一种适应电力系统暂态电压稳定评估的混合智能特征选择方法

本发明涉及电力系统，尤其是一种适应电力系统暂态电压稳定评估的混合智能特征选择方法。

背景技术：

1、规模化的新能源并网和多回特高压直流输电工程的投运，使得新型电力系统“双高一低”及负荷中心“空心化”特征明显，源-荷不确定性加剧。高度电力电子化致使电网动态特性深刻变化，同时故障耐受能力降低，加剧了系统暂态电压失稳的风险。随着大数据理论和人工智能技术的发展成熟，以及电网量测装置的迅速普及，响应数据驱动的人工智能方法为快速实现暂态电压稳定评估提供了新的思路。然而实际电力系统中各类元件数量众多，电网规模庞大，电气特征为高维数据，并且特征间的冗余性会极大影响评估模型的分类性能和效率。近年来，为充分挖掘系统受扰后关键特征的机理演化信息从而提高稳定评估准确率，部分文献提出使用动态时序数据进行暂态稳定性分析，这无疑加剧了模型的计算负担和过拟合风险。因此，探索合适的特征选择方案来降低原始特征维度是人工智能方法在电力系统暂态电压稳定评估中应用的关键问题。

2、以往研究中，多采用人工方式进行关键特征选择，即依靠专家经验选取符合先验知识的变量特征进行稳定性分析；当前许多学者进行了基于数据挖掘的特征选择研究，主要有过滤式、嵌入式和封装式三种。过滤式方法往往通过计算特征变量与标签之间的关联度来筛选与目标属性最相关的特征，典型的相关性度量准则包括relief统计、信息度量、fisher统计等。嵌入式方法是在学习模型训练的过程中同步实现特征选择，典型的嵌入式特征选择模型有决策树。封装式方法是通过寻优算法与学习模型的相互配合，以迭代寻优的方式找到与之相匹配的最佳特征子集。

3、由于当下电力系统中许多新型动态响应设备故障特性不明，暂态电压失稳的机理分析也不明确，因此仅依靠人工经验选择变量特征已难以适应复杂大电网特性且易造成信息缺漏。而在基于数据挖掘的特征选择研究中，过滤式方法虽然计算速度快，可操作性强，但其特征筛选原则较为单一，不能有效降低特征冗余性，并且不能有效应用于时序特征选择；嵌入式方法又过于依赖学习模型，难以适应暂态电压稳定快速评估的要求；封装式方法所选特征评估准确率较高，但算法计算成本高，运算效率有待提升。因此现有特征选择方法在兼顾筛选效率和筛选准确性方面还存在不足。

技术实现思路

1、针对当前电力系统分析特征选择方法中存在的特征子集筛选效率及分类性能难以兼得的问题，本发明提供一种适应电力系统暂态电压稳定评估的混合智能特征选择方法。

2、本发明提供的适应电力系统暂态电压稳定评估的混合智能特征选择方法，步骤如下：

3、s1、样本生成：

4、通过进行稳定性相关因素分析和原始特征集构建及多场景暂态时域仿真，得到高维时序样本数据集。时域仿真获取电力系统受扰后暂态电压样本数据，并依据工程实用判据完成样本稳定性标注，从而构建特征选择与评估模型的训练和测试数据集，即高维时序样本数据集。

5、s2、基于t-relief算法的特征有效性度量及初步筛选。

6、relief算法具备运算高效的优点，但不直接适用于时序输入特征选择。因此通过时序分层处理对其进行改进，得到t-relief算法。将此算法用于原始特征的初步筛选，一方面计算出特征分类有效性度量值去增强后续步骤s3的搜索性能，另一方面实现初步降维，降低步骤s3的迭代运算成本。该步骤具体包括以下子步骤：

7、s21、假设原始特征数据集共有m个样本，每个样本具有d个特征属性，数据记录的时间点个数为n；对具有n个时间步的m个时序高维特征数据进行时序分层，形成n个分层高维特征矩阵；

8、s22、分别计算n个分层高维特征矩阵中m个样本与其他样本之间的欧式距离，构建欧式距离矩阵；

9、s23、依据欧式距离矩阵，寻找各分层高维特征样本的近邻样本；计算对应时刻下各个特征的相关统计量；

10、s24、对不同时刻分层下求得的相关统计量求平均，得到综合时序信息的各个特征有效性度量值δ；

11、s25、设定阈值τ，筛选出满足条件的有效特征进行下一步骤。设定的阈值τ可以为筛选特征的个数或相关统计量特定值等。

12、s3、基于改进群体智能算法的特征选择及稳定性评估。

13、本步骤通过步骤s2得到的特征有效性度量值，对群智能优化算法(bgoa)进行搜索性能增强，得到改进的群智能优化算法(ibgoa)。基于此算法搭建封装式特征选择方案，并嵌入convgru评估模型作为子集评价器，能充分考虑特征的时序演变信息和内部组合关系，在步骤s2初筛特征基础上进一步实现特征子集寻优，降低特征冗余性。

14、该步骤包括以下子步骤：

15、s31、采用改进的二进制蝗虫优化算法进行特征选择；

16、通过步骤s24得到的有效性度量值δ，对二进制蝗虫优化算法进行搜索性能增强，得到改进的二进制蝗虫优化算法；改进的二进制蝗虫优化算法中，改进蝗虫位置初始化公式及迭代更新公式如下：

17、

18、式中，a∈(0,1)为权重系数，r∈[0,1]为均匀分布随机数；round(.)表示四舍五入取整函数；

19、

20、式中，β、η、γ均为权重系数，r∈[0,1]为均匀分布随机数；

21、s32、嵌入convgru的多维时序二分类模型对特征子集进行分类性能评估，通过适应度函数作为综合评价指标，判断综合评价指标是否满足迭代次数要求，若满足迭代次数要求，则输出最优特征子集，若不满足迭代次数要求，则再次重复采用改进的二进制蝗虫优化算法进行特征选择。

22、该步骤中，convgru的计算公式如下：

23、rt＝σ(wxr*xt+whr*ht-1)

24、zt＝σ(wxz*xt+whz*ht-1)

25、

26、

27、式中，σ和tanh表示激励函数；⊙为按元素相乘；*为卷积运算；rt示意重置门；zt示意更新门；xt表示当前时刻输入数据；表示当前候选值；ht-1表示上一时刻隐藏状态；wxr、whr、wxz、whz、wxh、whh分别表示对应连接的权重系数。

28、采用的适应度函数如下：

29、

30、式中，β∈(0,1)为权重系数，|r|为对应特征子集的维度，|n|为原始特征维度；pc为综合错判率指标；

31、综合错判率指标pc计算公式如下：

32、pc＝αpfs+(1-α)pfus

33、其中，漏判率

34、误判率式中，α为权重系数，fs表示错误判定为稳定的样本数(漏判)；fus表示错误判定为失稳的样本数(误判)；ts表示正确判定为稳定的样本数；tus表示正确判定为失稳的样本数。

35、与现有技术相比，本发明的有益之处在于：

36、(1)通过对relief算法进行时序改进，得到t-relief算法，该方法适用于高维时序特征的有效性度量，且仍具备运算高效的优势；

37、(2)融合特征有效性度量值，改进了群智能优化算法的初始化及迭代更新公式，有效提升了基于此智能算法进行封装式特征选择的效率和性能；

38、(3)基于双重筛选的混合智能特征选择方法能有效实现特征降维。初筛阶段提供特征有效性度量值并初步降维，提升了后续子集寻优的效率。基于改进群智能优化算法的封装式阶段嵌入convgru时序评估模型能充分考虑特征的时变特性，具有更高的分类精度。与其他常用特征选择方法相比，本发明的方法所选特征子集分类性能更优。

39、本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。