CN107171315B - 一种基于rptsvm的电力***暂态稳定评估方法 - Google Patents
一种基于rptsvm的电力***暂态稳定评估方法 Download PDFInfo
- Publication number
- CN107171315B CN107171315B CN201710353399.5A CN201710353399A CN107171315B CN 107171315 B CN107171315 B CN 107171315B CN 201710353399 A CN201710353399 A CN 201710353399A CN 107171315 B CN107171315 B CN 107171315B
- Authority
- CN
- China
- Prior art keywords
- class
- sample data
- rptsvm
- power system
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 83
- 230000001052 transient effect Effects 0.000 title claims abstract description 69
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000013210 evaluation model Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 230000006835 compression Effects 0.000 claims abstract description 8
- 238000007906 compression Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000010187 selection method Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 79
- 238000013178 mathematical model Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- YVHVGFSDGHMIIG-UHFFFAOYSA-N 2-(2-tert-butylsulfonylethynylsulfonyl)-2-methylpropane Chemical compound CC(C)(C)S(=O)(=O)C#CS(=O)(=O)C(C)(C)C YVHVGFSDGHMIIG-UHFFFAOYSA-N 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 101100208128 Arabidopsis thaliana TSA1 gene Proteins 0.000 claims description 3
- 101100208421 Candida albicans (strain SC5314 / ATCC MYA-2876) TMP1 gene Proteins 0.000 claims description 3
- 101100182720 Homo sapiens LY6E gene Proteins 0.000 claims description 3
- 101100201844 Homo sapiens RSPH1 gene Proteins 0.000 claims description 3
- 102100032131 Lymphocyte antigen 6E Human genes 0.000 claims description 3
- 102100035089 Radial spoke head 1 homolog Human genes 0.000 claims description 3
- 101100153788 Schizosaccharomyces pombe (strain 972 / ATCC 24843) tpx1 gene Proteins 0.000 claims description 3
- 101150048440 TSA1 gene Proteins 0.000 claims description 3
- 101150104676 TSA2 gene Proteins 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 description 25
- 238000013097 stability assessment Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012843 least square support vector machine Methods 0.000 description 3
- 239000004579 marble Substances 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法，通过采用能量函数指标和电力***指标构造原始特征集，可以降低特征集维数和减少冗余信息，是样本集构造的新思路；通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，可进一步减少冗余信息，降低特征维数；RPTSVM在优化目标函数中加入正则项重构分类器后进行电力***暂态稳定评估，可确保暂态稳定评估的稳定性，避免PTSVM进行暂态稳定评估时类方差矩阵非满秩缺陷，提高PTSVM评估模型的泛化能力；通过遗产算法进行参数优化，合理选择种群数量，可在保证选择出最优参数组合的前提下，节省计算时间。
