CN108599152A - 电力***暂态稳定性评估的关键状态变量选取方法及装置 - Google Patents

Abstract

本发明提供电力***暂态稳定性评估的关键状态变量选取方法及装置，所述方法包括：S1，获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；S2，对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；S3，对每个所述关键状态变量进行降维。本发明通过关键状态变量的选取和降维，在不降低暂态稳定判别器分类精度的情况下，可显著缩短暂态稳定分类器的训练时间和分类时间，更加适合于在线应用。

Description

电力***暂态稳定性评估的关键状态变量选取方法及装置

技术领域

本发明涉及电力***暂态稳定性评估领域，更具体地，涉及电力***暂态稳定性评估的关键状态变量选取方法及装置。

背景技术

随着各种新能源的接入以及特高压输电线路的采用，电力***变得更加的复杂。电力***运行中经常遭受到各种各样的大扰动，特别是运行线路接地和短路故障，使***可能面临暂态不稳定的问题。暂态稳定性的破坏是造成电网灾难性事故的主要因素，因此，快速、准确的暂态稳定性评估方法对保证电网安全稳定运行具有重要意义。

传统的利用数值计算仿真方法对电力***的暂态稳定性进行评估存在模型复杂、速度较慢等特点。随着人工智能的迅速崛起，电网运行数据的积累和大数据方法的采用，给基于机器学习对电力***的暂态稳定性进行预测带来了新的思路。机器学习将电力***的暂态稳定性评估转换为模式识别问题，***暂态稳定性和某些描述***运行状态的特征量之间具有某种映射关系，本质上是一个“离线仿真训练，在线匹配应用”的过程，即通过离线仿真分析，获取能够充分反映这种映射关系的样本，通过样本集的学习选取未知映射的函数关系，这种函数关系一旦获得，就可对在线运行状态下的***暂态稳定性进行分类评估。基于机器学习的电力***暂态稳定性评估方法能够加快电力***仿真的速度。

目前基于机器学习的电力***暂态稳定性评估方法，直接利用电网所有运行状态变量的动态仿真数据进行特征选取，虽然能够充分利用电力***的运行状态信息，但是可能会造成“维数灾”的问题，不仅分析难度较大，训练耗时较长，而且容易忽略掉关键运行状态变量的信息，降低暂态稳定性评估的准确性。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的电力***暂态稳定性评估的关键状态变量选取方法及装置。

根据本发明的一个方面，提供电力***暂态稳定性评估的关键状态变量选取方法，包括：

S1，获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

S2，对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

S3，对每个所述关键状态变量进行降维。

其中，所述电力***动态仿真数据进一步包括：故障切除后的电力***动态波形数据。

其中，所述步骤S1进一步包括：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

其中，所述步骤S2进一步包括：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。

其中，所述根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量的步骤进一步包括：

S21，从多个动态仿真数据中随机选择一个动态仿真数据R，然后从和动态仿真数据R同类的样本集中寻找最近邻的动态仿真数据H，从和动态仿真数据R不同类的样本集中寻找最近邻的动态仿真数据M；

S22，根据以下规则更新所述动态仿真数据R的权重：如果动态仿真数据R和动态仿真数据H在某个状态变量上的距离小于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则增加所述状态变量的权重；或者，动态仿真数据R和动态仿真数据H在某个状态变量上的距离大于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则降低该状态变量的权重；

S23，重复所述步骤S1和S2p次，获得多个状态变量的权重值，根据权重值由大到小对状态变量进行排序，取权重值最大的前q个状态变量作为关键状态变量；

其中，p和q的取值根据电力***暂态稳定性评估需求确定。

其中，所述步骤S3进一步包括：

采用主成分分析法对每个所述关键状态变量进行降维。

其中，所述步骤S3进一步包括：

采用流行学习方法对每个所述关键状态变量进行降维。

根据本发明的另一个方面，提供电力***暂态稳定性评估的关键状态变量选取装置，包括：

预处理模块，用于获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

特征选取模块，用于对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

降维模块，用于对每个所述关键状态变量进行降维。

其中，所述预处理模块具体用于：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

其中，所述特征选取模块具体用于：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。

本发明提出的电力***暂态稳定性评估的关键状态变量选取方法及装置，通过关键状态变量的选取和降维，在不降低暂态稳定判别器分类精度的情况下，可显著缩短暂态稳定分类器的训练时间和分类时间，更加适合于在线应用。

