CN104268576A - 一种基于tnn-svm的电力***暂态稳定分类方法 - Google Patents

Abstract

本发明公开一种基于TNN-SVM的电力***暂态稳定分类方法，其在电力***暂态稳定分类的过程中综合考虑类别和距离两个因素来进行样本集修剪，在传统NN或KNN的基础上，引入类归属度的概念，采用量化的思想来进行最近邻的分类判断以及在将最近邻算法与支持向量机算法结合的基础上，改进了最近邻算法：不但从最近邻同异类样本点数量方面，而且综合了这些点与样本点之间距离远近的因素，来确定该样本点的存留，克服了NN与KNN的局限性，能提供更有效的样本集修剪，提高暂态稳定分类的精度与效率。

Description

一种基于TNN-SVM的电力***暂态稳定分类方法

技术领域

本发明涉及一种基于TNN-SVM的电力***暂态稳定分类方法。

背景技术

随着电网规模的日益扩大，电网的结构复杂性也与日俱增，动态特性更加复杂多变，发生暂态失稳而影响电网稳定性的可能性也越来越大。暂态稳定是电力***受到大干扰（例如：输电线短路、切机、甩负荷等）时维持***内发电机同步运行的能力。在发生大扰动时，包括发电机转子角度、线路潮流、节点电压在内的***变量都将发生大范围的变化，如果受扰的***能够维持所有发电机在同步运行状态，并渐进地过渡到一个新的稳定平衡点，否则***室暂态不稳定的。电力***暂态稳定评估(Transient Stability Assessment, TSA)是电力***运行中一个非常重要的问题。

人工智能和模式识别技术的结合为大型电力***的快速稳定评估提供了一种新的求解方法。由于不需要建立***的数学模型，能直接从样本中寻求状态参数与稳定性或稳定指标之间的映射关系，求解稳定指标不需要重复试探，计算量收***规模影响较小，整体评估速度很快。但缺乏标准的实现方法，精度对样本/规则选取，输入变量的选取等因素极为敏感，涉及不当时评估的可靠性和稳定性较差。SVM的出现为模式识别方法带来了新的活力，它以其固有的高执行速度使得它在TSA领域有着诱人的应用前景。

支持向量机(Support Vector Machine, SVM)理论进行分类是假定在线性可分的情况下，寻找最优决策面。支持向量机是一种新的小样本统计学***面的距离。采用支持向量机构造分类器进行电力***暂态稳定评估，并讨论了不同的参数对支持向量机输出的影响，取得了较好效果，但仍然有误分类存在。其有着如下的优势：它能够在样本有限时获得较好的分类能力；对输入空间的维数、训练集大小、样本的概率分布不太敏感。

支持向量机的分类思想如下图1所示。针对如图1的两维情况，实心点和空心点分别表示正反两类样本，直线 H 是分类线，直线H1、H2与直线H平行，并且分别过正反两类中距离分类线H最近的样本点，那么，H1到H2的距离就是分类间隔(margin)。我们要寻找的最优分类线就是不但能将两类正确地分开，而且要使分类间隔达到最大，这样就能够使得分类的普适性达到最大。

在支持向量机的基础上，为了可以大幅度提高训练速度、改善支持向量机的泛化能力，结合最近邻法（Nearest Neighbor,NN）提出了NN-SVM分类器，其利用最近邻思想选择边界向量，其先对训练集进行修剪，根据每个样本与其最近邻类标的异同决定其取舍，然后再用SVM训练得到分类器。最近邻法(Nearest Neighbor,NN)是将所有学习样本都看作独立代表点，通过计算考察样本与其他所有样本之间的距离，寻找与考察样本距离最短也就是最近的样本，该样本的类别就被作为考察样本的类别。这种方法属于模式识别的范畴，而且不需要参数，不受参数的限制。

虽然SVM和其它模式识别方法相比具有较好的识别能力，但在实际应用中还存在一些问题，如对复杂问题分类精度不高、对不同应用和函数参数的选择问题等以及NN-SVM在线性不可分情况下，会丢失较多的支持向量，导致SVM的分类能力下降。针对这些情况，提出了一种改进的NN-SVM分类算法，即KNN-SVM。KNN是NN的推广，就是在进行类别判断时先选出考察样本点的K个最近邻样本点，然后看这K个近邻样本点中的多数样本点属于哪一类，该样本点就属于哪一类。

目前SVM、NN-SVM、KNN-SVM分类器的研究主要存在以下三个问题：

1. 从分类时的错分样本的位置状况来看， SVM分类器分错的情况都是出现在分界面附近一定区域内，于是，我们应该加强对分界面附近样本点分析来提高分类准确率等指标。

2. 如果仅仅是将SVM与NN结合，将SVM看做每类只有一个代表点的NN分类器，对于每类支持向量仅取一个点，就会出现误删的状况。

3. 但是，KNN-SVM针对样本集的删减仍然存在误删的问题，因为KNN-SVM是针对样本集中的考察点找到其K个最近邻，如果同类则保留，如果异类则删除，以此来进行类别判断。这种规则如果遇到一个考察点周围密集地存在大量的异类点，这样采用KNN-SVM就可能将大量的异类点上除，造成误删，进行了无益于分类效率的错误删减。这种规则还有不适合的情况存在，如果样本点附近的K个点中事实上多数是异类点，但这些异类点都位于较远的位置，个数少的同类点反而密集地位于样本点的周边，这样虽然考虑了K个最近邻，依然造成了误删。

所以，应该综合考虑类别和距离两个因素来进行样本集修剪，本文就引入类归属度的概念来综合个数和距离因素判别考察点类别归属。

发明内容

本文设计了一种TNN-SVM分类器，用于电力***暂态稳定评估，即可有效地避免误分类，提高稳定评估的可靠性。

在电力***暂态稳定分类的过程中综合考虑类别和距离两个因素来进行样本集修剪，引入类归属度的概念来综合个数和距离因素判别考察点类别归属。在传统NN或KNN的基础上，引入类归属度的概念，采用量化的思想来进行最近邻的分类判断。在将最近邻（NN）算法与支持向量机（SVM）算法结合的基础上，改进了最近邻（NN，KNN）算法：不但从最近邻同异类样本点数量方面，而且综合了这些点与样本点之间距离远近的因素，来确定该样本点的存留。克服了NN与KNN的局限性，能提供更有效的样本集修剪，提高暂态稳定分类的精度与效率。

一种基于TNN-SVM的电力***暂态稳定分类方法，包括如下步骤：

 步骤一：对数据进行预处理；

步骤二：找到支持向量机SVM决策面；

步骤三：采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪；

步骤四：判断是否误报，如果误报则返回步骤一；反之，***响应。

该基于TNN-SVM的电力***暂态稳定分类方法还包括步骤三中的所述采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪包括：

步骤1：给定一个训练集                                                ，，…，，，，。其中表示样本点，表示该点的类标：

步骤2: 针对样本，找到它的T个最近邻点；    

步骤3： 从1到T考察每个最近邻点，如果类别与相同，则=1，否则= -1；

步骤4： 从1到T计算每个最近邻点与样本的距离；

步骤5：则就是最近邻点对样本点的类别归属影响因子；

步骤6：找到=1的m个最近邻点，则= -1的最近邻点就是T-m个；

步骤7：分类平均求和，求出该样本点的类归属度；

步骤8：将该样本点的类归属度与给定阈值进行比较，若<则表明该样本点对周围T个最近邻点的类别归属程度低，将该样本点删除；

步骤9：返回步骤1，对进行类归属度的判断，以决定该点的取舍；

步骤10：从1到n逐个对样本集的n个样本点修剪完成后，再输入支持向量机SVM进行分类。

附图说明

图1示出了SVM分界面；

图2示出了本发明基于TNN-SVM的电力***暂态稳定分类方法。

具体实施方式

图1为本发明的一实施例基于TNN-SVM的电力***暂态稳定分类方法的电路原理图，其包括如下步骤：

步骤一：对数据进行预处理；

步骤二：找到支持向量机SVM决策面；

步骤三：采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪；

步骤四：判断是否误报，如果误报则返回步骤一；反之，***响应。

下面引入类归属度的概念来衡量同异类点对样本点分类的影响程度。

将样本点的每个最近邻点的类标（1或-1）作为分子，与样本点的距离作为分母，以此作为每个最近邻点对该样本点的类别归属影响因子，之后将所有影响因子分类平均后求和来判定该样本点的类别归属，以此来决定样本点的取舍。

在一个实施例中，假设包含N个点的类，其中是类K的第i个样本点，并且每个样本点都是m维的。

类归属度：针对每个样本求与其距离最近T个样本，设考察点距离这T个样本点为，，，，欧氏距如下，即

 

而用1/Di来表示第i个点对考察的样本类别归属的影响因子。分以下几种情况定义：若这T个样本与考察样本都是同类的，则类归属度为：

  

若这T个样本与考察样本都不是同类的，则类归属度为：  

 

若这T个样本有m个与考察样本都是同类的（不妨假设距离为，，…, ），而剩下的T-m个与考察样本都不是类的（不妨假设距离为，，…, ），用类归属度说明样本的类别归属程度，类归属度为：

       

依据改进的理论基础和类归属度概念的定义，采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪包括如下步骤：

步骤1：给定一个训练集，，…，，，，。其中表示样本点，表示该点的类标：

步骤2: 针对样本，找到它的T个最近邻点；    

步骤3： 从1到T考察每个最近邻点，如果类别与相同，则=1，否则= -1；

步骤4： 从1到T计算每个最近邻点与样本的距离；

步骤5：则就是最近邻点对样本点的类别归属影响因子；

步骤6：找到=1的m个最近邻点，则= -1的最近邻点就是T-m个；

步骤7：分类平均求和，求出该样本点的类归属度：

 

 步骤8：将该样本点的类归属度与给定阈值进行比较，若<则表明该样本点对周围T个最近邻点的类别归属程度低，将该样本点删除；

步骤9：返回步骤1，对进行类归属度的判断，以决定该点的取舍；

步骤10：从1到n逐个对样本集的n个样本点修剪完成后，再输入支持向量机SVM进行分类。

测试***采用新英格兰 10 机 39 节点***，采用普遍使用的电科院开发PSASP来进行潮流计算和稳定性分析。边界条件：同步发电机模型不考虑调速器、励磁***和调压器的作用，采用经典模型；负荷模型按恒定阻抗计算。故障方式：三相短路；故障切除时间： 0.2 s；拓扑结构：故障切除后线路自动重合，即故障前后电网拓扑没有变化；故障位置：20 个。预想事故集：建造训练样本集前，对***每条母线在较重的负荷水平下（如120%）进行故障扫描得出。负荷水平设置：80%，90%，100%，110%和 120% ，在每一个负荷水平下按一定约束随机设置 5 种发电机出力。单次暂态稳定完成后，则修改负荷水平或修改发电机出力。

通过仿真得到400个有效样本，随机选取 300 个组成训练集本，其余100 个组成测试集。根据仿真结果和专家经验，总共选择了 8 个特征向量来构成的输入空间X集：

1） 发电机的最大初始加速度；

2） 故障切除时，发电机的最大转子动能；

3）具有最大加速度发电机的初始转子角度；

4） 故障切除时，具有最大动能发电机的转角； 

5） 故障切除时，具有最大转角发电机的动能；

6）***的“总能量调整”； 

7） 发电机的最小初始加速度；

8）所有发电机的初始加速度的均方差。

根据仿真结果，将所有样本分为稳定和不稳定两类，用 1 代表稳定类，用 0 代表不稳定类，组成输出空间Y集。

与传统 BP 神经网络相比，本文提出的基于支持向量机的暂态稳定评估分类器，不但减少了训练时间，而且可以得到一个分类边界区，提高了暂态稳定评估的可靠性。对新英格兰 10 机 39 节点***所作的仿真表明本文提出的方法对暂态稳定评估的有效性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于TNN-SVM的电力***暂态稳定分类方法，包括如下步骤：

步骤一：对数据进行预处理；

步骤二：找到支持向量机SVM决策面；

步骤三：采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪；

步骤四：判断是否误报，如果误报则返回步骤一；反之，***响应。

2.根据权利要求1所述的基于TNN-SVM的电力***暂态稳定分类方法，其特征在于，步骤三中的所述采用TNN算法对支持向量机SVM决策面附近一定阈值范围内样本点进行修剪包括：

步骤1：给定一个训练集                                                ，，…，，，，，其中表示样本点，表示该点的类标：

步骤2: 针对样本，找到它的T个最近邻点；    

步骤3： 从1到T考察每个最近邻点，如果类别与相同，则=1，否则= -1；

步骤4： 从1到T计算每个最近邻点与样本的距离；

步骤5：则就是最近邻点对样本点的类别归属影响因子；

步骤6：找到=1的m个最近邻点，则= -1的最近邻点就是T-m个；

步骤7：分类平均求和，求出该样本点的类归属度；

步骤8：将该样本点的类归属度与给定阈值进行比较，若<则表明该样本点对周围T个最近邻点的类别归属程度低，将该样本点删除；

步骤9：返回步骤1，对进行类归属度的判断，以决定该点的取舍；

 步骤10：从1到n逐个对样本集的n个样本点修剪完成后，再输入支持向量机SVM进行分类。

3.根据权利要求2所述的基于TNN-SVM的电力***暂态稳定分类方法，其特征在于，步骤:4中的从1到T计算每个最近邻点与样本的距离的计算公式为：

 。

4.根据权利要求2所述的基于TNN-SVM的电力***暂态稳定分类方法，其特征在于，步骤7中的分类平均求和，求出该样本点的类归属度根据如下公式：

。