Description
技术领域
本发明涉及电力***安全稳定评估技术领域，尤其涉及一种基于RPTSVM的电力***暂态稳定评估方法。
背景技术
暂态稳定评估是电力***安全稳定评估的重要组成部分。随着可再生能源及大量电力电子装备的接入，区域电网互联规模不断扩大，使电力***的调度运行方式和安全稳定控制面临严峻考验，传统的“人工+设备+经验判断”生产方式已无法满足当前复杂电网的调度需求。需研究满足当前运行状态且有利于复杂电网调度的TSA在线分析方法，基于***响应数据的故障筛选是决定暂态稳定分析在线应用效果的关键，因此在***响应数据基础上寻求准确、稳定和快速的电力***暂态稳定评估方法具有重要意义。
人工智能方法中以寻找稳定类与不稳定类样本最佳投影轴的投影孪生支持向量机(Projection Twin Support Vector Machine,PTSVM)在数据挖掘等领域已获得广泛应用，该评估方法不同于求解一对特征值来寻找权重向量的多权向量投影支持向量机(multi-weight vector projection support vector machine,MVSVM)，而是通过求解稳定与不稳定类的两个简单支持向量机(Support Vector Machine,SVM)问题，以获得两类样本的投影坐标轴，能充分考虑样本空间的全局结构和全局信息，对复杂非线性问题具有很好的泛化能力。但该方法在实际应用中存在类方差矩阵易发生奇异的问题，虽然奇异点可通过PCA和LDA两阶段方法进行抑制，但无法根除类方差矩阵的奇异问题。而且奇异点在分类问题中并不是固有的，可在目标函数中加入正则项来重构分类器为含正则项的投影孪生支持向量机(Projection Twin Support Vector Machine with Regularization,RPTSVM)，以消除奇异点对评估性能的影响，加入正则项可使分类器具有严格的统计学理论基础，使经验风险最小用正则化风险最小代替，提高分类器的评估准确率和计算效率。针对现有电力***暂态稳定评估方法在评估准确率和时间复杂度上的迫切需要，本文将RPTSVM应用于电力***暂态稳定评估，以改善现有暂态稳定评估方法在准确率、稳定性和时间复杂度的不足。
发明内容
本发明实施例提供了一种基于RPTSVM的电力***暂态稳定评估方法，用于改善现有暂态稳定评估方法在准确率、稳定性和时间复杂度的不足。
本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法,包括：
S1：获取电力***响应轨迹数据，选取蕴含电力***暂态稳定状态的离线或在线的监测数据作为数据源，对数据源进行特征提取，确定电力***指标和投影能量函数指标，通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，将样本数据按一定的比例分为训练样本数据和测试样本数据；
S2：以训练样本数据作为RPTSVM的输入，训练具有线性分类功能的RPTSVM的数学模型并计算获得训练样本数据中稳定类与不稳定类投影坐标轴，将RPTSVM的数学模型非线性转化为具有非线性分类功能的RPTSVM数学模型并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，即获得RPTSVM电力***暂态稳定评估模型；
S3：根据RPTSVM电力***暂态稳定评估模型对用测试样本数据模拟的电力***状态进行稳定性评估，针对实际电力***的故障类型，依据电力***特征子集相对于电力***稳定类与不稳定类的隶属度将故障划归到相应的类，若分类为不稳定类，则确定该故障为严重故障；否则确定该故障为不严重故障。
优选地，所述步骤S2具体包括：
以训练样本数据作为RPTSVM的输入，训练具有线性分类功能的RPTSVM的数学模型表示为：
式中，
为训练样本数据第i类的第j个样本的空间向量，Rl为l维列向量，
和
分别为训练样本数据中稳定类的第i个、第j个和第k个样本的空间向量，
和
分别为训练样本数据中不稳定类的第i个、第j个和第k个样本的空间向量，h为训练样本数据总数，h1和h2分别训练样本数据中稳定类和不稳定类的数量，h＝h1+h2，cTSA1、cTSA2分别为训练样本数据中稳定类和不稳定类的惩罚参数，ξTSAk、ηTSAk分别为训练样本数据中稳定类和不稳定类的第k松弛变量，wTSA1和wTSA2分别为训练样本数据中稳定类和不稳定类的投影坐标轴，
和
分别wTSA1和wTSA2的转置，v1和v2为训练样本数据中稳定类和不稳定类的权重参数；
根据KKT条件可得具有线性分类功能的RPTSVM的数学模型的对偶问题，并求解计算拉格朗日乘子后，可得训练样本数据中稳定类与不稳定类投影坐标轴，具体计算公式为：
式中，STSA1和STSA2分别为训练样本数据中稳定类与不稳类的类方差矩阵，eTSA1和eTSA2为训练样本数据中稳定类与不稳定类的单位向量，
和
分别为eTSA1和eTSA2的转置，αTSA和γTSA为训练样本数据中稳定类和不稳定类的拉格朗日乘子，向量I为单位矩阵，(v2STSA2+I)-1为(v2STSA2+I)的转置。
为训练样本数据稳定类的输入，
为h1行l列矩阵，
为训练样本数据不稳定类的输入，
为h2行l列矩阵；
