适用于电力系统暂态稳定评估的特征选择方法及装置与流程

本发明涉及电力系统安全稳定分析技术领域，特别涉及一种适用于电力系统暂态稳定评估的特征选择方法及装置。

背景技术：

电力系统暂态稳定评估是关系到电力系统安全稳定运行的重要问题，也是电力系统中研究的一个重要课题。随着电网发展越来越迅速，全国联网规模不断扩大，导致电力系统潮流运行中特征量数目十分庞大。在电网的安全稳定问题研究中，找到起关键作用的特征对于电网的监控与安全运行十分重要。

电力系统运行中可供选择的潮流量巨大，包括发电机出力、负荷和线路潮流等，如果全部拿来用作暂态稳定评估的输入容易导致模型训练困难，计算复杂度大而且不利于相关控制措施的采取。特征选择主要是从系统大量的潮流量中针对特定故障选取一个潮流量的子集，用于后续的暂态稳定评估。

目前，通常依据运行经验选取潮流特征作为对电力系统暂态稳定评估的关键控制对象进行研究，仅靠人工经验难以准确、全面地掌握电网运行规律，可能会忽略电网运行的潜在问题。

特征选择方法依据是否独立于后续的学习算法，一般可以分为过滤式(filter)和封装式(wrapper)两种。filter与后续的学习算法无关，是直接利用所有训练数据的统计性能选择特征，计算量相对小，速度快，但有可能选择的结果与后续学习算法的性能偏差较大。wrapper利用后续学习算法的训练准确率评估特征子集，偏差小，但是计算量大。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种适用于电力系统暂态稳定评估的特征选择方法，该方法能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。

本发明的另一个目的在于提出一种适用于电力系统暂态稳定评估的特征选择装置。

为达到上述目的，本发明一方面实施例提出了一种适用于电力系统暂态稳定评估的特征选择方法，包括以下步骤：通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；采用relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；采用基于支持向量机svm(supportvectormachine，支持向量机)模型的wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；根据所述特征集采用特征量追加法获取特征选择结果。

本发明实施例的适用于电力系统暂态稳定评估的特征选择方法，依次使用filter方法和wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题。首先采用relief算法作为filter阶段进行特征初筛，其次采用支持向量机模型作为wrapper阶段对特征量作进一步筛选，并提出一种特征量追加法，实现利用较少的输入量以获得更好的分类效果，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。

另外，根据本发明上述实施例的适用于电力系统暂态稳定评估的特征选择方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述采用relief算法对所述候选特征集的候选特征进行初筛，包括：根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。

进一步地，在本发明的一个实施例中，根据所述每个特征对近距离样本的区分能力获取所述relief算法中特征和类别的相关性。

进一步地，在本发明的一个实施例中，所述每个特征的权重的计算公式为：

其中，m为计算的次数，w为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。

进一步地，在本发明的一个实施例中，所述根据所述特征集采用特征量追加法获取特征选择结果，包括：(1)设输入特征量集合元素个数为n，目标特征量个数为m，其中，n为大于等于零的正整数；(2)将所述特征集中第i个特征作为输入特征训练svm，得到测试准确率和训练准确率，将两种准确率的平均值记为a(i)，其中，i为正整数；(3)取所述a(i)的最大值对应的特征量，加入所述特征量集，n＝n+1；(4)重复过程(2)和(3)，直到n＝m计算结束，此时的m个特征量为数量缩减后的特征量。

为达到上述目的，本发明另一方面实施例提出了一种适用于电力系统暂态稳定评估的特征选择装置，包括：确定模块，用于通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定所述电力系统的候选特征集；初筛模块，用于采用relief算法对所述候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果；训练模块，用于采用基于支持向量机svm模型的wrapper方法对所述特征初筛结果进行训练，以得到描述电力系统稳定性的特征集；获取模块，用于根据所述特征集采用特征量追加法获取特征选择结果。

