一种基于核空间模糊隶属度的动态安全域构建方法及系统与流程

本发明涉及电网安全运行，具体的，涉及一种基于核空间模糊隶属度的动态安全域构建方法及系统。

背景技术：

1、电网中接入了大量可再生能源和电力电子设备，电网的规模和复杂性进一步提高，为了实时准确的对电力系统进行在线安全监控，提出了动态安全域的概念，从域的角度直观量化电网的安全性，对电网的安全进行实时在线的分析。

2、动态安全域(dynamic security region,dsr)是定义在系统有功注入空间上，满足特定暂态稳定约束的运行点集，现有技术中通常利用电网在实际运行中产生的海量运行数据，通过支持向量机(support vector machine,svm)等机器学习的方法拟合出近似的线性边界，由此构建动态安全域，然而，svm在实际应用中对于噪声和孤立点数据非常敏感，随着电网规模的不断增大，系统的动态特性愈发复杂，这导致电力系统在运行过程中会出现部分异常数据，从而使得svm获得的分界面并非最优的分类面，影响安全域边界拟合的准确性。

3、近年来，模糊理论与svm相结合的思想逐渐被广泛应用，即针对不同的样本，采用不同的惩罚系数，并赋予不同的模糊隶属度，使得在构造svm目标函数时，对噪声或异常数据赋予较小的权值，从而减小或消除它们对最优决策面的影响，但常见的模糊支持向量机(fuzzy support vector machine,fsvm)中的模糊隶属度并不能很好的辨识所有异常数据，使其抗干扰效果有限，进而无法提高安全域边界拟合的准确性。

技术实现思路

1、为了解决上述技术问题，本发明公开了一种基于核空间模糊隶属度的动态安全域构建方法及系统，用于提高对噪声和异常数据的抗干扰性，进而提高安全域边界拟合的准确性。

2、为了实现上述目的，本发明公开了一种基于核空间模糊隶属度的动态安全域构建方法，包括：

3、根据获取的电网运行数据选取若干个节点，获取所述若干个节点中每一个节点分别对应的初始有功注入功率，构建用于动态安全域分析的初始有功注入功率向量，并根据预设的随机抽样方法多次改变所述初始有功注入功率向量中各初始有功注入功率的取值，生成由若干个有功注入功率向量组成的样本集，并分别对每一个有功注入功率向量进行暂态仿真；

4、根据所述暂态仿真的结果对所述每一个有功注入功率向量进行分类，获得初始稳定样本集及初始失稳样本集，并分别对所述初始稳定样本集及初始失稳样本集中的每一个样本进行归一化处理，获得稳定样本集及失稳样本集；

5、根据预设的核空间距离公式分别确定所述稳定样本集对应的稳定样本中心及所述失稳样本集对应的失稳样本中心；

6、以所述稳定样本中心及所述失稳样本中心为基准，分别计算所述稳定样本集中每一个稳定样本对应的稳定距离模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳距离模糊隶属度，同时通过预设的k近邻算法计算所述稳定样本集中每一个稳定样本对应的稳定紧密模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳紧密模糊隶属度；

7、对所述每一个稳定样本对应的稳定距离模糊隶属度和稳定紧密模糊隶属度进行相乘，及对所述每一个失稳样本对应的失稳距离模糊隶属度及失稳紧密模糊隶属度进行相乘，获得所述每一个稳定样本对应的稳定核空间模糊隶属度和每一个失稳样本对应的失稳核空间模糊隶属度；

8、根据所述稳定核空间模糊隶属度和所述失稳核空间模糊隶属度，通过模糊支持向量机表达式，构建模糊支持向量机，并通过所述模糊支持向量机对所述稳定样本集及所述失稳样本集进行分界面求解，获得所述稳定样本集及所述失稳样本集之间对应的线性边界及边界系数，并根据所述线性边界及边界系数构建所述电网运行数据对应的动态安全域。