为将RPTSVM数学模型应用到非线性分类问题中，特引入核函数K(C,CT)：
K(C,CT)＝φ(C)＝(φ(xTSA1),φ(xTSA2),...,φ(xTSAh))
式中，φ是从Rl到Hilbert空间的映射，C为训练样本数据，CT为C的转置，CT＝[ATSA-BTSA]T，进而将训练样本数据从低维空间映射到高维空间，进而将非线性分类问题转化为线性分类问题；
引入映射φ后的RPTSVM数学模型为具有非线性分类功能的RPTSVM数学模型公式为：
式中，u1和u2分别为经非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，(STSA1)φ和(STSA2)φ分别为经非线性转化后的训练样本数据中稳定类与不稳类的类方差矩阵，ξTSA、ηTSA分别为训练样本数据中稳定类和不稳定类的松弛变量；
并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴u1和u2：
引入核函数后的决策函数为：
式中，XTSA＝ATSA+BTSA，XTSA1＝ATSA,XTSA2＝BTSA。
优选地，所述步骤S1中的数据源包括：发电机三相电流和电流的幅值和角度，发电机有功、无功功率及励磁电压，变压器高低压侧电流和电压的幅值和相角，变压器各出线的功率。
优选地，所述步骤S1中的***指标包括：故障初始时刻t0所有发电机初始加速度的最大值、具有最大加速度发电机的初始角度和所有发电机初始加速功率的均值；单侧故障清除时刻tcd和故障切除时刻tcl***冲击的大小、与惯性中心相差最大的发电机转子角度、具有最大转角发电机的动能、具有最大动能发电机的转子角度、所有发电机转子动能的最大值、所有发电机转子动能的平均值、发电机转子最大相对摇摆角以及与惯性中心相差最大的发电机角速度。
优选地，所述步骤S1中的投影能量函数指标包括：故障初始时刻t0的投影能量函数角加速度，故障切除时刻tcl的投影能量函数角速度、角加速度和投影动能。
优选地，所述步骤S3同时还包括：在故障筛选和稳定评估完成的同时得到评价指标，评价指标包括：准确率指标、统计值指标Kappa、ROC曲线指标和综合评价指标。
优选地，所述在故障筛选和稳定评估完成的同时得到评价指标包括：
准确率指标为正确预测数和预测总数的比。Tij表示实际类标号为i但被预测为j的记录数，则准确率计算公式如下：
优选地，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
统计值指标为Kappa，由于单独评判准确率会存在一定的偶然性，用Kappa来衡量一个数据集的预测分类和实际分类之间的一致性情况：
Kappa＝[(T11+T00)(T11+T10+T01+T00)-(T00+T01)(T00+T10)-(T11+T10)(T11+T01)]/[(T11+T10+T01+T00)2-(T00+T01)(T00+T10)-(T11+T10)(T11+T01)]。
优选地，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
ROC曲线指标由命中率TPR和误报率FPR构成，以TPR作为Y轴，FPR作为X轴：
优选地，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
计算***的综合指标，计算公式为：
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法，通过采用能量函数指标和电力***指标构造原始特征集，可以降低特征集维数和减少冗余信息，是样本集构造的新思路；通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，可进一步减少冗余信息，降低特征维数；RPTSVM在优化目标函数中加入正则项重构分类器后进行电力***暂态稳定评估，可确保暂态稳定评估的稳定性，避免PTSVM进行暂态稳定评估时类方差矩阵非满秩缺陷，提高PTSVM评估模型的泛化能力；通过遗产算法进行参数优化，合理选择种群数量，可在保证选择出最优参数组合的前提下，节省计算时间。在训练样本相同的情况下，本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法较SVM、LSSVM、Pin-SVM和PTSVM具有更高的评估精度，与LSSVM具有相当的时间复杂度。SVM为支持向量机，LSSVM为最小二乘支持向量机，Pin-SVM为弹球损失支持向量机，PTSVM为投影孪生支持向量机，RPTSVM为正则化投影孪生支持向量机。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法的一个实施例的示意图；
图2为本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法的另一个实施例的示意图；
图3(a)为表示RPTSVM评估模型投影坐标轴情况的散点图；
图3(b)为表示PTSVM评估模型投影坐标轴情况的散点图。
具体实施方式
本发明实施例提供了一种基于RPTSVM的电力***暂态稳定评估方法，用于改善现有暂态稳定评估方法在准确率、稳定性和时间复杂度的不足。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法的一个实施例，包括：