附图说明

图1为本发明一实施例提供的电力***暂态稳定性评估的关键状态变量选取方法的流程示意图；

图2为本发明一实施例提供的利用全部动态数据训练、利用改进的状态变量提取方法训练以及降维之后训练的耗时分析比较图；

图3为本发明另一实施例提供的电力***暂态稳定性评估的关键状态变量选取装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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他的实施例，都属于本发明保护的范围。

如图1所示，为本发明一实施例提供的电力***暂态稳定性评估的关键状态变量选取方法的流程示意图，包括：

S1，获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

S2，对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

S3，对每个所述关键状态变量进行降维。

具体地，基于机器学习的电力***暂态稳定评估可分为四个方面的内容。首先是暂态稳定评估的总体框架，其次是输入数据的选择和特征的选取，再次是分类算法的选用，最后是对于分类结果的分析以及做出的相应的改进。基于机器学习的电力***暂态稳定评估，主要利用的框架还是“离线训练，在线仿真”的方法。通过挖掘离线数据的规律，与在线数据进行匹配，对电力***的暂态稳定性进行快速的判断。本发明所改进的是分类器特征选取和输入部分。

S1，采用基于机器学习的电力***暂态稳定评估方法对电力***进行暂态稳定评估的时候，利用的是动态动态仿真数据。动态仿真数据包含了较多的电力***状态变量，同时也对较长的时间长度进行仿真，因此，很容易造成“维数灾”的问题。比如，如果选取的状态变量有2000个，仿真的时间长度为10s，步长为0.01s，那么每次仿真的结果是一个2000*1000的矩阵，在进行暂态稳定评估分类器训练时，如果采用10000个样本，那么很容易导致样本太大，无法进行分析的结果，而且训练耗时较长，也不利于暂态稳定评估分类器的多次训练参数调节和在线应用。因此，需要对电力***动态仿真数据进行处理，本发明则首先从多个状态变量中筛选出关键的状态变量，在状态变量数目上对动态仿真数据的大小进行压缩，再结合降维方法，对动态仿真数据进行降维，进一步降低其维度，从而加快分类器的训练速度。

从多个状态变量中筛选出关键的状态变量需要使用特征选取算法，而在传统的特征选取算法中，样本的特征属性为实数。由于电力***的动态仿真结果可用m个状态变量的时间序列进行表示，其中每个状态变量的时间序列即为样本的属性。为了使用传统的特征选取算法，我们首先利用FFT算法对所获取到的电力***动态仿真数据中的多个状态变量进行预处理，将所述每个状态变量的属性从时间序列转换为实数，从而可以利用传统的特征选取算法对样本进行特征选取，筛选出关键状态变量。

S2，特征选取(Feature Selection)也称特征子集选择(Feature SubsetSelection,FSS)，或属性选择(Attribute Selection)，是指从全部特征中选取一个特征子集，使构造出的模型更好。在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：特征个数越多，分析特征、训练模型所需的时间就越长。特征个数越多，容易引起“维度灾难”，模型也会越复杂，其推广能力会下降。特征选择能剔除不相关(irrelevant)或亢余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征，使研究人员易于理解数据产生的过程。在步骤S1的基础上，即可利用现有的特征选取算法，例如Relief算法，对经过预处理后的所述多个状态变量进行特征选取，从而定位出用于电力***暂态稳定性评估的关键状态变量。

S3，执行了步骤S1和S2之后，选出了用于电力***暂态稳定性评估的关键状态变量。但是对于一个实际电力***而言，如果存在2000个状态变量，以0.01s的步长仿真10s。即便从2000个状态变量中筛选了50个关键状态变量，每次仿真的结果依然会是一个50*1000的矩阵，仿真结果依然很大，仍然可能会存在“维数灾”的问题。所以还需要进一步对其进行降维。常用的降维方法主要有两种，一种是线性的降维方法，如PCA等。另外一种是非线性的降维方法，如流形学习等。

