CN107609760A - 电力***的关键特征选择方法及装置 - Google Patents
电力***的关键特征选择方法及装置 Download PDFInfo
- Publication number
- CN107609760A CN107609760A CN201710764460.5A CN201710764460A CN107609760A CN 107609760 A CN107609760 A CN 107609760A CN 201710764460 A CN201710764460 A CN 201710764460A CN 107609760 A CN107609760 A CN 107609760A
- Authority
- CN
- China
- Prior art keywords
- power system
- features
- variable
- feature
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种电力***的关键特征选择方法及装置，其中，方法包括：根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理；利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到电力***的初始关键特征；利用基于支持向量机SVM算法的封装模型对初始关键特征进行进一步选择，得到电力***的关键特征。该方法可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
Description
技术领域
本发明涉及电力***安全稳定分析技术领域，尤其涉及一种电力***的关键特征选择方法及装置。
背景技术
目前，在采用人工方式计算电网安全稳定运行规则时，通常依据经验选取关键断面作为关键控制对象进行研究，电网运行实践证明，这些关键断面潮流与预想故障下***的暂态稳定具有一定的因果关系。
在相关技术中，在求解电网安全域的过程中，现有的方法主要将解析法或逐点法与直接拟合法相结合，然后对初始输入特征进行筛选。首先，筛选依赖于各输入特征的含义进行初筛降维，例如，注入空间功率空间、决策空间等安全域定义空间；其次，在特定的安全域定义空间，然后再依据人工经验对该空间的特征进行再次筛选。
然而，随着电网规模越来越大，电网的特性也越来越复杂，仅靠人工经验难以全面把握电网的安全特征及规律，容易造成信息遗漏，且难以发现电网中潜在的耦合关系，特征选择方法对特征间的协同效应考虑不足，可靠性差，准确率低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种电力***的关键特征选择方法，该方法可以充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
本发明另一个目的在于提出一种电力***的关键特征选择装置。
为达上述目的，本发明一方面实施例提出了一种电力***的关键特征选择方法，包括以下步骤：根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理；利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征；利用基于支持向量机SVM算法的封装模型对所述初始关键特征进行进一步选择，得到所述电力***的关键特征。
本发明实施例的电力***的关键特征选择方法，可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
另外，根据本发明上述实施例的电力***的关键特征选择方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理，进一步包括：采用预设故障并不断改变潮流，得到稳定样本和不稳定样本；采集多个电力***在不同时刻的连续变量，进一步得到多个样本；通过等距法对所述多个样本的每个样本进行离散化，其中，将所述连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
进一步地，在本发明的一个实施例中，所述离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
进一步地，在本发明的一个实施例中，所述利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征，进一步包括：采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征；根据所述信息熵与互信息得到两随机变量相互依赖的程度。
进一步地，在本发明的一个实施例中，所述两随机变量相互依赖的程度为：
其中，MI为变量X和变量Y之间的互信息。
为达到上述目的，本发明另一方面实施例提出了一种电力***的关键特征选择装置，包括：离散处理模块，用于根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理；初步筛选模块，用于利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征；最终选择模块，用于利用基于支持向量机SVM算法的封装模型对所述初始关键特征进行进一步选择，得到所述电力***的关键特征。
本发明实施例的电力***的关键特征选择装置，可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
另外，根据本发明上述实施例的电力***的关键特征选择装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述离散处理模块包括：采集单元，用于采用预设故障并不断改变潮流，得到稳定样本和不稳定样本；第一获取单元，用于采集多个电力***在不同时刻的连续变量，进一步得到多个样本；离散单元，用于通过等距法对所述多个样本的每个样本进行离散化，其中，将所述连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
进一步地，在本发明的一个实施例中，所述离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