S1：获取电力***响应轨迹数据，选取蕴含电力***暂态稳定状态的离线或在线的监测数据作为数据源，对数据源进行特征提取，确定电力***指标和投影能量函数指标，通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，将样本数据按一定的比例分为训练样本数据和测试样本数据；
S2：以训练样本数据作为RPTSVM的输入，训练具有线性分类功能的RPTSVM的数学模型并计算获得训练样本数据中稳定类与不稳定类投影坐标轴，将RPTSVM的数学模型非线性转化为具有非线性分类功能的RPTSVM数学模型并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，即获得RPTSVM电力***暂态稳定评估模型；
S3：根据RPTSVM电力***暂态稳定评估模型对用测试样本数据模拟的电力***状态进行稳定性评估，针对实际电力***的故障类型，依据电力***特征子集相对于电力***稳定类与不稳定类的隶属度将故障划归到相应的类，若分类为不稳定类，则确定该故障为严重故障；否则确定该故障为不严重故障。
本发明的一种基于RPTSVM的电力***暂态稳定评估方法。第一，投影能量函数指标与电力***整体状态密切相关，采用能量函数指标和电力***指标构造原始特征集，可以降低特征集维数和减少冗余信息，是样本集构造的新思路；第二，通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，可进一步减少冗余信息，降低特征维数；第三，RPTSVM在优化目标函数中加入正则项重构分类器后进行电力***暂态稳定评估，可确保暂态稳定评估的稳定性，避免PTSVM进行暂态稳定评估时类方差矩阵非满秩缺陷，提高PTSVM评估模型的泛化能力，在训练样本相同的情况下，该方法较SVM、LSSVM、Pin-SVM和PTSVM具有更高的评估精度，与LSSVM具有相当的时间复杂度；第四，因RPTSVM暂态稳定评估模型的评估精度受参数组合影响很大，通过遗产算法进行参数优化，合理选择种群数量，可在保证选择出最优参数组合的前提下，节省计算时间。SVM为支持向量机，LSSVM为最小二乘支持向量机，Pin-SVM为弹球损失支持向量机，PTSVM为投影孪生支持向量机，RPTSVM为正则化投影孪生支持向量机。
以上是对本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法的一个实施例进行详细的描述，以下将对本发明实施例提供的一种基于RPTSVM的电力***暂态稳定评估方法的另一个实施例进行详细的描述。
本发明提供的一种基于RPTSVM的电力***暂态稳定评估方法的另一个实施例，采用电力***的响应轨迹数据，构建由***指标和投影能量函数指标组成的原始特征集，用最大相关最小冗余(maximal Relevance and Minimal Redundancy,mRMR)(出自文献：李扬,顾雪平.基于改进最大相关最小冗余判据的暂态稳定评估特征选择[J].中国电机工程学报,2013,33(34):179-186.)特征选择方法进行特征压缩，找出对电网动态变化敏感度高的特征子集，并将样本集映射到高维空间，实现非线性暂态稳定评估问题的线性转化；用RPTSVM进行故障筛选和快速暂态稳定判别，将分类问题转化为寻找稳定类与不稳定类的最佳投影轴，尽可能的使同类样本聚集成簇，并将高维二项式规划问题转化为两个低维二项式规划问题，降低时间复杂度，同时借助遗传算法进行参数选择，可改善电力***暂态的评估准确率，从而实现故障筛选和快速暂态稳定判别。
如图2所示，本发明的一种基于RPTSVM的电力***暂态稳定评估方法的另一个实施例，包括如下步骤：
1)构建原始特征集。同步相量测量单元可连续不断的监视和测量发电机的功角，各母线电压和电流的幅值、相角，对数据源进行特征提取，确定电力***指标和投影能量函数指标，其中投影能量函数指标包括投影角速度wθ表征***相对于惯性中心的位置、投影角加速度as表征发电机组相对于惯性中心的失稳趋势和投影动能PKE描述***某时刻发电机组的失稳趋势。这3项指标可以有效表征***的运行稳定状态，将这3项指标加入到RPTSVM的原始特征集中，可丰富样本集特征，减少冗余信息。通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，将样本数据按一定的比例分为训练样本数据和测试样本数据；其中，
所述的数据源包括：发电机三相电流和电流的幅值和角度，发电机有功、无功功率及励磁电压，变压器高低压侧电流和电压的幅值和相角，变压器各出线的功率。
所述的***指标包括：故障初始时刻t0所有发电机初始加速度的最大值、具有最大加速度发电机的初始角度和所有发电机初始加速功率的均值；单侧故障清除时刻tcd和故障切除时刻tcl***冲击的大小、与惯性中心相差最大的发电机转子角度、具有最大转角发电机的动能、具有最大动能发电机的转子角度、所有发电机转子动能的最大值、所有发电机转子动能的平均值、发电机转子最大相对摇摆角以及与惯性中心相差最大的发电机角速度；
所述的投影能量函数指标包括：故障初始时刻t0的投影能量函数角加速度，故障切除时刻tcl的投影能量函数角速度、角加速度和投影动能。
2)由训练样本数据训练电力***的暂态稳定评估模型
基于RPTSVM思想将训练样本数据的稳定类和不稳定类分开，寻找稳定类、不稳定类的最佳投影轴，使稳定类投影到稳定类投影超平面上后尽可能的聚成簇，而不稳定类投影到稳定类投影超平面上后尽可能远离正类聚成的簇，稳定类是指故障后最大功角差未超过360°的样本，不稳定样本是指故障后最大功角差超过360°的样本。以训练样本数据作为RPTSVM的输入，训练具有线性分类功能的RPTSVM的数学模型表示如下：