在通过特征选取算法筛选出关键状态变量和通过所选择的降维方法对关键状态变量进行降维之后，电力***的动态仿真结果可以降维到低维平面上。利用降维之后的结果对暂态稳定的分类器进行训练，可以大大缩短模型训练所需要的时间，同时也不会降低模型训练的精度。

本发明提出的电力***暂态稳定性评估的关键状态变量选取方法，通过关键状态变量的选取和降维，在不降低暂态稳定判别器分类精度的情况下，可显著缩短暂态稳定分类器的训练时间和分类时间，更加适合于在线应用。

基于上述实施例，所述电力***动态仿真数据进一步包括：故障切除后的电力***动态波形数据。

具体地，在输入数据的选择上，通常情况下会有两种类型：一种是基于故障前潮流断面的静态数据，另外一种是故障切除后的动态数据。利用故障切除之后的全部动态数据，因为计及了更多的信息，在稳定性判断中精度更高。因此，本发明选取故障切除后的电力***动态波形数据。

基于上述实施例，所述步骤S1进一步包括：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

具体地，FFT是离散傅立叶变换的快速算法，可以将一个信号从时域变换到频域。通过FFT算法可以将所获取到的电力***动态仿真数据中的每个状态变量的时间序列转换为实数，即通过FFT算法提取每个状态变量的时间序列的前n次谐波的实部和虚部，这样，一个时间序列即可转化为2n个实数，每个状态变量的时间序列即转换为2n个实数，由于电力***动态仿真数据的每个样本可用m个状态变量的时间序列构成，样本的属性则对应由每个状态变量的时间序列构成，即样本的属性转换为由每个状态变量的2n个实数构成。

基于上述实施例，所述步骤S2进一步包括：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。

具体地，Relief(Relevant Features)是著名的过滤式特征选取方法，Relief为一系列算法，它包括最早提出的Relief以及后来拓展的Relief-F和RRelief-F，其中最早提出的Relief针对的是二分类问题，RRelief-F算法可以解决多分类问题，RRelief-F算法针对的是目标属性为连续值的回归问题。原始Relief算法最初由Kira提出，是一种基于特征权重的算法，能够根据样本的各个特征和类别之间的相关性，决定特征的不同的权重。如果特征的权重小于某个阈值，那么这个特征将被移除。Relief算法中特征的权重由特征对近距离样本的区分能力决定。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H，称为Near Hit，从和R不同类的样本中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和NearMiss上的距离，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数的增加线性增加，因而运行效率非常高。

在执行了步骤S1之后，电力***动态仿真数据中的每个样本的属性经FFT算法由m个状态变量的时间序列转为实数，因此可以利用传统的Relief算法进行特征选取，根据每个状态变量的2n个实数属性，筛选出权重排名靠前的状态变量，从而获得多个关键状态变量。

基于上述实施例，所述根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量的步骤具体包括：

S21，从多个动态仿真数据中随机选择一个动态仿真数据R，然后从和动态仿真数据R同类的样本集中寻找最近邻的动态仿真数据H，从和动态仿真数据R不同类的样本集中寻找最近邻的动态仿真数据M；

S22，根据以下规则更新所述动态仿真数据R的权重：如果动态仿真数据R和动态仿真数据H在某个状态变量上的距离小于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则增加所述状态变量的权重；或者，动态仿真数据R和动态仿真数据H在某个状态变量上的距离大于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则降低该状态变量的权重；