进一步地，在本发明的一个实施例中，所述初步筛选模块包括：处理单元，用于采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征；第二获取单元，用于根据所述信息熵与互信息得到两随机变量相互依赖的程度。
进一步地，在本发明的一个实施例中，所述两随机变量相互依赖的程度为：
其中，MI为变量X和变量Y之间的互信息。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的电力***的关键特征选择方法的流程图；
图2为根据本发明一个实施例的前向序列搜索的流程图；
图3为根据本发明一个实施例的考虑组合效应的特征选择算法的流程图；
图4为根据本发明一个实施例的电力***的关键特征选择方法的流程图；
图5为根据本发明实施例的电力***的关键特征选择装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的电力***的关键特征选择方法及装置，首先将参照附图描述根据本发明实施例提出的电力***的关键特征选择方法。
图1是本发明实施例的电力***的关键特征选择方法的流程图。
如图1所示，该电力***的关键特征选择方法包括以下步骤：
在步骤101中，根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理。
其中，在本发明的一个实施例中，根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理，进一步包括：采用预设故障并不断改变潮流，得到稳定样本和不稳定样本；采集多个电力***在不同时刻的连续变量，进一步得到多个样本；通过等距法对多个样本的每个样本进行离散化，其中，将连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
可以理解的是，本发明实施例的方法可以基于安全域的概念，且关注在大扰动下的电力***暂态稳定问题，并采用固定预想故障，同时不断改变潮流(运行点)进行暂态稳定计算。其中，固定预想故障可以为设置某线路一段发生三相短路接地故障，一段时间后切除线路；不断改变***运行点可以选取一定数量的稳定样本及不稳定样本，并保证稳定样本与不稳定样本的数量相当。
进一步地，在本发明的一个实施例中，离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
可以理解的是，为了引入信息熵，需要获取随机变量的概率分布。其中，由于电力***的复杂性，难以得知各数据的真实概率分布，因此本发明实施例中的样本可以通过采集不同时刻的连续变量得到的，本发明实施例的方法可以采用等距法对样本进行离散化，将变量取值范围均等分为n份，统计落入每一取值范围的频数，由此求得该离散变量的概率分布，如式1所示，
p(x)＝P(X＝x)＝C(x)/N， (1)
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
在步骤102中，利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到电力***的初始关键特征。
其中，在本发明的一个实施例中，利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到电力***的初始关键特征，进一步包括：采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征；根据信息熵与互信息得到两随机变量相互依赖的程度。
可选地，在本发明的一个实施例中，两随机变量相互依赖的程度为：
其中，MI为变量X和变量Y之间的互信息。
可以理解的是，在本发明的实施例中，如图2所示，本发明实施例的方法包括Filter阶段和Wrapper阶段，所采用的技术方案是：Filter阶段即考虑组合效应的特征选择，采用考虑组合效应的特征选择算法，实现对原始特征的初筛；Wrapper阶段即高组合效应低冗余的特征筛选，将SVM(Support Vector Machine，支持向量机)算法分类准确率作为评价指标，采用GreedyStepwise前向序列搜索方法，向既定的断面特征集合中逐一添加组合特征，直到达到停止条件。
首先，对Filter阶段：考虑组合效应的特征选择，进行详细描述。
考虑组合效应的特征选择采用前向序列搜索方式，如图3所示，从空集开始按照一定次序将候选特征加入筛选出的特征子集，初始特征集中包括断面特征(电网的关键断面超流量)。其中，对第一个入选特征的选择与算法BIF(built-in functions，内建的函数)，MIFS，mRMR等相同，选择与分类属性互信息最大的特征。互信息的概念如下。互信息用来描述两个随机变量之间共同拥有的信息量，可以表示两随机变量相互依赖的程度。其定义为：
其中，MI为变量X和Y之间的互信息，图1中us为候选特征，S为特征集合。通常情况下，可以采用标准化的互信息指标，如式2所示：
其中，zMI(X；Y)为标准化的互信息，H(X)和H(Y)为变量的信息熵。信息熵的定义如下：
对于离散变量：
对于连续变量：
具体地，考虑组合效应的特征选择算法的流程如图4所示，包括以下步骤：
步骤S401：初始化D的离散化；
步骤S402：D的离散化US＝X；S＝空集；
步骤S403：选取US中与C互信息最大的特征最为第一入选S的特征，并跟新US和S，S1＝arg max(zMI(usj；C))、(usj∈US，1<＝j<＝lus)、S＝{s1}、US＝US-{s1}；
步骤S404：计算S和C的广义互信息MIR(S；C)＝Hg(S)-Hg(S/C)；
步骤S405：按照指标J(usj)降序重新排列US，
J(usj)＝w*MIG((usj,s1)；C)+(1-w)*MI(usj,C)，w＝0.5，US＝sort(US)；
步骤S406：搜索US中第一个使MIgG((usj)大于0的特征入选S，并更新US，S，
from j＝1 to j＝lus；MIRG(usj)＝MIR(S{usj}；C)-MIR(S；C)；
until MIgG((usj)>0；S＝S∪{usj},US＝US-{usj}；
步骤S407：是否US中的特征MIRG(usj)都不大于0，如果是，执行步骤S408；如果否，执行步骤S406；
步骤S408：算法终止输出S。