式中，
为训练样本数据第i类的第j个样本的空间向量，Rl为l维列向量，
和
分别为训练样本数据中稳定类的第i个、第j个和第k个样本的空间向量，
和
分别为训练样本数据中不稳定类的第i个、第j个和第k个样本的空间向量，h为训练样本数据总数，h1和h2分别训练样本数据中稳定类和不稳定类的数量，h＝h1+h2，cTSA1、cTSA2分别为训练样本数据中稳定类和不稳定类的惩罚参数，ξTSAk、ηTSAk分别为训练样本数据中稳定类和不稳定类的第k松弛变量，wTSA1和wTSA2分别为训练样本数据中稳定类和不稳定类的投影坐标轴，
和
分别wTSA1和wTSA2的转置，为v1和v2为训练样本数据中稳定类和不稳定类的权重参数。
根据KKT条件可得式(1)和式(2)的对偶问题，并求解计算拉格朗日乘子后，可得训练样本数据中稳定类与不稳定类投影坐标轴：
式中，STSA1和STSA2分别为训练样本数据中稳定类与不稳类的类方差矩阵，eTSA1和eTSA2为训练样本数据中稳定类与不稳定类的单位向量，
和
分别为eTSA1和eTSA2的转置，αTSA和γTSA为训练样本数据中稳定类和不稳定类的拉格朗日乘子，向量I为单位矩阵，(v2STSA2+I)-1为(v2STSA2+I)的转置。
为训练样本数据稳定类的输入，
为h1行l列矩阵，
为训练样本数据不稳定类的输入，
为h2行l列矩阵。
为将RPTSVM数学模型应用到非线性分类问题中，特引入核函数K(C,CT)：
K(C,CT)＝φ(C)＝(φ(xTSA1),φ(xTSA2),...,φ(xTSAh)) (5)
式中，φ是从Rl到Hilbert空间的映射，C为训练样本数据，CT为C的转置，CT＝[ATSA-BTSA]T，进而将训练样本数据从低维空间映射到高维空间，进而将非线性分类问题转化为线性分类问题：
引入映射φ后的RPTSVM数学模型为具有非线性分类功能的RPTSVM数学模型：
式中，u1和u2分别为经非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，(STSA1)φ和(STSA2)φ分别为经非线性转化后的训练样本数据中稳定类与不稳类的类方差矩阵，ξTSA、ηTSA分别为训练样本数据中稳定类和不稳定类的松弛变量。
并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴u1和u2：
引入核函数后的决策函数如下所示：
式中，XTSA＝ATSA+BTSA，XTSA1＝ATSA,XTSA2＝BTSA。
3)采用步骤2)得到的RPTSVM电力***暂态稳定评估模型对用测试样本数据模拟的电力***状态进行稳定性评估，针对实际电力***的故障类型，依据电力***特征子集相对于电力***稳定类与不稳定类的隶属度将故障划归到相应的类，当分类为不稳定类，则认为该故障为严重故障；反之，则认为该故障为不严重故障；在故障筛选和稳定评估完成的同时得到评价指标。所述的评价指标包括：准确率指标、统计值指标和ROC曲线命中率指标。
准确率指标为正确预测数和预测总数的比。Tij表示实际类标号为i但被预测为j的记录数，则准确率如下所示：
统计值指标为Kappa，由于单独评判准确率会存在一定的偶然性，考虑用K来衡量一个数据集的预测分类和实际分类之间的一致性情况：
ROC曲线指标由命中率(True Positive Rate，TPR)和误报率(False PositiveRate，FPR)构成，以TPR作为Y轴，FPR作为X轴：
因此***的综合指标如下：
如图3所示，RPTSVM评估模型和PTSVM评估模型投影坐标轴变化情况，可知暂态稳定评估性能分析过程包括如下步骤：
1)RPTSVM的准确性分析。为验证本文所提分类器准确性，分别采用5种分类器进行暂态稳定评估，包括支持向量机SVM、最小二乘支持向量机LSSVM、弹球损失支持向量机Pin-SVM、投影孪生支持向量机PTSVM和正则化投影孪生支持向量机RPTSVM。在计算过程中，核函数用径向基核函数RBF，5种分类器的评价指标如表1所示。
表1：5种分类器的评价指标
通过对比表1中5种分类器的准确率指标、ROC指标、Kappa指标，综合评价指标，可知RPTSVM的准确率指标为95.14％略高于Pin-SVM和PTSVM的94.89％和94.23％，并高于其他2种分类器，综合评价指标值为0.9282也都高于其他4种分类器。而且RPTSVM分类器的时间复杂度为0.8519s略高于SVM分类器的0.7188s，远低于PTSVM和Pin-SVM分类器的4.1378s和3.1071s，并略低于LSSVM分类器的0.8594s。可见RPTSVM在保证分类器具有较高评估精度的同时，具有较低的时间复杂度。
2)正则项加入目标函数后对评估模型的影响。为进一步分析加入正则项后RPTSVM和PTSVM评估精度改变的原因，将稳定类与不稳定类的投影坐标信息用图3表示。
图3中稳定类用浅灰色“+”表示，不稳定类用黑色“·”表示，稳定类被误判为不稳定类的样本用“○”表示，不稳定类被误判为稳定类的样本用“□”表示，黑色斜线为分类线。由图3可知，稳定类和不稳定类聚集在相应的投影轴周围并且远离相反投影轴。图3(a)中RPTSVM的稳定类与不稳定类的最大样本点和相应投影之间的距离都很小，而且大多数稳定类与不稳定类样本点和相反投影轴的距离很大，虽然图3(b)中PTSVM评估模型的稳定类与不稳定类样本点和相应投影轴的距离依然很小，但大多数稳定类与不稳定类样本点和相反投影轴的距离较RPTSVM变小。可见本文所提RPTSVM评估模型通过最大化边界距离，使得两类样本与相反投影轴的距离差增大，样本离散化程度增强，表明最大化边界距离具有一定的实际意义。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于RPTSVM的电力***暂态稳定评估方法,其特征在于，包括：