S23，重复所述步骤S1和S2p次，获得多个状态变量的权重值，根据权重值由大到小对状态变量进行排序，取权重值最大的前q个状态变量作为关键状态变量；

其中，p和q的取值根据电力***暂态稳定性评估需求确定。

上述即给出了利用Relief算法从电力***的多个状态变量筛选出关键状态变量的具体过程。

基于上述实施例，所述步骤S3进一步包括：

采用主成分分析法对每个所述关键状态变量进行降维。

采用主成分分析法对每个所述关键状态变量进行降维具体是指采用主成分分析法对每个关键状态变量的时间序列进行降维。主成分分析法的应用已非常成熟，在此不再赘述。

基于上述实施例，所述步骤S3进一步包括：

采用流行学习方法对每个所述关键状态变量进行降维。

具体地，流形学习的降维方法，假定样本位于一个低维的流形上，因此可以在低维流形上寻找一个映射，对样本进行降维。从而可以使得，样本在低维流形上的距离和高维空间中保持一致。而对于电力***而言，不同的故障后动态波形，实际上可以看作是不同的运行工况、不同的故障类型和故障强度等组合下的流形，因此可以采用流形学习的方法对其进行降维。

在通过改进的特征选取算法和流形学***面上。利用降维之后的结果对暂态稳定的分类器进行训练，可以大大缩短模型训练所需要的时间，同时也不会降低模型训练的精度。

下面结合仿真实例来进一步说明本发明所提供方法的有益效果。在电力***的10机39节点的***上进行了仿真测试。在10机39节点的***上产生了4000个样本，其中3200个作为训练集，800个作为测试集。仿真样本中，每个样本的特征属性为电压、电流和功率等158个状态变量的时间序列。利用特征选取的算法，从158个状态变量中筛选了权值最大的20个状态变量，如表1所示。

表1关键状态变量选取结果

利用选取出的关键的状态变量的时间序列进行降维。在此基础上，比较了利用全部动态数据训练、利用改进的状态变量提取方法训练以及降维之后训练的结果，如图2所示为三种训练方式的耗时分析比较图。

对于一个分类器而言，一般会存在分类的误差。评价指标是用于衡量分类器性能和指导分类模型参数调节的重要部分。而在电力***暂态稳定评估的过程中，将不稳定的样本评估为稳定和将稳定的样本评估为不稳定给***带来的损失是不一样的。因此，需要采用更多的指标来衡量分类器的综合性能。

定义出以下指标：

真正例率：

假正例率：

假负例率：

正确率：

此外，受试者特性曲线(ROC)采用TPR作为纵轴，采用FPR作为横轴。其被用于评估分类器的性能，曲线横跨的平面区域越大，分类器的性能越好。因此，可以通过计算曲线包络的面积(AUC)来衡量分类器的性能。

表2为基于上述各指标对三种训练方式进行准确性分析的结果。

表2三种训练方式的准确性分析

指标	FPR	FNR	Acc	AUC
					原始数据	0.29％	0	99.71％	0.9981
特征选取数据	1.01％	0.87％	98.11％	0.9921
					降维数据	0.43％	1.01％	98.56％	0.9927

通过以上数据可以说明，虽然利用全部动态数据，在精度上略好于关键状态变量选取的结果以及降维的结果，但是在训练时间和预测时间上，关键状态变量的选取以及降维后的方法的耗时远小于利用全部动态数据的方法，甚至存在数量级上的差异。

如图3所示，为本发明另一实施例提供的电力***暂态稳定性评估的关键状态变量选取装置的结构示意图，包括：预处理模块31、特征选取模块32和降维模块33，其中，

预处理模块31，用于获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

特征选取模块32，用于对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

降维模块33，用于对每个所述关键状态变量进行降维。

具体地，采用基于机器学习的电力***暂态稳定评估方法对电力***进行暂态稳定评估的时候，利用的是动态动态仿真数据。动态仿真数据包含了较多的电力***状态变量，同时也对较长的时间长度进行仿真，因此，很容易造成“维数灾”的问题。比如，如果选取的状态变量有2000个，仿真的时间长度为10s，步长为0.01s，那么每次仿真的结果是一个2000*1000的矩阵，在进行暂态稳定评估分类器训练时，如果采用10000个样本，那么很容易导致样本太大，无法进行分析的结果，而且训练耗时较长，也不利于暂态稳定评估分类器的多次训练参数调节和在线应用。因此，需要对电力***动态仿真数据进行处理，本发明实施例所提供的电力***暂态稳定性评估的关键状态变量选取装置则首先从多个状态变量中筛选出关键的状态变量，在状态变量数目上对动态仿真数据的大小进行压缩，再结合降维方法，对动态仿真数据进行降维，进一步降低其维度，从而加快分类器的训练速度。