其中，集合D为数据集，集合X为初始特征集，集合S为入选特征集，集合US为候选特征集，属性C为类别属性。
在步骤103中，利用基于支持向量机SVM算法的封装模型对初始关键特征进行进一步选择，得到电力***的关键特征。
其次，对Wrapper阶段：高组合效应低冗余的特征筛选，进行详细描述。
可理解的是，利用基于SVM算法的Wrapper模型进一步对特征进行筛选。基本过程如下：
(1)输入为数据集D，初始特征集合WX，既定断面集合CS，给出停止条件；
(2)初始化S＝CS,US＝WX-CS；
(3)形成lus个特征组合S∪{usj},(1≤j≤lus)，利用SVM算法分别进行训练，得到相应的lus个分类准确率accuracy(j),(1≤j≤lus)，选取准确率最高的特征组合作为新的S,即S＝S∪{usk},k＝argmax(accuracy(j)),(1≤j≤lus))，US＝US-{usk}；
(4)查看停止条件是否满足，不满足重复步骤(3)直到满足停止条件，过程结束，得到特征子集S。
在本发明的一个具体实施例中，如图2所示，本发明实施例的方法包括：样本的生成与离散化；Filter阶段即考虑组合效应的特征选择；Wrapper阶段即高组合效应低冗余的特征筛选。其中，图中的集合D为数据集，集合X为初始特征集，集合Xn为各区域初始特征集，集合CS为既定断面特征集，集合CSn为各区域既定断面集合，N为分区数目。
需要说明的是，本发明实施例的方法能够更好地找到除断面特征外的其他特征，更好地给出补充信息，一方面可以筛选出的包含断面特征的特征子集便于调度运行人员实时监控，另一方面可以将电力***的因果关系与数据挖掘中的相关关系相结合，弥补了单一关系的不足，而且筛选出的特征包括原特征集合的绝大部分信息，从而最终得到的包含断面特征的特征子集比现有的特征选择方法筛选出的特征子集的分类准确率更高。
根据本发明实施例提出的电力***的关键特征选择方法，可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
其次参照附图描述根据本发明实施例提出的电力***的关键特征选择装置。
图5为本发明实施例的电力***的关键特征选择装置的结构示意图。
如图5所示，该电力***的关键特征选择装置10包括：离散处理模块100、初步筛选模块200和最终选择模块300。
其中，离散处理模块100用于根据暂态稳定时域仿真结果得到样本的数据集，并对样本的数据集离散化处理。初步筛选模块200用于利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到电力***的初始关键特征。最终选择模块300用于利用基于支持向量机SVM算法的封装模型对初始关键特征进行进一步选择，得到电力***的关键特征。该电力***的关键特征选择装置10可以充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
进一步地，在本发明的一个实施例中，离散处理模块100包括：采集单元、第一获取单元和离散单元。
其中，采集单元用于采用预设故障并不断改变潮流，得到稳定样本和不稳定样本。第一获取单元用于采集多个电力***在不同时刻的连续变量，进一步得到多个样本。离散单元用于通过等距法对多个样本的每个样本进行离散化，其中，将连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
进一步地，在本发明的一个实施例中，离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
进一步地，在本发明的一个实施例中，初步筛选模块200包括：处理单元和第二获取单元。
其中，处理单元用于采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征。第二获取单元用于根据信息熵与互信息得到两随机变量相互依赖的程度。
进一步地，在本发明的一个实施例中，两随机变量相互依赖的程度为：
其中，MI为变量X和变量Y之间的互信息。
需要说明的是，前述对电力***的关键特征选择方法实施例的解释说明也适用于该实施例的电力***的关键特征选择装置，此处不再赘述。
根据本发明实施例提出的电力***的关键特征选择装置，可以借助信息熵工具，量化不同特征提供的信息，找到能够补充潮流断面信息的关键特征，筛选出包含断面特征的特征子集，从而充分考虑组合效应，以更好地找到断面处特征之外的其他特征，提高特征选择的可靠性和准确性。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电力***的关键特征选择方法，其特征在于，包括以下步骤：
根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理；
利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征；以及
利用基于支持向量机SVM算法的封装模型对所述初始关键特征进行进一步选择，得到所述电力***的关键特征。
2.根据权利要求1所述的电力***的关键特征选择方法，其特征在于，所述根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理，进一步包括：
采用预设故障并不断改变潮流，得到稳定样本和不稳定样本；
采集多个电力***在不同时刻的连续变量，进一步得到多个样本；
通过等距法对所述多个样本的每个样本进行离散化，其中，将所述连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
3.根据权利要求2所述的电力***的关键特征选择方法，其特征在于，所述离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
4.根据权利要求1所述的电力***的关键特征选择方法，其特征在于，所述利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征，进一步包括：
采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征；
根据所述信息熵与互信息得到两随机变量相互依赖的程度。
5.根据权利要求4所述的电力***的关键特征选择方法，其特征在于，所述两随机变量相互依赖的程度为：