本发明实施例的适用于电力系统暂态稳定评估的特征选择装置，依次使用filter方法和wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题。首先采用relief算法作为filter阶段进行特征初筛，其次采用支持向量机模型作为wrapper阶段对特征量作进一步筛选，并提出一种特征量追加法，实现利用较少的输入量以获得更好的分类效果，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。

另外，根据本发明上述实施例的适用于电力系统暂态稳定评估的特征选择装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述初筛模块进一步用于根据所述每个特征和类别的相关性赋予特征不同的权重，以选取所述权重大于预设阈值的特征来进行特征选择，并且移除所述权重小于所述预设阈值的特征。

进一步地，在本发明的一个实施例中，所述初筛模块进一步用于根据所述每个特征对近距离样本的区分能力获取所述relief算法中特征和类别的相关性。

进一步地，在本发明的一个实施例中，所述每个特征的权重的计算公式为：

其中，m为计算的次数，w为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。

进一步地，在本发明的一个实施例中，所述获取模块，包括：设置单元，用于设输入特征量集合元素个数为n，目标特征量个数为m，其中，n为大于等于零的正整数；输入单元，用于将所述特征集中第i个特征作为输入特征训练svm，得到测试准确率和训练准确率，将两种准确率的平均值记为a(i)，其中，i为正整数；加入单元，用于取所述a(i)的最大值对应的特征量，加入所述特征量集，n＝n+1；重复单元，用于重复执行所述输入单元和加入单元，直到n＝m计算结束，此时的m个特征量为数量缩减后的特征量。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的适用于电力系统暂态稳定评估的特征选择方法的流程图；

图2为根据本发明一个实施例的适用于电力系统暂态稳定评估的特征选择方法的流程图；

图3为根据本发明实施例的特征追加法流程图；

图4为根据本发明实施例的适用于电力系统暂态稳定评估的特征选择装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择方法及装置，首先将参照附图描述根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择方法。

图1是本发明一个实施例的适用于电力系统暂态稳定评估的特征选择方法的流程图。

如图1所示，该适用于电力系统暂态稳定评估的特征选择方法包括以下步骤：

在步骤s101中，通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定电力系统的候选特征集。

可以理解的是，如图2所示，采用选取电力系统潮流运行中的特征量为候选特征，具体地，通过暂态稳定时域仿真得到系统稳定结果的样本数据集，并确定系统候选特征集。

在步骤s102中，采用relief算法对候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果。

可以理解的是，如图2所示，本发明实施例可以用relief算法计算各候选特征的权重，进行第一阶段初筛。

进一步地，在本发明的一个实施例中，采用relief算法对候选特征集的候选特征进行初筛，包括：根据每个特征和类别的相关性赋予特征不同的权重，以选取权重大于预设阈值的特征来进行特征选择，并且移除权重小于预设阈值的特征。其中，在本发明的一个实施例中，根据每个特征对近距离样本的区分能力获取relief算法中特征和类别的相关性。每个特征的权重的计算公式为：

其中，m为计算的次数，w为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。

具体而言，relief算法是一种特征权重算法，是filter方法的典型应用，该算法根据各个特征和类别的相关性赋予特征不同的权重，通过选取权重大于某一阈值的特征来进行特征选择，权重小于某个阈值的特征将被移除。relief算法中特征和类别的相关性是基于特征对近距离样本的区分能力，其实现过程如下。

(1)以ieee39节点系统为例，暂态稳定仿真在psasp(powersystemanalysissoftwarepackage电力系统分析综合程序)中进行，故障设置为在线路两端设置三相短路接地故障，一段时间后切除故障线路。不断改变潮流(运行点)进行暂态稳定仿真计算，从中选取一定数量的稳定样本与不稳定样本以保证稳定样本与不稳定样本数量相当。记录故障前系统潮流中线路有功p、无功q，母线电压幅值u、相角θ，发电机和负荷母线的有功p、无功q作为候选特征集。

(2)设训练集为s，一共有n个样本，即si＝(si1,…,sik,…,sip),i＝1,2,…,n，其中的sik表示第i个样本中第k个特征的取值，而p表示每个样本有p个候选特征，设这p个候选特征分别记为f1,f2,…,fp。