9、本发明公开了一种基于核空间模糊隶属度的动态安全域构建方法，首先根据获取的电网运行数据构建适用于动态安全域分析的向量，接着对所述向量中的每一个有功注入功率的取值进行随机的改变并重复若干次，获得若干个有功注入功率向量，以使为后续构建动态安全域提供数据支持，接着对所述若干个有功注入功率向量中的每一个向量进行暂态仿真，以使根据仿真的结果进行分类，分为稳定样本集及失稳样本集，接着对分类后的稳定样本集及失稳样本集中的每一个样本数据分别进行距离模糊隶属度及紧密模糊隶属度的计算，以使根据所述距离模糊隶属度及紧密模糊隶属度结合后获得的核空间模糊隶属度，来作为模糊支持向量机的权重参数，对现有的模糊支持向量机进行优化，改善了单一模糊隶属度无法识别异常数据的问题，提高支持向量机在拟合安全域边界时对噪声或异常数据的辨识和处理能力，接着通过所述提高了对噪声或异常数据的辨识和处理能力的支持向量机对所述有功注入样本集进行边界的划分，构建动态安全域，提高了所述构建的动态安全域的精准度。

10、作为优选例子，在所述根据获取的电网运行数据选取若干个节点，获取所述若干个节点中每一个节点分别对应的初始有功注入功率，构建用于动态安全域分析的初始有功注入功率向量，并根据预设的随机抽样方法多次改变所述初始有功注入功率向量中各初始有功注入功率的取值，生成由若干个有功注入功率向量组成的样本集，包括：

11、从获取的电网运行数据中提取各发电节点分别对应的有功出力数据及各负荷节点分别对应的有功负荷数据；

12、根据所述有功出力数据和所述有功负荷数据构建用于动态安全域分析的初始有功注入功率向量；其中，所述初始有功注入功率向量包含若干个节点中每一个节点分别对应的初始有功注入功率；

13、根据预设的故障类型，通过拉丁超立方抽样法多次改变所述若干个初始有功注入功率中每一个初始有功注入功率的取值，获得由若干组有功注入功率向量构建的样本集；其中每一组有功注入功率向量包含若干个取值改变后获得的有功注入功率。

14、本发明通过选取适用于动态安全域分析的有功出力数据和有功负荷数据以使为后续安全域的构建提供初始的向量支撑，同时利用常见的故障类型，利用所述拉丁超立方抽样法对所述初始样本集中的每一个初始有功注入功率进行取值的改变，使得构建的样本集贴合电网的正常运行，提高后续构建的安全域的精准度。

15、作为优选例子，在所述根据所述暂态仿真的结果对所述每一个有功注入功率向量进行分类，获得初始稳定样本集及初始失稳样本集，包括：

16、根据所述暂态仿真的结果确定每一个有功注入功率向量对应的暂态稳定性，根据所述暂态稳定性对所述每一个有功注入功率向量进行分类，并根据所述分类的结果对所述每一个有功注入功率向量进行标注；

17、当所述有功注入功率向量对应的暂态稳定性为稳定时，将当前有功注入功率向量分类至所述初始稳定样本集，并对所述当前有功注入功率向量赋予稳定标签；所述初始稳定样本集包括若干个初始稳定样本；其中，所述初始稳定样本为暂态稳定性为稳定时对应的有功注入功率向量；

18、当所述有功注入功率向量对应的暂态稳定性为不稳定时，将当前有功注入功率向量分类至所述初始失稳样本集，并对所述当前有功注入功率向量赋予失稳标签；所述初始失稳样本集包括若干个初始失稳样本；其中，所述初始失稳样本为暂态稳定性为失稳时对应的有功注入功率向量。

19、本发明基于数据属性不同即数据对应的状态为稳定或不稳定时需要分开计算，由此对所述数据进行暂态仿真，获得仿真结果，再根据仿真结果对所述数据进行分类，以便于后续分开计算。

