本发明属于电力，具体涉及一种基于数据驱动的风电占比高的电力系统静态电压稳定性评估方法。
背景技术：
1、随着社会发展、能源和环境问题日益突出，发展可再生能源成为世界各国的共识。近年来，风力发电发展迅速，风能作为一种绿色的可再生能源已成为世界能源的重要组成部分。随着我国能源政策的调整，风力发电无污染、资源丰富并且在可再生能源开发中技术最成熟，近年来得到迅猛发展。然而风力发电具有随机性和波动性，大规模风电接入电网对电网的电压稳定性影响更加明显。国内外一些电压崩溃事故表明：负荷增加导致输电线路运行在其极限状态，如果电网发生一些扰动，在电网结构薄弱地区或节点处首先发生电压失稳进而波及到整个地区电压崩溃。其原因是风能具有随机性、间歇性等特点，随着风电机组容量和风电场规模增大，迫切需要研究大型风电场并网后对电力系统稳定的影响。风电的接入将会给系统电压稳定带来影响，电网电压稳定问题日益突出，在系统运行过程中需要对电网的电压稳定性进行评估，找到系统的薄弱节点，采取相关预防措施，因此研究适用的、可靠的电压稳定评估指标显得非常必要。
技术实现思路
1、本发明提供一种基于数据驱动的风电占比高的电力系统静态电压稳定性评估方法，能够对风电电力系统的静态电压稳定性进行评估，为含高比例风电场的新型电力系统静态稳定性分析提供可靠的参考依据。
2、本发明的技术方案为：
3、基于数据驱动的风电占比高的电力系统静态电压稳定性评估方法，包括：
4、将静态电压稳定裕度评估转换为含多特征变量的分类问题，以系统中存储的海量历史运行数据为驱动，利用机器学习技术构建评估学习模型；其中构建构建评估学习模型包括训练样本生成、关键特征变量筛选以及基于决策树的静态电压稳定裕度评估模型构建；
5、练样本生成：
6、在训练样本生成中，首先基于p-v曲线分析技术，在系统初始运行点逐步增加负荷，利用matlab软件生成连续潮流数据；考虑到运行人员需要充足时间对系统进行控制，因此基于最大功率传输点计算电压稳定裕度，并根据区间划分将系统划分为正常、预警、紧急三种典型电压稳定裕度状态；考虑到训练样本集的结构组成，为避免因结构不合理导致学习模型发生过拟合或欠拟合问题，在每个裕度区间选取相同数量的系统运行点作为训练样本，并以此构建学习模型的训练样本集；
7、关键特征变量筛选：
8、在表征静态电压稳定的关键特征变量筛选中，首先利用参与因子分析技术，分别计算母线、发电机以及支路的参与因子，通过设定阈值实现对特征变量在物理意义层面的初选；
9、然后，为了进一步降低特征变量维度，提高模型的学习能力和学习效率，在relief-f算法的基础上，通过引入惩罚因子，优化为一种可以有效区分漏警情况的relief-f-p算法，使筛选出的特征变量更适用于静态电压稳定裕度评估问题；
10、最后，将relief-f-p算法筛选出的关键特征变量整合为决策树的属性集以供建模使用；
11、基于决策树的静态电压稳定裕度评估模型构建：
12、利用c4.5算法构建面向静态电压稳定裕度的决策树学习模型，模型学习完成后，系统运行人员可根据决策树结构提取相应的静态电压稳定裕度评估规则，利用pmu实时采集到的数据与规则相匹配即可判断系统电压状态。
13、采用上述技术方案的本发明能够达成如下有益效果：
14、本发明提供一种基于数据驱动的风电占比高的电力系统静态电压稳定性评估方法，在系统运行过程中对电网的电压稳定性进行评估，为含高比例风电场的新型电力系统静态稳定性分析提供可靠的参考依据；对更大规模的风电并网和风电场的设计、规划和调度运行具有极其重大的意义。
1.基于数据驱动的风电占比高的电力系统静态电压稳定性评估方法，其特征在于，包括：