从多个状态变量中筛选出关键的状态变量需要使用特征选取算法，而在传统的特征选取算法中，样本的特征属性为实数。由于电力***的动态仿真结果可用m个状态变量的时间序列进行表示，其中每个状态变量的时间序列即为样本的属性。为了使用传统的特征选取算法，预处理模块31首先利用FFT算法对所获取到的电力***动态仿真数据中的多个状态变量进行预处理，将所述每个状态变量的属性从时间序列转换为实数，从而可以利用传统的特征选取算法对样本进行特征选取，筛选出关键状态变量。

特征选取(Feature Selection)也称特征子集选择(Feature Subset Selection,FSS)，或属性选择(Attribute Selection)，是指从全部特征中选取一个特征子集，使构造出的模型更好。在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：特征个数越多，分析特征、训练模型所需的时间就越长。特征个数越多，容易引起“维度灾难”，模型也会越复杂，其推广能力会下降。特征选择能剔除不相关(irrelevant)或亢余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征，使研究人员易于理解数据产生的过程。在预处理模块31进行预处理之后，特征选取模块32即可利用现有的特征选取算法，例如Relief算法，对经过预处理后的所述多个状态变量进行特征选取，从而定位出用于电力***暂态稳定性评估的关键状态变量。

经过预处理模块31和特征选取模块32的处理后，选出了用于电力***暂态稳定性评估的关键状态变量。但是对于一个实际电力***而言，如果存在2000个状态变量，以0.01s的步长仿真10s。即便从2000个状态变量中筛选了50个关键状态变量，每次仿真的结果依然会是一个50*1000的矩阵，仿真结果依然很大，仍然可能会存在“维数灾”的问题。所以还需要降维模块33进一步对所筛选出的关键状态变量进行降维。常用的降维方法主要有两种，一种是线性的降维方法，如PCA等。另外一种是非线性的降维方法，如流形学习等。

在通过特征选取算法筛选出关键状态变量和通过所选择的降维方法对关键状态变量进行降维之后，电力***的动态仿真结果可以降维到低维平面上。利用降维之后的结果对暂态稳定的分类器进行训练，可以大大缩短模型训练所需要的时间，同时也不会降低模型训练的精度。

基于上述实施例，所述预处理模块31具体用于：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

具体地，FFT是离散傅立叶变换的快速算法，可以将一个信号从时域变换到频域。通过FFT算法可以将所获取到的电力***动态仿真数据中的每个状态变量的时间序列转换为实数，即通过FFT算法提取每个状态变量的时间序列的前n次谐波的实部和虚部，这样，一个时间序列即可转化为2n个实数，每个状态变量的时间序列即转换为2n个实数，由于电力***动态仿真数据的每个样本可用m个状态变量的时间序列构成，样本的属性则对应由每个状态变量的时间序列构成，即样本的属性转换为由每个状态变量的2n个实数构成。

基于上述实施例，所述特征选取模块32具体用于：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。

具体地，Relief(Relevant Features)是著名的过滤式特征选取方法，Relief为一系列算法，它包括最早提出的Relief以及后来拓展的Relief-F和RRelief-F，其中最早提出的Relief针对的是二分类问题，RRelief-F算法可以解决多分类问题，RRelief-F算法针对的是目标属性为连续值的回归问题。原始Relief算法最初由Kira提出，是一种基于特征权重的算法，能够根据样本的各个特征和类别之间的相关性，决定特征的不同的权重。如果特征的权重小于某个阈值，那么这个特征将被移除。Relief算法中特征的权重由特征对近距离样本的区分能力决定。算法从训练集D中随机选择一个样本R，然后从和R同类的样本中寻找最近邻样本H，称为Near Hit，从和R不同类的样本中寻找最近邻样本M，称为NearMiss，然后根据以下规则更新每个特征的权重：如果R和Near Hit在某个特征上的距离小于R和NearMiss上的距离，则说明该特征对区分同类和不同类的最近邻是有益的，则增加该特征的权重；反之，如果R和Near Hit在某个特征的距离大于R和Near Miss上的距离，说明该特征对区分同类和不同类的最近邻起负面作用，则降低该特征的权重。以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱。Relief算法的运行时间随着样本的抽样次数m和原始特征个数的增加线性增加，因而运行效率非常高。

在经过预处理模块31的处理之后，电力***动态仿真数据中的每个样本的属性经FFT算法由m个状态变量的时间序列转为实数，因此特征选取模块22可以利用传统的Relief算法进行特征选取，根据每个状态变量的2n个实数属性，筛选出权重排名靠前的状态变量，从而获得多个关键状态变量。

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量的步骤具体包括：

S21，从多个动态仿真数据中随机选择一个动态仿真数据R，然后从和动态仿真数据R同类的样本集中寻找最近邻的动态仿真数据H，从和动态仿真数据R不同类的样本集中寻找最近邻的动态仿真数据M；

S22，根据以下规则更新所述动态仿真数据R的权重：如果动态仿真数据R和动态仿真数据H在某个状态变量上的距离小于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则增加所述状态变量的权重；或者，动态仿真数据R和动态仿真数据H在某个状态变量上的距离大于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则降低该状态变量的权重；

S23，重复所述步骤S1和S2p次，获得多个状态变量的权重值，根据权重值由大到小对状态变量进行排序，取权重值最大的前q个状态变量作为关键状态变量；

其中，p和q的取值根据电力***暂态稳定性评估需求确定。

本发明提出的电力***暂态稳定性评估的关键状态变量选取装置，通过关键状态变量的选取和降维，在不降低暂态稳定判别器分类精度的情况下，可显著缩短暂态稳定分类器的训练时间和分类时间，更加适合于在线应用。

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.电力***暂态稳定性评估的关键状态变量选取方法，其特征在于，包括：

S1，获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

S2，对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

S3，对每个所述关键状态变量进行降维。

2.根据权利要求1所述的方法，其特征在于，所述电力***动态仿真数据进一步包括：故障切除后的电力***动态波形数据。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1进一步包括：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2进一步包括：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。

5.根据权利要求4所述的方法，其特征在于，所述根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量的步骤进一步包括：

S21，从多个动态仿真数据中随机选择一个动态仿真数据R，然后从和动态仿真数据R同类的样本集中寻找最近邻的动态仿真数据H，从和动态仿真数据R不同类的样本集中寻找最近邻的动态仿真数据M；

S22，根据以下规则更新所述动态仿真数据R的权重：如果动态仿真数据R和动态仿真数据H在某个状态变量上的距离小于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则增加所述状态变量的权重；或者，动态仿真数据R和动态仿真数据H在某个状态变量上的距离大于动态仿真数据R和动态仿真数据M在该状态变量上的距离，则降低该状态变量的权重；

S23，重复所述步骤S1和S2p次，获得多个状态变量的权重值，根据权重值由大到小对状态变量进行排序，取权重值最大的前q个状态变量作为关键状态变量；

其中，p和q的取值根据电力***暂态稳定性评估需求确定。

6.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括：

采用主成分分析法对每个所述关键状态变量进行降维。

7.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括：

采用流行学习方法对每个所述关键状态变量进行降维。

8.电力***暂态稳定性评估的关键状态变量选取装置，其特征在于，包括：

预处理模块，用于获取电力***动态仿真数据中的多个状态变量，利用FFT算法对所述多个状态变量进行预处理；

特征选取模块，用于对经过预处理后的所述多个状态变量进行特征选取，获得多个关键状态变量；

降维模块，用于对所述多个关键状态变量进行降维。

9.根据权利要求8所述的装置，其特征在于，所述预处理模块具体用于：

利用FFT算法提取电力***动态仿真数据中每个状态变量的时间序列的前n次谐波的实部和虚部，使每个状态变量的时间序列属性转换为2n个实数属性，其中，n为大于1的自然数。

10.根据权利要求9所述的装置，其特征在于，所述特征选取模块具体用于：

根据每个状态变量的2n个实数属性，利用Relief算法筛选出权重靠前的状态变量，获得多个关键状态变量。