20、作为优选例子，在所述根据预设的核空间距离公式分别确定所述稳定样本集对应的稳定样本中心及所述失稳样本集对应的失稳样本中心，包括：

21、根据预设的核空间距离公式计算在所述稳定样本集中每一个稳定样本分别与其它每一个稳定样本的稳定核空间距离值，并根据所述稳定核空间距离值，计算所述每一个稳定样本与其它若干个稳定样本的稳定核空间距离值之和；

22、根据预设的核空间距离公式计算在所述失稳样本集中每一个失稳样本分别与其它每一个失稳样本的失稳核空间距离值，并根据所述失稳核空间距离值，计算所述每一个失稳样本与其它若干个失稳样本的失稳核空间距离值之和；

23、根据所述稳定样本集中每一个稳定样本对应的稳定核空间距离值之和及所述失稳样本集中每一个失稳样本对应的失稳核空间距离值之和，选择所述稳定核空间距离值之和最小时对应的稳定样本为所述稳定样本中心及选择所述失稳核空间距离值之和最小时对应的失稳样本为所述失稳样本中心。

24、本发明基于利用距离模糊隶属度及紧密模糊隶属度改进支持向量机，以使提高安全域构建的精准度，由此利用核空间距离值确定稳定样本集及失稳样本集中分别对应的数据中心，以使为后续计算距离模糊隶属度及紧密模糊隶属度提供数据支持。

25、作为优选例子，在所述分别计算所述稳定样本集中每一个稳定样本对应的稳定距离模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳距离模糊隶属度，包括：

26、通过所述核空间距离公式计算所述稳定样本集中每一个稳定样本与所述稳定样本中心之间的稳定核空间距离值及所述失稳样本集中每一个失稳样本与所述失稳样本中心之间的失稳核空间距离值；

27、记录所述稳定样本集中的稳定样本与所述稳定样本中心之间的最大的稳定核空间距离值和所述失稳样本集中的失稳样本与所述失稳样本中心之间的最大的失稳核空间距离值；

28、根据所述稳定样本与所述稳定样本中心之间的最大的稳定核空间距离值及所述失稳样本与所述失稳样本中心之间的最大的失稳核空间距离值，通过预设的距离模糊隶属度计算公式分别计算获得所述稳定样本集中每一个稳定样本对应的稳定距离模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳距离模糊隶属度。

29、本发明为了改善单一模糊隶属度无法识别异常数据的问题，因此通过结合距离模糊隶属度和紧密模糊隶属度改善支持向量机，以使提高所述支持向量机在拟合安全域边界时对噪声或异常数据的辨识和处理能力，由此通过计算每一个数据对应的核空间距离，以此计算每一个样本对应的距离模糊隶属度。

30、作为优选例子，在所述通过预设的k近邻算法计算所述稳定样本集中每一个稳定样本对应的稳定紧密模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳紧密模糊隶属度，包括：

31、将所述稳定样本集中每一个稳定样本分别与其它每一个稳定样本的稳定核空间距离值及所述失稳样本集中每一个失稳样本与其它每一个失稳样本的失稳核空间距离值从小到大进行排序；

32、根据所述排序，在离所述稳定样本中心核空间距离最近的若干个稳定有功注入功率向量中，选取前若干个稳定有功注入功率向量对应的数据稳定核空间距离值相加并取倒数，获得每一个稳定有功注入功率向量对应的稳定紧密值；

33、根据所述排序，在离所述失稳样本中心核空间距离最近的若干个失稳有功注入功率向量中，选取前若干个失稳有功注入功率向量对应的数据失稳核空间距离值相加并取倒数，获得每一个失稳有功注入功率向量对应的失稳紧密值；

34、从所述稳定样本集中每一个稳定有功注入功率向量对应的稳定紧密值中筛选出最大的稳定紧密值，并从所述失稳样本集中每一个失稳有功注入功率向量对应的失稳紧密值中筛选出最大的失稳紧密值；

