频繁模式和短频繁模式。与apriori算法不同，fp-growth算法将事务数据库中的所有信息压缩进一棵fp-tree树中，采取分而治之的策略，分别挖掘每个频繁项所关联的条件数据库，并将挖掘的结果进行综合，从而能够在不产生候选项集的情况下挖掘出所有的频繁项集。也即，fp-growth算法挖掘频繁模式的过程可以分为两个步骤：fp-tree树的构造和基于fp-tree树的频繁模式挖掘，这里不再赘述。如图1所示，该基于fp-growth算法的潮流调整样本生成方法，包括以下步骤：步骤s10：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的标识；步骤s20：根据至少一个待操作的电网设备的标识，从潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述潮流调整规则库中的一条规则；步骤s30：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。为了解决大电网快速判稳中在线数据样本集的多样性不足的问题，该方法利用电网用户调整潮流积累的日志数据这些离线数据，基于fp-growth算法提取出用户调整潮流的规则库，进而根据规则库生成有效的在线数据样本，从而为电网快速判稳工作提供大量的、多样的有效样本。应该理解为，这里针对待操作的电网设备的操作动作包括两种：接入到电网中或从电网中退出。也即，若待操作的电网设备为发电机，则操作动作为投入或退出；若待操作的电网设备为负荷，则操作动作为开或断。应该理解为，所述潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的。在所述电网稳定性分析任务中包括的电网设备的标识的数目m多于所述潮流调整规则库中包括的电网设备的标识的数目n，所述离线潮流调整历史数据中包括的电网设备的标识的数目s多于所述电网稳定性分析任务中包括的电网设备的标识的数目m，其中，m、n、s均为大于1的正整数。也即，从众多的离线潮流调整历史数据挖掘得到的包括较少的电网设备的潮流调整规则；将潮流调整规则应用于生成潮流调整样本进而用于电网稳定性分析任务中，可以减少生成潮流调整样本时的随机性，使得生成的潮流调整样本更符合真实的历史电网运行规律。通常，在电力系统中，包括多种类型的电网设备，且每种类型的电网设备至少有一个。同样地，在大电网仿真模型中也包括多种类型的电网设备，每种类型的电网设备包括至少一个。在建立潮流调整规则库时，区分电网设备的类型，针对不同类型的电网设备分别建立电网设备潮流调整规则库，则更利于减少规则的数量，提高规则匹配的效率。优选地，该方法的所述步骤10中，还包括：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的类型信息；相应地，所述步骤20，包括：根据类型信息相同的至少一个待操作的电网设备的标识，从与所述类型信息对应的电网设备潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述电网设备潮流调整规则库中的一条规则，所述电网设备潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的；相应地，所述步骤s30包括：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。在进行电网稳定性分析或潮流分析时，除外调节发电机的投退，还可以调整发电机的有功值和无功值。具体地，在所述类型信息为发电机时，该方法还包括步骤s40：利用与所述待操作的发电机的标识对应的发电机的调整特征量调节所述待操作的发电机的运行数据，并将调节后的所述待操作的发电机的运行数据替换所述电网稳定性分析任务中记载的所述待操作的发电机的标识对应的运行数据，替换后的所述电网稳定性分析任务即为一个潮流调整样本；其中，所述发电机的调整特征量是从离线潮流调整历史数据中提取得到的。具体实施时，如表2所示，所述发电机的调整特征量是从离线潮流调整历史数据中进行数据统计得到的。具体地，所述的方法，还包括：步骤s50：针对每一个所述潮流调整样本，判断与所述潮流调整样本对应的所述电网仿真模型的电网稳定性；若与所述潮流调整样本对应的潮流是收敛的，则所述潮流调整样本为一个电网稳定样本；若与所述潮流调整样本对应的潮流是不收敛的，则所述潮流调整样本为一个电网不稳定样本。具体地，所述的方法，在基于fp-growth算法，根据离线潮流调整历史数据挖掘潮流调整规则库时，设置最小支持度为8％；设置最小置信度为100％。综上，基于fp-growth算法挖掘出调整潮流行为的规则库，进而形成潮流调整样本，可以补充到潮流判稳样本集中，有利于提高在线仿真进行电网稳定性判断的性能。如图2所示，还提供了一种基于fp-growth算法的潮流调整样本生成装置，包括：电网设备标识提取模块100，用于：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的标识；操作动作匹配模块200，用于：根据至少一个待操作的电网设备的标识，从潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述潮流调整规则库中的一条规则，所述潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的，所述电网稳定性分析任务中包括的电网设备的标识的数目m多于所述潮流调整规则库中包括的电网设备的标识的数目n，所述离线潮流调整历史数据中包括的电网设备的标识的数目s多于所述电网稳定性分析任务中包括的电网设备的标识的数目m，，其中，m、n、s均为大于1的正整数；潮流调整样本生成模块300，用于：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的装置，所述电网仿真模型中包括多种类型的电网设备，每种类型的电网设备包括至少一个；所述电网设备标识提取模块100，还用于：从获取的由电网仿真模型生成的电网稳定性分析任务中提取每一个待操作的电网设备的类型信息；相应地，所述操作动作匹配模块200，用于：根据类型信息相同的至少一个待操作的电网设备的标识，从与所述类型信息对应的电网设备潮流调整规则库中匹配得到与所述至少一个待操作的电网设备的标识对应的电网设备操作序列，所述电网设备操作序列记载有对部分或者全部的所述至少一个待操作的电网设备的标识的操作动作，所述电网设备操作序列为所述电网设备潮流调整规则库中的一条规则，所述电网设备潮流调整规则库是基于fp-growth算法根据离线潮流调整历史数据挖掘得到的；相应地，所述潮流调整样本生成模块300，用于：用所述电网设备操作序列记载的对所述待操作的电网设备的标识的操作动作替换所述电网稳定性分析任务中记载的待操作的电网设备的标识对应的操作动作，替换后的所述电网稳定性分析任务即为一个潮流调整样本。具体地，所述的装置，在所述类型信息为发电机时，还包括发电机特征量调节模块400，用于：利用与所述待操作的发电机的标识对应的发电机的调整特征量调节所述待操作的发电机的运行数据，并将调节后的所述待操作的发电机的运行数据替换所述电网稳定性分析任务中记载的所述待操作的发电机的标识对应的运行数据，替换后的所述电网稳定性分析任务即为一个潮流调整样本；其中，所述发电机的调整特征量是从离线潮流调整历史数据中提取得到的。具体地，所述的装置，还包括：潮流调整样本判断模块500，用于：针对每一个所述潮流调整样本，判断与所述潮流调整样本对应的所述电网仿真模型的电网稳定性；若与所述潮流调整样本对应的潮流是收敛的，则所述潮流调整样本为一个电网稳定样本；若与所述潮流调整样本对应的潮流是不收敛的，则所述潮流调整样本为一个电网不稳定样本。具体地，所述的装置，在基于fp-growth算法，根据离线潮流调整历史数据挖掘潮流调整规则库时，设置最小支持度为8％；设置最小置信度为100％。该装置与该方法具有相同的技术方案，具有相同的技术效果，这里不再赘述。具体实施时，该基于fp-growth算法生成潮流调整样本集的步骤如下：1)采集用户调整潮流数据通常，电力系统中调整潮流通常采用就近原则，通过调整发电机的出力、变压器的容量、增加线路等来措施满足电网系统的稳定性。用户调整电力系统的潮流需要在总控系统的计算程序界面上进行操作，这些操作将触发数据库增加数据、删除数据、修改数据等动作，这些动作事件都保存在mysql的二进制日志文件中。通过解析二进制日志文件，可以获取用户调整潮流的行为事件的时间序列，并得到用户调整潮流行为数据。最终从mysql的二进制日志文件中提取分析获得的用户调整潮流行为数据为文本形式的数据，主要包括：各类设备的名称，各类设备的投退状态，以及设备的类型等。其中，设备包括发电机、变压器、负荷、线路/串/并联电容电抗器、静态无功补偿器、换流器等。一种优选的数据文件的格式如表1所示。表1中示出的是用户某一次的调整潮流时的操作。表1用户调整潮流行为的文本格式描述投退状态设备类型设备名称0，无效5，表示为变电站晋河热g11，有效6，表示为负荷辽营口厂1101，有效6，表示为负荷鲁丰台站110………获取较大时间跨度或较大地理跨度的用户调整潮流行为的数据文件(也即潮流调整样本集)后，下一步就可以进行规则挖掘。