S1：获取电力***响应轨迹数据，选取蕴含电力***暂态稳定状态的离线或在线的监测数据作为数据源，对数据源进行特征提取，确定电力***指标和投影能量函数指标，通过最大相关最小冗余特征选择方法对电力***指标和投影能量函数指标进行特征压缩，寻找对电网暂态变化敏感度高的电力***特征子集，将样本数据按一定的比例分为训练样本数据和测试样本数据；
S2：以训练样本数据作为RPTSVM的输入，在RPTSVM的优化目标函数中加入正则项重构分类器，训练具有线性分类功能的RPTSVM的数学模型并计算获得训练样本数据中稳定类与不稳定类投影坐标轴，将RPTSVM的数学模型非线性转化为具有非线性分类功能的RPTSVM数学模型并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，即获得RPTSVM电力***暂态稳定评估模型；其中，利用遗传算法对RPTSVM电力***暂态稳定评估模型进行参数优化；
S3：根据RPTSVM电力***暂态稳定评估模型对用测试样本数据模拟的电力***状态进行稳定性评估，针对实际电力***的故障类型，依据电力***特征子集相对于电力***稳定类与不稳定类的隶属度将故障划归到相应的类，若分类为不稳定类，则确定该故障为严重故障；否则确定该故障为不严重故障；
所述步骤S1中的***指标包括：故障初始时刻t0所有发电机初始加速度的最大值、具有最大加速度发电机的初始角度和所有发电机初始加速功率的均值；单侧故障清除时刻tcd和故障切除时刻tcl***冲击的大小、与惯性中心相差最大的发电机转子角度、具有最大转角发电机的动能、具有最大动能发电机的转子角度、所有发电机转子动能的最大值、所有发电机转子动能的平均值、发电机转子最大相对摇摆角以及与惯性中心相差最大的发电机角速度；
所述步骤S1中的投影能量函数指标包括：故障初始时刻t0的投影能量函数角加速度，故障切除时刻tcl的投影能量函数角速度、角加速度和投影动能；
所述步骤S2具体包括：
以训练样本数据作为RPTSVM的输入，训练具有线性分类功能的RPTSVM的数学模型表示为：
式中，
为训练样本数据第i类的第j个样本的空间向量，Rl为l维列向量，
和
分别为训练样本数据中稳定类的第i个、第j个和第k个样本的空间向量，
和
分别为训练样本数据中不稳定类的第i个、第j个和第k个样本的空间向量，h为训练样本数据总数，h1和h2分别训练样本数据中稳定类和不稳定类的数量，h＝h1+h2，cTSA1、cTSA2分别为训练样本数据中稳定类和不稳定类的惩罚参数，ξTSAk、ηTSAk分别为训练样本数据中稳定类和不稳定类的第k松弛变量，wTSA1和wTSA2分别为训练样本数据中稳定类和不稳定类的投影坐标轴，
和
分别wTSA1和wTSA2的转置，v1和v2为训练样本数据中稳定类和不稳定类的权重参数；
根据KKT条件可得具有线性分类功能的RPTSVM的数学模型的对偶问题，并求解计算拉格朗日乘子后，可得训练样本数据中稳定类与不稳定类投影坐标轴，具体计算公式为：
式中，STSA1和STSA2分别为训练样本数据中稳定类与不稳类的类方差矩阵，eTSA1和eTSA2为训练样本数据中稳定类与不稳定类的单位向量，
和
分别为eTSA1和eTSA2的转置，αTSA和γTSA为训练样本数据中稳定类和不稳定类的拉格朗日乘子，向量I为单位矩阵，(v2STSA2+I)-1为(v2STSA2+I)的转置，
为训练样本数据稳定类的输入，
为h1行l列矩阵，
为训练样本数据不稳定类的输入，
为h2行l列矩阵；
为将RPTSVM数学模型应用到非线性分类问题中，特引入核函数K(C,CT)：
K(C,CT)＝φ(C)＝(φ(xTSA1),φ(xTSA2),...,φ(xTSAh))
式中，φ是从Rl到Hilbert空间的映射，C为训练样本数据，CT为C的转置，CT＝[ATSA-BTSA]T，进而将训练样本数据从低维空间映射到高维空间，进而将非线性分类问题转化为线性分类问题；
引入映射φ后的RPTSVM数学模型为具有非线性分类功能的RPTSVM数学模型公式为：
式中，u1和u2分别为经非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴，(STSA1)φ和(STSA2)φ分别为经非线性转化后的训练样本数据中稳定类与不稳类的类方差矩阵，ξTSA、ηTSA分别为训练样本数据中稳定类和不稳定类的松弛变量；
并计算非线性转化后的训练样本数据中稳定类和不稳定类的投影坐标轴u1和u2：
引入核函数后的决策函数为：
式中，XTSA＝ATSA+BTSA，XTSA1＝ATSA,XTSA2＝BTSA。
2.根据权利要求1所述的一种基于RPTSVM的电力***暂态稳定评估方法,其特征在于，所述步骤S1中的数据源包括：发电机三相电流和电流的幅值和角度，发电机有功、无功功率及励磁电压，变压器高低压侧电流和电压的幅值和相角，变压器各出线的功率。
3.根据权利要求1所述的一种基于RPTSVM的电力***暂态稳定评估方法，其特征在于，所述步骤S3同时还包括：在故障筛选和稳定评估完成的同时得到评价指标，评价指标包括：准确率指标、统计值指标Kappa、ROC曲线指标和综合评价指标。
4.根据权利要求3所述的一种基于RPTSVM的电力***暂态稳定评估方法，其特征在于，所述在故障筛选和稳定评估完成的同时得到评价指标包括：
