CN106786560A - 一种电力***稳定特征自动提取方法及装置 - Google Patents

Abstract

本发明提出一种电力***稳定特征自动提取方法及装置，其包括确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；定义包含LASSO惩罚项的代价函数,利用迭代法更新所述带LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；并选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。该方案通过逻辑回归模型对电网预想故障的稳定程度(CCT)进行拟合，在代价函数中加入参数矩阵θ的1范数的罚函数项，使主要特征得到凸显；从而实现了稳定特征的自动提取。

Description

一种电力***稳定特征自动提取方法及装置

技术领域

本发明属于大电网稳定与控制领域，具体涉及是一种电力***稳定特征自动提取方法及装置。

背景技术

随着经济水平的飞速提升，中国社会对电力的需求也日益强烈。为了保障电能安全可靠的传输，中国电网中开展了西电东送、全国联网以及特高压输电等重大工程，交直流混联的特大电网已经基本形成。随着电网规模的扩大，电网安全稳定性愈加难以掌控。世界上已经发生的多次电网故障表明，输电电压等级的提高、联网规模扩大以及传输容量的增加，都会增大电网故障带来的危害，故障原因和过程也更为复杂。开展对运行电网全面细致的在线监视、分析和控制，保障电力生产、传输和使用的安全是各国电力行业的迫切需求。

开展电网在线安全稳定分析工作，计算速度是必须保障的核心指标之一，如果失去计算速度，那么在线分析也就失去了时效性，而变得没有意义。现有在线分析***主要采用时域仿真方法进行分析，计算量较大，难以进一步提升速度；而采用快速判稳方法，虽然速度较快，但它非常依赖于电网稳定特征的选取，不准确的特征将造成预测结果的极大误差。另一方面，在线分析***积累了大量的历史数据，其中蕴含了宝贵的电网运行规律，同时又贴近实际运行情况，可作为稳定特征识别的依据。本发明的目标就是利用历史数据来对不同方式和预想故障下的电网稳定特征进行自动辨识。

随着电网规模的扩大，影响电网稳定的因素越来越复杂，而从中有效地挖掘关键的稳定特征也就成为掌控电网运行的重要课题。稳定特征辨识方法目前已有一定的研究，现有方法往往过于依赖人工经验，所选特征比较局限，不能广泛地选取，造成存在漏选的可能。

发明内容

为了克服上述缺陷，提出一种电力***稳定特征自动提取方法及装置，利用历史数据来对不同方式和预想故障下的电网稳定特征进行自动辨识。

本发明的目的是采用下述技术方案实现的：

一种电力***稳定特征自动提取方法，所述方法包括：

确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

优选的，所述确定逻辑回归训练模型的样本输入量包括：对电网***故障进行离线仿真，以机组功率、线路功率、厂站总发电和厂站总负荷为输入，以离散化的临界切除时间为输出，将临界切除时间作为电网稳定程度指标，从而确定逻辑回归训练模型的样本输入量。

优选的，对所述样本输入量进行分类包括：将逻辑回归训练模型的逻辑回归参数矩阵θ映射到[0,1]区间范围内，自定义分界线，分别将高于或低于所述分界线的逻辑回归参数进行分类；

所述逻辑回归训练模型的分类数量通过下式确定：

式中，h_θ(x)表示对于训练样本x分类结果取1的概率，x为样本输入量，θ为逻辑回归参数矩阵。

优选的，所述定义超参数集合λ＝{λ₁，λ₂，…,λ_n},λ∈[0,1],n为超参数的个数。

优选的，所述定义包含LASSO惩罚项的代价函数包括：在代价函数中增加一个参数θ矩阵1范数的罚函数，获得下式包含LASSO惩罚项的代价函数：

式中，J(x)为x的代价函数，x为样本输入量，y为样本分类标签，λ_i为调整比例的超参数，用于在代价函数和逻辑回归参数矩阵θ的惩罚值之间取得平衡，m为样本总数，k为分类数量。

优选的，所述利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ包括：

a.初始化逻辑回归参数矩阵θ；

b.将θ代入式(2)求解代价函数，并利用梯度下降法获取代价函数对θ的梯度；

c.根据梯度值和预设学习率迭代更新θ；

d.判断代价函数在单位时间内未降低或者迭代次数达到上限，若是，则输出当前θ，若否则返回步骤b。

进一步地，所述初始化逻辑回归参数矩阵θ包括：将m个样本输入量x＝{x₁,x₂,…,x_m}，及其对应的分类标签y＝{y₁,y₂,…,y_m}，构成一个k维的特征向量，将m个k维特征向量构成一个m*k的逻辑回归参数矩阵θ。

一种电力***稳定特征自动提取装置，包括：

设置模块，用于确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

更新模块，用于定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

获取模块，用于在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

定义模块，用于将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

与最接近的现有技术相比，本发明的有益效果为：

本发明方案提出一种主动配电网不确定性潮流仿真方法及装置，确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；将把预想故障的临界切除时间作为电网稳定程度指标，利用电力***在线安全稳定分析***中产生的历史数据，确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；从数据自身特点和分布特征出发，扩大选择范围，可以覆盖电力***在线数据中全部设备的静态量；

定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；外部循环逐一对超参数λ取不同数值的逻辑回归模型进行求解；内部循环为求解逻辑回归模型的迭代过程；循环完成后，通过对比得到最优模型，最终自动辨识出对于电网稳定影响最大的主要特征。实际算例验证了本方法的有效性，所选特征符合电网稳定分析理论的预期，可进一步用于快速判稳、运行方式对比等高级分析功能。

附图说明

图1为本发明实施例中提供的一种电力***稳定特征自动提取方法流程图；

具体实施方式

本发明一种电力***稳定特征自动提取方法及装置，其关键点为逻辑回归算法，即通过逻辑回归模型对已有的历史数据及其稳定性指标进行拟合，并在代价函数部分加入LASSO惩罚项。当得到的模型在测试数据上有较好表现时，可以认为该模型能否反映电网的稳定特性。进而根据逻辑回归的特点，选择模型参数矩阵中绝对值较大的输入量作为电网特征，算法执行完毕。

本算法可分为以下两个大步骤：

1、模型学习

与普通的逻辑回归相同，本算法也采用迭代求解的方法：首先，确定输入量和分类数量，进而确定参数矩阵θ的维数并初始化；其次，定义代价函数如式(4)所示；最后进行代价函数最小化的迭代求解过程，每次迭代都根据θ当前值计算代价函数，并求取代价函数对θ的梯度，根据梯度值和事先设好的学习率来更新θ；如果满足迭代次数要求，或者代价函数较长时间未下降，则退出迭代。获得逻辑回归模型后，还需要通过测试集进行检验，若测试集的误差过大，则认为该模型不可用。

由于代价函数是由实际代价和参数矩阵θ的惩罚项共同确定的，因此需要靠超参数λ在两项之间进行平衡。λ较大是强调θ惩罚项的作用，可能导致模型实际误差偏大，无法反映电网稳定特性；而λ较小是强调实际代价的作用，可能导致参数矩阵θ的压缩不够，无法从中挑选主要特征。可见，λ的选择是本算法的关键问题之一。

本算法采用在同一训练集和测试集数据下，基于不同λ值进行多次学习，并通过对比的方法获取最优的λ值。不考虑惩罚项,即(λ＝0)时，由于不存在惩罚项的限制，所得模型的误差率必然最低，可以此作为对比的基准。λ值可在指数坐标系下根据实际情况，按一定比例取值，例如选择1、0.1、0.01...每个不同λ所得到的模型与基准模型进行比较，选择误差率偏差小于阈值的最大λ所生成的模型作为最优模型。

2、特征选择

根据逻辑回归特点，参数矩阵θ代表各输入量的权重，其绝对值越大表示该输入量越重要，对最终的分类结果影响越大。θ矩阵为m*k矩阵，即每行对应一个输入量，每列对应一种分类。因此，本算法把θ每行的绝对值进行求和，选取最大的若干个作为电网的稳定特征进行输出。

如图1所示，所述方法的具体步骤包括：

(1)确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

所述确定逻辑回归训练模型的样本输入量包括：对电网***故障进行离线仿真，以机组功率、线路功率、厂站总发电和厂站总负荷为输入，以离散化的临界切除时间为输出，将其作为电网稳定程度指标，从而确定逻辑回归训练模型的样本输入量。

临界切除时间：三相短路故障是电力***中最典型的故障形式，而三相短路临界切除时间(CCT,critical clearing time)是指电网发生三相短路故障后，保证***稳定的最大的故障切除时间。临界切除时间代表了***稳定和不稳定的边界，可用于表征电力***发生指定故障的稳定程度，临界切除时间越大，表示该短路故障对***影响越小，***就越稳定。如果临界切除时间小于正常的保护动作时间，则说明该故障会造成***失稳，即***存在安全隐患。

求解临界切除时间的方法主要包括时域仿真法和直接法，前者采用时域仿真计算对临界切除时间进行精确求解，结果最为准确和可靠，但计算耗时较长，相当于若干次暂态稳定计算，难以适应在线分析的要求；后者的优点是计算速度快，能够提供稳定指标，但精度较低。

由于临界切除时间是一个浮点数指标，而逻辑回归方法是用来解决多分类问题的，因此需要把临界切除时间进行离散化。由于目前在线暂稳计算都采用0.01秒作为仿真步长，因此可以自然地把临界切除时间按保留两位小数的方法进行离散。经仿真测试，重要的500kV交流线路的临界切除时间都在0.10-1.00之内，如果大于1.0秒则认为是非常稳定的状态，可归入1.0秒的档位。因此，临界切除时间的预测可转换为不超过100个类型的多分类问题。

对所述样本输入量进行分类包括：逻辑回归是一种解决分类问题的监督学习方法，它是在线性回归的基础上增加了一个sigmoid函数，把线性回归结果映射到[0,1]的区间内，定义预定阈值为分界线，对其进行分类，通过下式的Sigmoid函数将把数值回归问题转换为分类问题。以代价函数优化的方式，求解适用于在线分析的CCT多分类问题：

所述逻辑回归训练模型的分类数量通过下式确定：

式中，h_θ(x)表示对于训练样本x分类结果取1的概率，θ为逻辑回归参数矩阵。

简单的二分类问题可定义代价函数J(θ)如下式所示。通过最小化代价函数，来求取最优的θ参数，获得完整的逻辑回归模型。

式中，x为样本输入量；y为样本分类标签；m为样本总数。

对于多分类问题，采用softmax函数对式(2)进行改造，得到新的代价函数：

式中，x为样本输入量；y为样本分类标签；m为样本总数；k为分类数量。

定义超参数集合λ＝{λ₁，λ₂，…,λ_n},λ∈[0,1],n为超参数的个数。

(2)定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

Lasso(Least Absolute Shrinkage and Selection Operator)方法在代价函数中增加一个参数θ矩阵1范数的罚函数，使得部分次要输入量的系数被压缩为零或接近于零，从而得到一个更为精炼的模型。模型经过提炼，次要参数被极大地压缩，主要参数更为突出，这样也就实现了主要特征的自动辨识功能。

定义包含LASSO惩罚项的代价函数；

式中，J(x)为x的代价函数，x为样本输入量，y为样本分类标签，λ_i为调整比例的超参数，用于在实际代价函数和逻辑回归参数矩阵θ的惩罚值之间取得平衡，m为样本总数，k为分类数量。

利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ包括：

a.初始化逻辑回归参数矩阵θ；

b.将θ代入式(4)求解代价函数，并利用式(5)的梯度下降法获取代价函数对θ的梯度；

c.根据梯度值和预设学习率迭代更新θ；

d.判断代价函数在单位时间内未降低或者迭代次数达到上限，若是，则输出当前θ，若否则返回步骤b。

初始化逻辑回归参数矩阵θ包括：将m个样本输入量x＝{x₁,x₂,…,x_m}，及其对应的分类标签y＝{y₁,y₂,…,y_m}，构成一个k维的特征向量，将m个k维特征向量构成一个m*k的逻辑回归参数矩阵θ。

(3)在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

(4)将该模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

基于同一发明构思，本发明还提出一种电力***稳定特征自动提取装置，该装置包括：

设置模块，用于确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

更新模块，用于定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

获取模块，用于在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

定义模块，用于将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

实施例：

以国家电网公司某年1-10月在线计算数据为基础，验证本课题方法的有效性。当月华北-华中处于联网运行状态，因此在线数据中包含国调直调以及华北、华中所有220kV以上的电网设备。电网状态量和统计量共计28201个，如下表所示；有效样本数(断面数)为29254个。

表1电网状态量和统计量列表

设备类型	状态量	数量
			220kV以上交流线	投运状态、有功功率	6644×2
全部机组	投运状态、有功功率、无功功率、机端电压	1435×4
			直流线	直流功率	14
区域统计量	区域总发电、总负荷、电压均值	15×3
			厂站	厂站总出力、投运机组数、总负荷、最高电压	3038×3

考察故障包括四川.山桃一线、华北.黄滨一线、国调.峡葛I线、华中.樊白II线、国调.渔宜线、国调.葛岗线、华中.牌长I回线、华中.盘龙I线、华中.艾鹤I回线、华中.艳牌I回线，共计10个。

收到样本数的限制，不能把全部电网变量作为输入量，否则很容易出现过拟合的情况，只能把每类变量逐一作为输入量进行学习。

a)模型学习

分别选择λ＝0,0.1,0.01,0.001,0.0001,0.00001,0.000001这7个不同的超参数来进行模型学习，以葛岗线为例：输入量为机组功率，共1325个变量；输出量为葛岗线CCT，区间在0.19-0.36，共计18种可能，因此参数矩阵为1325*18，共计23850个参数。学习结果如下表所示。

表2葛岗线模型学习结果

λ	误差率	θ矩阵中绝对值小于0.01的数量	压缩率
				0(基准)	13.79％	810	3.40％
0.000001	14.00％	6349	26.62％
				0.00001	14.15％	15740	66.00％
0.0001	18.06％	20330	85.24％
				0.01	33.06％	20847	87.41％
0.1	57.47％	16523	69.28％
				1	74.41％	2264	9.49％

从结果中可见，λ＝0.1和λ＝1对应模型的误差率明显过大，说明模型不能反映电网稳定特性，因此需要忽略；其余结果，误差率随λ的增大而升高，θ矩阵小参数数量和压缩比也随λ的增大而变大，结果符合算法设计的预期。其中，当λ>0.0001后，误差率的提升明显变快，而压缩率变化却趋于平缓，因此应选λ＝0.0001时的逻辑回归模型及参数作为最佳模型。

分别采用机组功率、线路功率、厂站总发电和厂站总负荷作为输入量，来进行模型的学习，λ＝0时的模型学习结果如下表所示。

表4不同输入量的误差率对比

预想故障	机组功率	线路功率	厂站总发电	厂站总负荷
					葛岗线	13.79％	19.35％	15.35％	15.21％
黄滨一线	61.97％	79.29％	69.03％	68.97％
					峡葛I线	13.74％	18.89％	16.24％	15.59％
渔宜线	12.88％	18.38％	15.03％	16.32％

从结果中可见，黄滨一线的误差率始终很高，原因在于黄滨一线的CCT结果跨度较大，为0.20-0.71，约有超过50种分类可能。对比其他3个故障：葛岗线18种(0.19-0.36)，峡葛I线11种(0.19-0.29)，渔宜线31种(0.17-0.47)，黄滨一线CCT结果的分散度明显大很多。这种情况造成每种分类样本数较小，模型学习不够充分，因此误差率较大。其余3个故障的结果大致相似，并且以机组功率作为输入量的结果最佳，线路功率作为输入量的结果最差，厂站总发电和总负荷介于两者之间。

b)特征选择

仍以葛岗线为例，以机组功率作为输入量，用λ＝0.0001时的最优模型来选择稳定特征，采用参数矩阵θ每行的绝对值之和作为挑选依据，结果如下表所示。

表4葛岗线稳定特征辨识结果

序号	变量名称(机组有功)	θ矩阵对应行绝对值之和
			1.	国调.三峡右岸厂/20kV.19#机组	40.48
2.	国调.三峡右岸厂/20kV.16#机组	39.61
			3.	国调.三峡右岸厂/20kV.20#机组	22.34
4.	国调.三峡右岸厂/20kV.15#机组	22.09
			5.	国调.三峡右岸厂/20kV.24#机组	19.81
6.	国调.三峡右岸厂/20kV.26#机组	19.19
			7.	国调.三峡右岸厂/20kV.25#机组	18.99
8.	国调.三峡左岸厂/20kV.7#机组	18.68
			9.	国调.三峡右岸厂/20kV.23#机组	19.33
10.	华中.周湾/20kV.#2机	17.35
			11.	国调.三峡右岸厂/20kV.21#机组	17.22
12.	国调.三峡左岸厂/20kV.2#机组	17.09
			13.	国调.三峡右岸厂/20kV.22#机组	16.70
14.	国调.三峡左岸厂/20kV.10#机组	16.57
			15.	四川.泸定厂/15.75kV.1#机组	16.33
16.	华中.宝庆/27kV.#2机	15.99
			17.	国调.三峡右岸厂/20kV.18#机组	15.51
18.	国调.三峡右岸厂/20kV.17#机组	15.49
			19.	湖北.鄂州厂/22kV.#4机	15.25
20.	国调.三峡左岸厂/20kV.13#机组	14.30