<mrow>
<mi>M</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>;</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mi>X</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>Y</mi>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，MI为变量X和变量Y之间的互信息。
6.一种电力***的关键特征选择装置，其特征在于，包括：
离散处理模块，用于根据暂态稳定时域仿真结果得到样本的数据集，并对所述样本的数据集离散化处理；
初步筛选模块，用于利用信息熵与互信息的概念，根据断面特征并考虑组合效应在对电力***关键特征进行初筛，得到所述电力***的初始关键特征；以及
最终选择模块，用于利用基于支持向量机SVM算法的封装模型对所述初始关键特征进行进一步选择，得到所述电力***的关键特征。
7.根据权利要求6所述的电力***的关键特征选择装置，其特征在于，所述离散处理模块包括：
采集单元，用于采用预设故障并不断改变潮流，得到稳定样本和不稳定样本；
第一获取单元，用于采集多个电力***在不同时刻的连续变量，进一步得到多个样本；
离散单元，用于通过等距法对所述多个样本的每个样本进行离散化，其中，将所述连续变量的取值范围均等分为多份取值范围，并统计落入每份取值范围的频数，得离散变量的概率分布。
8.根据权利要求7所述的电力***的关键特征选择装置，其特征在于，所述离散变量的概率分布为：
p(x)＝P(X＝x)＝C(x)/N，
其中，C(x)为变量中某值出现的频数，N为变量出现的总数。
9.根据权利要求6所述的电力***的关键特征选择装置，其特征在于，所述初步筛选模块包括：
处理单元，用于采用前向序列搜索方式，从空集开始按照预设次序将候选特征加入筛选出的特征子集，其中，初始特征集中包括断面特征；
第二获取单元，用于根据所述信息熵与互信息得到两随机变量相互依赖的程度。
10.根据权利要求9所述的电力***的关键特征选择装置，其特征在于，所述两随机变量相互依赖的程度为：
<mrow>
<mi>M</mi>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>;</mo>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mi>X</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>&Element;</mo>
<mi>Y</mi>
</mrow>
</munder>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，MI为变量X和变量Y之间的互信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710764460.5A CN107609760B (zh) | 2017-08-30 | 2017-08-30 | 电力***的关键特征选择方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710764460.5A CN107609760B (zh) | 2017-08-30 | 2017-08-30 | 电力***的关键特征选择方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107609760A true CN107609760A (zh) | 2018-01-19 |
| CN107609760B CN107609760B (zh) | 2020-11-24 |
Family
ID=61056510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710764460.5A Active CN107609760B (zh) | 2017-08-30 | 2017-08-30 | 电力***的关键特征选择方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609760B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334721A (zh) * | 2018-04-24 | 2018-07-27 | 清华大学 | 基于mMIFS-U的两阶段电力***关键特征选择方法及装置 |
| CN109742788A (zh) * | 2018-12-18 | 2019-05-10 | 国网青海省电力公司电力科学研究院 | 一种新能源电站并网性能评价指标修正方法 |
| CN112396113A (zh) * | 2020-11-23 | 2021-02-23 | 国家电网公司东北分部 | 一种电力***运行方式数据特征两阶段选择方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
| CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
-
2017
- 2017-08-30 CN CN201710764460.5A patent/CN107609760B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512799A (zh) * | 2015-11-26 | 2016-04-20 | 中国电力科学研究院 | 一种基于海量在线历史数据的电力***暂态稳定评估方法 |
| CN106485594A (zh) * | 2016-05-10 | 2017-03-08 | 国网江苏省电力公司南京供电公司 | 一种主配网一体化事故响应决策方法 |
Non-Patent Citations (6)
| Title |
|---|
