一种基于SHAP-LightGBM的交直流混联电网稳定控制方法与流程

本发明属于电力系统稳定控制，主要涉及了一种基于shap-lightgbm的交直流混联电网稳定控制方法。

背景技术：

0、技术背景

1、随着我国城乡居民用电需求持续呈现快速升高，这就对电力能源供给提出了更高的要求，高质量的电力能源供应对整个国家稳定且高效的发展提供了重要的基础保障。现如今最普遍、最复杂的系统之一就是电力系统。当前，电力系统中存在着经济性与可靠性需要相平衡的问题，然而在现实中同时还面临着电能难以大规模储存的特点。此外，发电、输电、变电、配电以及用电这五个主要过程又必须高度的融合在一起，因近年来国内的用电水平逐渐攀升，以至于造成了巨大的电能消耗，提高了停电等重大事故发生的概率。

2、现有针对复杂电力系统稳定控制的方法，大多严重依赖专家经验、对工况适应能力不强或效率较低，针对交直流混联电网稳定控制研究的重要性也日益凸显。近年来随着计算机计算速度的不断提升与相关学习算法的迭代升级，将人工智能应用到电力系统稳定控制中已经成为中外学者的研究热点，对数据样本的学习和训练发现问题潜在规律。为了保证电力系统的稳定性，如何设计出一种高效可靠且适用于交直流混联电网稳定控制方法，就变得日益迫切。

技术实现思路

1、本发明为解决上述现有技术的不足，从而提供一种基于shap-lightgbm的交直流混联电网稳定控制方法，本发明结合shap和lightgbm模型的预测能力，在电力系统发生故障后，快速精准地调整发电机组的出力，实现电力系统的稳定控制，提高电力系统的安全性和可靠性。

2、为了实现上述目的，本发明采取的技术方案是一种基于shap-lightgbm的交直流混联电网稳定控制方法，包括以下步骤：

3、a.将交直流混联电网的每个发电机组的功角、电压、有功和无功参数作为特征，对电力系统进行稳定性判别，并将电力系统的稳定与否作为标签，利用lightgbm模型进行预训练学习，建立发电机组与电力系统稳定性之间的预训练模型；

4、b.在新故障场景下将故障切除时发电机组的功角、电压、有功和无功数据作为特征值输入到步骤a预训练好的预训练模型中，对上述特征值进行预测得到预测分数，如果预测分数小于0.5，判为失稳，进入步骤c,否则直接进入步骤e；

5、c.计算故障切除时的每个发电机组有功和无功出力的shap值，将所有发电机组的有功和无功出力按照发电机组的shap值从大到小进行排序成列表l；

6、d.如果当前列表l没有元素在内，进入步骤e,否则，对列表l中第一个元素进行减少出力处理，并使用步骤a预训练的预训练模型进行预测，如果预测分数大于等于0.5,进入步骤e，如果当前预测分数相比上一次预测分数有所提升，则保存修改值并重复步骤d，否则撤销该次处理，并将该元素移出列表l；

7、e.完成电力系统的稳定控制。

8、所述步骤a具体步骤如下：

9、a1.数据收集

10、获取每个发电机组的功角、电压、有功和无功参数以及电力系统的稳定性标签数据，利用稳定性标签数据对电力系统进行稳定性判别；

11、a2.数据准备

12、对步骤a1收集到的数据进行预处理和准备，包括数据清洗、去除异常值、缺失值处理等步骤，以确保数据的质量和可用性；

13、a3.特征和标签定义

14、将经步骤a2预处理后的每个发电机组的功角、电压、有功和无功参数作为特征，而电力系统的稳定与否作为标签，特征描述了发电机组的状态，标签表示电力系统的稳定性状态；

15、a4.lightgbm模型训练

16、将步骤a3的特征和标签提供给lightgbm模型进行训练，得到预训练模型。

17、步骤a1中的稳定性判别依据为电力系统中任意发电机组的功角差是否大于360度，大于则判为失稳，否则判为稳定。

18、步骤b具体步骤如下：

19、b1.故障切除数据收集

20、在发生故障并进行切除操作后，收集相应的发电机组的功角、电压、有功和无功数据；

21、b2.数据准备：对步骤b1收集到的故障切除数据进行预处理和准备工作，包括数据清洗、缺失值处理和数据标准化等步骤，以确保数据的质量和一致性；

22、b3.输入到预训练模型

23、将经过步骤b2预处理的故障切除数据作为特征值输入到预先训练好的预训练模型中，预测发电机组与电力系统稳定性之间的关联；

24、b4.预测结果分析

25、分析步骤b3的预测结果，如果预测结果大于等于0.5时判断为稳定，表示发电机组的当前输出足以保持电力系统的稳定；反之则为失稳，表示发电机组的当前输出可能会导致电力系统不稳定。

26、步骤c中，计算故障切除时的每个发电机组有功和无功出力的shap值，具体为：

27、shapi＝∑[p(s)-p(s\{i})]*f(s\{i},x)

28、其中：shapi是特征i的shap值；

29、p(s)是特征子集s的概率，表示在所有可能的特征子集中，特征子集s被选择的概率；

30、p(s\{i})是不包含特征i的特征子集s\{i}的概率，表示在所有可能的特征子集中，不包含特征i的特征子集s\{i}被选择的概率；

31、f(s\{i},x)是在给定特征子集s\{i}的情况下，预测模型对于样本x的预测结果；

32、∑表示对所有可能的特征子集s进行求和。

33、步骤d具体步骤如下：

34、d1.列表l检查：在执行步骤c之后，先对列表l进行检查以确定是否存在元素，如果列表l为空，即没有元素在内，则进入步骤e；

35、d2.元素处理：如果列表l中有元素，则提取列表l中的第一个元素；

36、d3.减少出力处理：对提取元素进行减少出力处理，如果该元素是发电机有功出力数据，则减少该发电机的有功出力值，否则减少该发电机的无功出力值，减少容量为当前发电机有功或无功最大容量的1％；

37、d4.预测处理后样本：使用步骤a预训练好的预训练模型对减少出力处理后的样本进行预测，得到预测分数；

38、d5.预测分数判断：比较预测分数与阈值0.5的大小关系，如果预测分数大于等于0.5，表示该样本预测为稳定，进入步骤e；

39、d6.分数提升判断：如果预测分数小于0.5，继续判断该分数是否相比上一次预测有所提升，如果确实有提升，则记录修改量，保存修改后的数据，并重复执行步骤d以进一步优化稳定性；

40、d7.撤销处理：如果预测分数小于0.5且没有提升，则撤销该次处理操作，即恢复该元素的原始数据状态；

41、d8.元素移除：如果遇到撤销处理，将该元素从列表l中移出，即将其排除在后续处理范围之外。

42、本发明的主要优点在于结合shap和lightgbm模型的预测能力，在电力系统发生故障后，快速精准地调整发电机组的出力，实现电力系统的稳定控制，提高电力系统的安全性和可靠性，对于交直流混联电网发生故障后的快速恢复稳定有重要意义。