(3)定义样本si＝(si1,…,sik,…,sip)和样本sj＝(sj1,…,sjk,…,sjp)之间的差别表达式如下：

式中max(sk)表示第k个候选特征取值的最大值，min(sk)表示第k个候选特征取值的最小值。

(4)将原始数据集s根据类别属性分为两类，分别记为s⁺和s^-，令初始候选特征的权重向量为w＝(w1,w2,…,wp)＝(0,0,…,0)，随机从s中选取一个样本x＝(x1,x2,…,xp)，计算x到s⁺和s^-中每个样本的距离，寻找距离最近的样本。

(5)记与x同类别的最邻近样本为nearhit＝(nh1,nh2,…,nhp)，与x不同类别的最邻近样本为nearmiss＝(nm1,nm2,…,nmp)，更新各特征的权重：

wi＝wi-diff(xi,nhi)²+diff(xi,nmi)²(2)

上述过程重复计算m次后，求各特征权重的平均值：

(6)对各特征的平均权重进行排序，权重大于某一阈值τ的特征即为选中的特征，权重小于阈值τ的特征移除，最终得到经filter阶段筛选的特征集p^*。

在步骤s103中，采用基于支持向量机svm模型的wrapper方法对特征初筛结果进行训练，以得到描述电力系统稳定性的特征集。

可以理解的是，根据特征初筛的结果，采用基于支持向量机svm模型的wrapper方法对初筛结果进行训练，以得到能够准确描述电力系统稳定性的特征集。

具体而言，支持向量机是一种二分类的模型，是一种监督式的机器学习方法。支持向量机方法通过在样本空间中寻找一个最优超平面将样本完成分类。在可以分类的超平面中，有两个超平面上存在着一部分样本，这里的两个超平面分别与两类数据接触，最优超平面在两者之间，并且能够使所有样本点尽可能的远离最优超平面。

在给定的一组数据(xi,yi),i＝1,2,...l,xi∈rⁿ,y∈{-1,1}，支持向量机就是求解如式(4)这样一个最优化的问题：

在上面的表达式中，xi被函数φ映射到一个高维空间，svm在这个高维空间里找到一个间隔最大的线性超平面来对其进行分类。c>0是误差向量的惩罚函数，而k(xi,xj)＝φ(xi)^tφ(xj)则被称为核函数。

常用的核函数有如下四种：

(1)线性核函数(linear)：k(xi,xj)＝xi^txj；

(2)多项式核函数(polynomial)：k(xi,xj)＝(γxi^txj+r)^d,γ＞0；

(3)rbf(radialbasisfunction，径向基核函数)：

k(xi,xj)＝exp(-γ||xi-xj||²),γ>0；

(4)sigmoid核函数：k(xi,xj)＝tanh(γxi^txj+r)。

选取经第一阶段relief算法初筛得到的特征作为svm模型训练的输入特征，以电力系统暂态稳定结果作为分类类别训练模型，基本过程如下：

(1)以第一阶段初筛的特征集p^*作为初始输入特征集；

(2)对于特征集p^*中的所有特征fi，利用svm算法对特征集px＝p^*-{fi}进行训练，选择使得准确率最高的特征集px，令p^**＝px；

(3)重复步骤(2)至停止；

(4)输出特征集p^**作为最终特征集合。

在步骤s104中，根据特征集采用特征量追加法获取特征选择结果。

可以理解的是，如图2所示，本发明实施例可以采用特征量追加法以更少的特征量获得更好的分类效果。

具体而言，输入特征量的选取决定分类效果，因此要利用尽可能少的输入特征量得到尽量好的分类效果。分类效果由训练准确率和测试准确率两者共同评价。如图3所示，在本发明的一个实施例中，基本过程如下：