| HANCHUAN PENG 等: "Feature Selection Based on Mutual Information: Criteria of Max-Dependency, Max-Relevance, and Min-Redundancy", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| L.S. MOULIN 等: "Support Vector Machines for Transient Stability Analysis of Large-Scale Power Systems", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
| 成卫青 等: "一种基于改进互信息和信息熵的文本特征选择方法", 《南京邮电大学学报(自然科学版)》 * |
| 林泽坤 等: "基于交叠概率的含风电的地区电网暂态电压稳定评估的特征选择", 《电网技术》 * |
| 王皓 等: "基于混合互信息的特征选择方法及其在静态电压稳定评估中的应用", 《中国电机工程学报》 * |
| 胡忠义: "基于文化基因算法的电力负荷预测模型及应用研究", 《中国博士学位论文全文数据库经济与管理科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334721A (zh) * | 2018-04-24 | 2018-07-27 | 清华大学 | 基于mMIFS-U的两阶段电力***关键特征选择方法及装置 |
| CN109742788A (zh) * | 2018-12-18 | 2019-05-10 | 国网青海省电力公司电力科学研究院 | 一种新能源电站并网性能评价指标修正方法 |
| CN109742788B (zh) * | 2018-12-18 | 2022-07-26 | 国网青海省电力公司电力科学研究院 | 一种新能源电站并网性能评价指标修正方法 |
| CN112396113A (zh) * | 2020-11-23 | 2021-02-23 | 国家电网公司东北分部 | 一种电力***运行方式数据特征两阶段选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107609760B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9996444B2 (en) | Automated methods and systems for calculating hard thresholds | |
| CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
| CN107609760B (zh) | 电力***的关键特征选择方法及装置 | |
| Smith et al. | Topological structure of the SU (3) vacuum | |
| Lu et al. | An MDL approach to the climate segmentation problem | |
| CN105745868B (zh) | 网络中异常检测的方法和装置 | |
| US20150112903A1 (en) | Defect prediction method and apparatus | |
| US20170060664A1 (en) | Method for verifying bad pattern in time series sensing data and apparatus thereof | |
| Wei et al. | Dissolved gas analysis method based on novel feature prioritisation and support vector machine | |
| CN105990170B (zh) | 晶圆良率分析方法和装置 | |
| CN110929972B (zh) | 评估配电变压器状态的方法、装置、设备、介质和程序 | |
| CN104462808A (zh) | 安全水平位移与水位的滑动可变窗口动态数据拟合方法 | |
| US20170097962A1 (en) | Topic mining method and apparatus | |
| Beaujean et al. | P-values for model evaluation | |
| CN105702595A (zh) | 晶圆的良率判断方法以及晶圆合格测试的多变量检测方法 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| JP6658507B2 (ja) | 負荷推定システム、情報処理装置、負荷推定方法、及び、コンピュータ・プログラム | |
| CN112487146A (zh) | 一种法律案件争议焦点获取方法、装置以及计算机设备 | |
| Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
| CN113963462A (zh) | 基于远传数据的电驱总成可靠性工况构建方法及构建装置 | |
| Guha et al. | Nonparametric Bayesian methods for benchmark dose estimation | |
| US10713585B2 (en) | Using template exploration for large-scale machine learning | |
| Sabri et al. | Nearest neighbor spacing distribution of U (5)↔ SO (6) transitional region | |
| Azadeh et al. | A unique meta-heuristic algorithm for optimization of electricity consumption in energy-intensive industries with stochastic inputs | |
| KR20200144471A (ko) | 연장 금속 섹션들과 대체 비아들을 이용한 회로 타이밍 조정 장치 및 방법 |
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 |