2)生成潮流调整规则库处理采集到的用户调整潮流数据文件，建立fp树，用fp-growth算法挖掘出全部的频繁项集；并通过最小支持度和最小置信度过滤掉支持度不足和置信度不足的规则，最终形成用户调整潮流规则库。优选地，为了保证提取样本集规则的可靠性，可以将最小置信度的阀值设置为100％。在用户调整潮流的样本数量较少的情形时，如果最小支持度的阀值设置过高，将无法得到有效的用户调整潮流规则，因此最小支持度的阀值可以设定为8％。例如利用辽宁电网在2017年7月至2017年12月之间调整潮流行为的日志数据进行关联规则分析。具体地，采集得到的用户调整潮流行为的数据中，涉及到对66台发电机进行调整，对17个负荷进行调整。通过反复调整最小支持度的数值和最小置信度的数值，得到用户调整潮流行为的强关联规则，也即调整潮流行为的规则库；其中，66台发电机共挖掘得到22288条规则，17个负荷共挖掘得到151条规则。其中规则库可以表示为{(‘辽大连华能二热g1’，‘辽庄河厂g1’，‘辽泰山g2’，‘辽甘井子g2’，‘辽红沿河核电g1’，‘辽营口厂g1’，‘辽营口厂g3’)：((‘辽大连湾厂’，‘辽泰山g1’)，1.0)，(‘辽东方厂g2’，‘辽大连热电g2’，‘吉江南热电g2’)：((‘吉吉林热电厂ga’，‘黑鸡西二热g2’)，1.0)，...，....}。对规则的解释如下：以下规则(‘辽红沿河核电g1’，‘辽营口厂g1’，‘辽营口厂g3’，‘辽甘井子g2’，‘辽泰山g1’)：(‘辽大连湾厂g2’，‘辽沈西热电g1’)，1.0)表示，在置信度为100％，支持度为8％的情况下，用户调整发电机组合：辽红沿河核电g1、辽营口厂g1、辽营口厂g3、辽甘井子g2、辽泰山g1时，同时也会调整发电机组合：辽大连湾厂g2和辽沈西热电g1。3)生成样本基于调整潮流行为的规则库，生成潮流调整的在线数据样本时，主要考虑发电机的调整和负荷的调整。具体地，包括调节发电机的投退、调整发电机的有功值和无功值、调节负荷的开和断。利用调整潮流行为中发电机调整量的历史数据，统计得到发电机调整量的特征数据，包括有功调整量的最大值和最小值、无功调整量的最大值和最小值。进一步地，按照调整步数为10，计算各自的调整步长：步长＝(最大值-最小值)/10。应该理解为，可以根据发电机调整量的跨度范围来灵活设置调整步数，从而得到不同数值的调整步骤。表2中示出了发电机调整量的特征数据的示例。表2发电机的调整特征量的示例根据以上发电机调整量的数据，可以在生成潮流调整样本时，反复尝试不同的调整量，来确定该潮流调整样本调节潮流的有效性。图3中示出了基于fp-growth算法的潮流调整样本生成方法的流程图，其包括以下步骤：获取电网仿真模型生成的电网稳定性分析任务；针对该电网稳定性分析任务中的至少一个发电机设备，遍历发电机潮流调整规则库，根据筛选到的调整规则，逐个修改该至少一个发电机设备的投退状态；并进行潮流计算，判断该次潮流调整中潮流是否收敛？若收敛，则该轮潮流调整方案为一个稳定的在线潮流调整样本；若不收敛，则结合该至少一个发电机设备的调整特征量，逐步长修改该至少一个发电机设备的有功或无功值；并进行潮流计算，判断该次潮流调整中潮流是否收敛？若收敛，则该轮潮流调整方案为一个稳定的在线潮流调整样本；若修改该至少一个发电机设备的有功值和或无功值，电网仍不收敛；则针对该电网稳定性分析任务中的至少一个负荷的多种组合，分别遍历负荷潮流调整规则库，根据筛选到的调整规则，逐个修改该至少一个负荷的开断状态；并进行潮流计算，判断该次潮流调整中潮流是否收敛？若不收敛，则该轮潮流调整方案为一个不稳定的在线潮流调整样本。最后，调整至少一个发电机设备的组合，再次重复以上步骤，直到遍历了全部的发电机潮流调整规则库和负荷潮流调整规则库。至此，基于该电网稳定性分析任务，生成了多个在线潮流调整样本，这些在线潮流调整样本极大地丰富了在线仿真样本的多样性。优选地，在应用潮流调整规则库时，针对经过数值仿真生成的电网稳定性分析任务中的电网设备的标识，与从运行记录中收集的离线数据中发电机和负荷的名称可能不一致的情况，可以按照模糊匹配的原则修改数据或文件中的设备名称。综上，为了解决大电网快速判稳中在线数据样本集的多样性不足的问题，提升在线数据学习算法的性能，利用电网用户调整潮流积累的日志数据这些离线数据，基于fp-growth算法提取出用户调整潮流的规则库，进而根据规则库生成有效的在线数据样本，从而为电网快速判稳工作提供大量的、多样的有效样本。以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。当前第1页12