35、通过求解每一个稳定紧密值与所述最大的稳定紧密值的比值及求解每一个失稳紧密值与所述最大的失稳紧密值的比值，确定所述稳定样本集中每一个稳定样本对应的稳定紧密模糊隶属度以及所述失稳样本集中每一个失稳样本对应的失稳紧密模糊隶属度。

36、本发明为了改善单一模糊隶属度无法识别异常数据的问题，因此通过结合距离模糊隶属度和紧密模糊隶属度改善支持向量机，以使提高所述支持向量机在拟合安全域边界时对噪声或异常数据的辨识和处理能力，由此通过计算每一个数据对应的核空间距离，以此计算每一个样本对应的紧密模糊隶属度。

37、作为优选例子，在所述根据所述稳定核空间模糊隶属度和所述失稳核空间模糊隶属度，通过模糊支持向量机表达式，构建模糊支持向量机，包括：

38、将所述若干个有功注入功率向量划分为训练样本集及测试样本集，并确定所述训练样本集中每一个有功注入功率向量对应的稳定标签及核空间模糊隶属度；

39、将所述训练样本集中每一个有功注入功率向量对应的标签及核空间模糊隶属度作为模糊支持向量机的输入参数，其中，所述核空间模糊隶属度作为所述模糊支持向量机的权重参数，根据所述权重参数及预设的模糊支持向量机表达式构建初始模糊支持向量机；

40、通过所述初始模糊支持向量机对所述训练样本集进行分界面求解，并根据所述测试样本集检验所述分界面求解的结果；

41、根据所述检验的结果调整所述模糊支持向量机表达式的参数，通过参数优化后的模糊支持向量机对所述训练样本集进行进一步的分界面求解。

42、本发明利用结合了距离模糊隶属度和紧密模糊隶属度的核空间模糊隶属度改善支持向量机，可提高所述支持向量机在拟合安全域边界时对噪声或异常数据的辨识和处理能力，进一步提高所述支持向量机构建的安全域的精准度。

43、另一方面，本发明公开了一种基于核空间模糊隶属度的动态安全域构建系统，所述系统包括数据仿真模块、数据分类模块、样本中心获取模块、模糊度计算模块、模糊度结合模块及安全域构建模块；

44、所述数据仿真模块用于根据获取的电网运行数据选取若干个节点，获取所述若干个节点中每一个节点分别对应的初始有功注入功率，构建用于动态安全域分析的初始有功注入功率向量，并根据预设的随机抽样方法多次改变所述初始有功注入功率向量中各初始有功注入功率的取值，生成由若干个有功注入功率向量组成的样本集，并分别对每一个有功注入功率向量进行暂态仿真；

45、所述数据分类模块用于根据所述暂态仿真的结果对所述每一个有功注入功率向量进行分类，获得初始稳定样本集及初始失稳样本集，并分别对所述初始稳定样本集及初始失稳样本集中的每一个样本进行归一化处理，获得稳定样本集及失稳样本集；

46、所述样本中心获取模块用于根据预设的核空间距离公式分别确定所述稳定样本集对应的稳定样本中心及所述失稳样本集对应的失稳样本中心；

47、所述模糊度计算模块用于以所述稳定样本中心及所述失稳样本中心为基准，分别计算所述稳定样本集中每一个稳定样本对应的稳定距离模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳距离模糊隶属度，同时通过预设的k近邻算法计算所述稳定样本集中每一个稳定样本对应的稳定紧密模糊隶属度及所述失稳样本集中每一个失稳样本对应的失稳紧密模糊隶属度；

48、所述模糊度结合模块用于对所述每一个稳定样本对应的稳定距离模糊隶属度和稳定紧密模糊隶属度进行相乘，及对所述每一个失稳样本对应的失稳距离模糊隶属度及失稳紧密模糊隶属度进行相乘，获得所述每一个稳定样本对应的稳定核空间模糊隶属度和每一个失稳样本对应的失稳核空间模糊隶属度；

49、所述安全域构建模块用于根据所述稳定核空间模糊隶属度和所述失稳核空间模糊隶属度，通过模糊支持向量机表达式，构建模糊支持向量机，并通过所述模糊支持向量机对所述稳定样本集及所述失稳样本集进行分界面求解，获得所述稳定样本集及所述失稳样本集之间对应的线性边界及边界系数，并根据所述线性边界及边界系数构建所述电网运行数据对应的动态安全域。

50、本发明公开的一种基于核空间模糊隶属度的动态安全域构建系统，首先根据获取的电网运行数据构建适用于动态安全域分析的向量，接着对所述向量中的每一个有功注入功率的取值进行随机的改变并重复若干次，获得若干个有功注入功率向量，以使为后续构建动态安全域提供数据支持，接着对所述若干个有功注入功率向量中的每一个向量进行暂态仿真，以使根据仿真的结果进行分类，分为稳定样本集及失稳样本集，接着对分类后的稳定样本集及失稳样本集中的每一个样本数据分别进行距离模糊隶属度及紧密模糊隶属度的计算，以使根据所述距离模糊隶属度及紧密模糊隶属度结合后获得的核空间模糊隶属度，来作为模糊支持向量机的权重参数，对现有的模糊支持向量机进行优化，改善了单一模糊隶属度无法识别异常数据的问题，提高支持向量机在拟合安全域边界时对噪声或异常数据的辨识和处理能力，接着通过所述提高了对噪声或异常数据的辨识和处理能力的支持向量机对所述有功注入样本集进行边界的划分，构建动态安全域，提高了所述构建的动态安全域的精准度。

51、作为优选例子，所述数据仿真模块包括提取单元、构建单元及抽样单元；

52、所述提取单元用于从获取的电网运行数据中提取各发电节点分别对应的有功出力数据及各负荷节点分别对应的有功负荷数据；

53、所述构建单元用于根据所述有功出力数据和所述有功负荷数据构建用于动态安全域分析的初始有功注入功率向量；其中，所述初始有功注入功率向量包含若干个节点中每一个节点分别对应的初始有功注入功率；

54、所述抽样单元用于根据预设的故障类型，通过拉丁超立方抽样法多次改变所述若干个初始有功注入功率中每一个初始有功注入功率的取值，获得由若干组有功注入功率向量构建的样本集；其中每一组有功注入功率向量包含若干个取值改变后获得的有功注入功率。

55、本发明通过选取适用于动态安全域分析的有功出力数据和有功负荷数据以使为后续安全域的构建提供初始的样本支撑，同时利用常见的故障类型，利用所述拉丁超立方抽样法对所述初始样本集中的每一个初始有功注入功率进行取值的改变，使得构建的样本集贴合电网的正常运行，提高后续构建的安全域的精准度。

56、作为优选例子，所述数据分类模块包括分类单元及划分单元；

57、所述分类单元用于根据所述暂态仿真的结果确定每一个有功注入功率向量对应的暂态稳定性，根据所述暂态稳定性对所述每一个有功注入功率向量进行分类，并根据所述分类的结果对所述每一个有功注入功率向量进行标注；

58、所述划分单元用于当所述有功注入功率向量对应的暂态稳定性为稳定时，将当前有功注入功率向量分类至所述初始稳定样本集，并对所述当前有功注入功率向量赋予稳定标签；所述初始稳定样本集包括若干个初始稳定样本；其中，所述初始稳定样本为暂态稳定性为稳定时对应的有功注入功率向量；当所述有功注入功率向量对应的暂态稳定性为不稳定时，将当前有功注入功率向量分类至所述初始失稳样本集，并对所述当前有功注入功率向量赋予失稳标签；所述初始失稳样本集包括若干个初始失稳样本；其中，所述初始失稳样本为暂态稳定性为失稳时对应的有功注入功率向量。

59、本发明基于数据属性不同即数据对应的状态为稳定或不稳定时需要分开计算，由此对所述数据进行暂态仿真，获得仿真结果，再根据仿真结果对所述数据进行分类，以便于后续分开计算。