准确率指标为正确预测数和预测总数的比，Tij表示实际类标号为i但被预测为j的记录数，则准确率计算公式如下：
5.根据权利要求4所述的一种基于RPTSVM的电力***暂态稳定评估方法，其特征在于，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
统计值指标为Kappa，由于单独评判准确率会存在一定的偶然性，用Kappa来衡量一个数据集的预测分类和实际分类之间的一致性情况：
Kappa＝[(T11+T00)(T11+T10+T01+T00)-(T00+T01)(T00+T10)-(T11+T10)(T11+T01)]/[(T11+T10+T01+T00)2-(T00+T01)(T00+T10)-(T11+T10)(T11+T01)]。
6.根据权利要求5所述的一种基于RPTSVM的电力***暂态稳定评估方法，其特征在于，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
ROC曲线指标由命中率TPR和误报率FPR构成，以TPR作为Y轴，FPR作为X轴：
7.根据权利要求6所述的一种基于RPTSVM的电力***暂态稳定评估方法，其特征在于，所述在故障筛选和稳定评估完成的同时得到评价指标还包括：
计算***的综合指标，计算公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710353399.5A CN107171315B (zh) | 2017-05-18 | 2017-05-18 | 一种基于rptsvm的电力***暂态稳定评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710353399.5A CN107171315B (zh) | 2017-05-18 | 2017-05-18 | 一种基于rptsvm的电力***暂态稳定评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107171315A CN107171315A (zh) | 2017-09-15 |
| CN107171315B true CN107171315B (zh) | 2020-06-02 |
Family
ID=59815180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710353399.5A Active CN107171315B (zh) | 2017-05-18 | 2017-05-18 | 一种基于rptsvm的电力***暂态稳定评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107171315B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595884A (zh) * | 2018-05-09 | 2018-09-28 | 清华大学 | 电力***暂态稳定性评估方法及装置 |
| CN108964046B (zh) * | 2018-08-03 | 2021-04-30 | 东北电力大学 | 一种基于短时受扰轨迹的电力***暂态稳定性评估方法 |
| CN109344870B (zh) * | 2018-08-28 | 2022-03-25 | 华南理工大学 | 一种基于目标正则化的电力***状态灵敏度在线辨识方法 |
| CN110879537A (zh) * | 2018-09-06 | 2020-03-13 | 珠海格力电器股份有限公司 | 智能家居能源***暂态稳定性的处理方法和装置 |
| CN109378834A (zh) * | 2018-11-01 | 2019-02-22 | 三峡大学 | 基于信息最大相关的大规模电网电压稳定裕度评估*** |
| CN109193703A (zh) * | 2018-11-02 | 2019-01-11 | 国网四川省电力公司电力科学研究院 | 考虑类别不均衡性的电力***暂态稳定关键特征选择方法 |
| CN111767950B (zh) * | 2020-06-29 | 2023-09-22 | 国电南京自动化股份有限公司 | 一种基于Pb-SVM的电力营销数据关键指标评估方法及*** |
| CN112353398B (zh) * | 2020-12-01 | 2022-05-06 | 山东众阳健康科技集团有限公司 | 一种基于无监督学习的心电向量重建方法 |
| CN112909939B (zh) * | 2021-03-10 | 2022-07-12 | 山东科技大学 | 一种基于故障前后潮流特征的电力***暂态稳定评估方法 |
| CN114330468A (zh) * | 2021-07-14 | 2022-04-12 | 广东工业大学 | 一种基于动态规划的分类器筛选方法、***及计算机设备 |
| CN117937521B (zh) * | 2024-03-25 | 2024-06-14 | 山东大学 | 电力***暂态频率稳定性预测方法、***、介质及设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104205051A (zh) * | 2012-04-02 | 2014-12-10 | 思科技术公司 | 与虚拟机相关联的增强的网络服务的虚拟化移动 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9805463B2 (en) * | 2013-08-27 | 2017-10-31 | Heartflow, Inc. | Systems and methods for predicting location, onset, and/or change of coronary lesions |