由于葛岗线靠近三峡电厂，并且在葛岗线CCT计算过程中，失稳形态多以三峡机组对华北机组(如山东、河北等)的功角失稳为主，因此机组中与葛岗线稳定程度相关性最大的必然是三峡机组，这与上表中的稳定特征选取结果相同，也与稳定分析的一般规律相符。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (8)

1.一种电力***稳定特征自动提取方法，其特征在于，所述方法包括：

确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。

2.如权利要求1所述的方法，其特征在于，所述确定逻辑回归训练模型的样本输入量包括：对电网***故障进行离线仿真，以机组功率、线路功率、厂站总发电和厂站总负荷为输入，以离散化的临界切除时间为输出，将临界切除时间作为电网稳定程度指标，从而确定逻辑回归训练模型的样本输入量。

3.如权利要求1所述的方法，其特征在于，对所述样本输入量进行分类包括：将逻辑回归训练模型的逻辑回归参数矩阵θ映射到[0,1]区间范围内，自定义分界线，分别将高于或低于所述分界线的逻辑回归参数进行分类；

所述逻辑回归训练模型的分类数量通过下式确定：

$h_{\mathrm{\θ}}\left(x\right)=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(1\right)$

式中，h_θ(x)表示对于训练样本x分类结果取1的概率，x为样本输入量，θ为逻辑回归参数矩阵。

4.如权利要求1所述的方法，其特征在于，所述定义超参数集合步骤为，定义所述超参数集合λ＝{λ₁，λ₂，…,λ_n},λ∈[0,1],n为超参数的个数。

5.如权利要求1所述的方法，其特征在于，所述定义包含LASSO惩罚项的代价函数包括：在代价函数中增加一个参数θ矩阵1范数的罚函数，获得下式包含LASSO惩罚项的代价函数：

$J\left(x\right)=-\frac{1}{m}\[\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}1\{y^{\left(i\right)}=j\}\log \frac{e^{{\mathrm{\θ}}_j^T{x}^{\left(i\right)}}}{{\Σ}_{i=1}^k{e}^{{\mathrm{\θ}}_l^T{x}^{\left(i\right)}}}\]+{\mathrm{\λ}}_i\left|\right|\mathrm{\θ}|{|}_1---\left(2\right)$

式中，J(x)为x的代价函数，x为样本输入量，y为样本分类标签，λ_i为调整比例的超参数，用于在代价函数和逻辑回归参数矩阵θ的惩罚值之间取得平衡，m为样本总数，k为分类数量。

6.如权利要求1所述的方法，其特征在于，所述利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ包括：

a.初始化逻辑回归参数矩阵θ；

b.将θ代入式(2)求解代价函数，并利用梯度下降法获取代价函数对θ的梯度；

c.根据梯度值和预设学习率迭代更新θ；

d.判断代价函数在单位时间内未降低或者迭代次数达到上限，若是，则输出当前θ，若否则返回步骤b。

7.如权利要求6所述的方法，其特征在于，所述初始化逻辑回归参数矩阵θ包括：将m个样本输入量x＝{x₁,x₂,…,x_m}，及其对应的分类标签y＝{y₁,y₂,…,y_m}，构成一个k维的特征向量，将m个k维特征向量构成一个m*k的逻辑回归参数矩阵θ。

8.一种电力***稳定特征自动提取装置，所述装置包括：

设置模块，用于确定逻辑回归训练模型的样本输入量及其分类数量，并定义超参数集合；

更新模块，用于定义包含LASSO惩罚项的代价函数,利用迭代法更新所述包含LASSO惩罚项的代价函数中的逻辑回归参数矩阵θ；

获取模块，用于在指数坐标系下按比例取值，选取所述超参数集合中误差率偏差小于阈值的最大超参数所生成的逻辑回归训练模型作为最优模型；

定义模块，用于将该最优模型的逻辑回归参数矩阵θ行向量绝对值之和的最大值作为电网稳定特征。