(1)设输入特征量集合元素个数为n(初始n＝0)，目标特征量个数为m；

(2)将特征集合p^**中第i个特征作为输入特征训练svm，得到测试准确率和训练准确率，将两种准确率的平均值记为a(i)；

(3)取a(i)的最大值对应的特征量，加入特征量集合，n＝n+1；

(4)重复过程(2)和(3)，直到n＝m计算结束，此时的m个特征量为数量缩减后的特征量。

综上，本发明实施例可以使用filter方法和wrapper方法进行两阶段的特征选择，所采用的技术方案是：首先采用选取电力系统潮流运行中的特征量为候选特征，用relief算法计算各候选特征的权重，进行第一阶段初筛；其次以第一阶段初筛的特征量作为svm模型的数据进行训练，以系统暂态稳定状态作为类别进行分类，得到能够准确描述电力系统稳定性的特征集；最后采用特征量追加法完善特征集。

根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择方法，建立了filter方法和wrapper方法相结合的两阶段特征选择方法，能够能到更为准确、高效的特征选择；特征选择方法以电力系统稳定状态作为分类类别，使得所选特征可以作为电力系统暂态稳定评估的关键特征量；特征量追加法能够对特征选择做进一步的完善，可以实现以较少的特征量得到更高的分类准确率。

其次参照附图描述根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择装置。

图4是本发明一个实施例的适用于电力系统暂态稳定评估的特征选择装置的结构示意图。

如图4所示，该适用于电力系统暂态稳定评估的特征选择装置10包括：确定模块100、初筛模块200、训练模块300和获取模块400。

其中，确定模块100用于通过暂态稳定时域仿真得到电力系统的稳定结果的样本数据集，并确定电力系统的候选特征集。初筛模块200用于采用relief算法对候选特征集的候选特征进行初筛，其中，根据各个特征和类别之间的相关性计算每个候选特征的权重，并按特征权重大小排序，以得到特征初筛结果。训练模块300用于采用基于支持向量机svm模型的wrapper方法对特征初筛结果进行训练，以得到描述电力系统稳定性的特征集。获取模块400用于根据特征集采用特征量追加法获取特征选择结果。本发明实施例的装置10依次使用filter方法和wrapper方法进行两阶段的特征选择，以电力系统暂态稳定评估为目标，解决电力系统特征选择问题，从而能够更加快速、准确的得到与电力系统安全稳定强相关的特征，使得所选特征可以作为电力系统暂态稳定评估的关键控制量。

进一步地，在本发明的一个实施例中，初筛模块200进一步用于根据每个特征和类别的相关性赋予特征不同的权重，以选取权重大于预设阈值的特征来进行特征选择，并且移除权重小于预设阈值的特征。

进一步地，在本发明的一个实施例中，初筛模块200进一步用于根据每个特征对近距离样本的区分能力获取relief算法中特征和类别的相关性。

进一步地，在本发明的一个实施例中，每个特征的权重的计算公式为：

其中，m为计算的次数，w为其初始候选特征的权重向量，rp为第p个候选特征的平均权重，p为正整数。

进一步地，在本发明的一个实施例中，获取模块400包括：设置单元、输入单元、加入单元和重复单元。

其中，设置单元用于设输入特征量集合元素个数为n，目标特征量个数为m，其中，n为大于等于零的正整数。输入单元用于将特征集中第i个特征作为输入特征训练svm，得到测试准确率和训练准确率，将两种准确率的平均值记为a(i)，其中，i为正整数。加入单元用于取a(i)的最大值对应的特征量，加入特征量集，n＝n+1。重复单元用于重复执行输入单元和加入单元，直到n＝m计算结束，此时的m个特征量为数量缩减后的特征量。

需要说明的是，前述对适用于电力系统暂态稳定评估的特征选择方法实施例的解释说明也适用于该实施例的适用于电力系统暂态稳定评估的特征选择装置，此处不再赘述。

根据本发明实施例提出的适用于电力系统暂态稳定评估的特征选择装置，建立了filter方法和wrapper方法相结合的两阶段特征选择方法，能够能到更为准确、高效的特征选择；特征选择方法以电力系统稳定状态作为分类类别，使得所选特征可以作为电力系统暂态稳定评估的关键特征量；特征量追加法能够对特征选择做进一步的完善，可以实现以较少的特征量得到更高的分类准确率。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。