-
2017
- 2017-05-18 CN CN201710353399.5A patent/CN107171315B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104205051A (zh) * | 2012-04-02 | 2014-12-10 | 思科技术公司 | 与虚拟机相关联的增强的网络服务的虚拟化移动 |
Non-Patent Citations (2)
| Title |
|---|
| A regularization for the projection twin support vector machine;Yuan-Hai Shao，等;《Knowledge-Based Systems》;20120822(第37期);203－210 * |
| 基于支持向量机的电力***暂态稳定评估研究;盛琪;《万方学位论文》;20070702;1－79 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107171315A (zh) | 2017-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107171315B (zh) | 一种基于rptsvm的电力***暂态稳定评估方法 | |
| CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
| CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
| CN106849069B (zh) | 一种基于Pin-SVM的电力***暂态稳定评估方法 | |
| CN109871976A (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
| CN107133632A (zh) | 一种风电设备故障诊断方法及*** | |
| CN110994604A (zh) | 基于lstm-dnn模型的电力***暂态稳定评估方法 | |
| CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
| CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN114118789B (zh) | 基于模糊综合评判和综合赋权的雷达发射机状态评估方法 | |
| CN110417005B (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
| CN116169675B (zh) | 考虑运行方式变化的电力***动态稳定性在线评估方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN108667069A (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
| CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
| CN110705831A (zh) | 电力***故障后功角失稳模式预判模型构建方法及其应用 | |
| Taghipourbazargani et al. | A machine learning framework for event identification via modal analysis of PMU data | |
| CN111652478A (zh) | 基于伞式算法的电力***电压稳定评估误分类约束方法 | |
| CN113222067B (zh) | 基于SVM-Adaboost算法的孤岛智能检测方法 | |
| Wang et al. | SVM based imbalanced correction method for Power Systems Transient stability evaluation | |
| CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
| CN106356994A (zh) | 一种基于电网pmu大数据的电网稳定性判别方法 | |
| Ma et al. | Data generation for rare transient events: A generative adversarial network approach | |
| Lin et al. | Clustering wind turbines for a large wind farm using spectral clustering approach based on diffusion mapping theory | |
| CN109684749A (zh) | 一种考虑运行特性的光伏电站等值建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |