CN109378834A - 基于信息最大相关的大规模电网电压稳定裕度评估*** - Google Patents
基于信息最大相关的大规模电网电压稳定裕度评估*** Download PDFInfo
- Publication number
- CN109378834A CN109378834A CN201811296116.9A CN201811296116A CN109378834A CN 109378834 A CN109378834 A CN 109378834A CN 201811296116 A CN201811296116 A CN 201811296116A CN 109378834 A CN109378834 A CN 109378834A
- Authority
- CN
- China
- Prior art keywords
- feature
- voltage stability
- formula
- correlation
- data
- 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.)
- Pending
Links
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于信息最大相关的大规模电网电压稳定裕度评估***,该***首先基于PMU数据或软件仿真,获得一个能够近似表征当前电力***所有运行特征的电力***大数据集;在此基础上,通过多次运用MRMR算法,构造与电压稳定裕度相关性最大且冗余性最小的特征集;利用MATLAB构建所选变量与VSM之间关系的函数表达式;通过电力***获得的实时的变量数据,可以通过表达式直接估计VSM。并将结果反馈给现场调度人员,以便及时做出决策。本发明能解决传统评估方法精度差、速度慢、对数据丢失鲁棒性差且评估解析性差等缺点,满足大规模电力***的实时评估需求。
Description
技术领域
本发明涉及大规模电力***运行控制技术领域,具体是一种基于信息最大相关的大规模电网电压稳定裕度评估***。
背景技术
电力***是最复杂的人造***之一,随着我国经济的发展,电网负荷的需求日益增大。而与其对应的是,电力***的传输能力没有得到明显提升,传输容量依然受限、***工作点也越来越靠近电力***稳定运行的极限。通过对诸多大停电事故的总结发现,电压崩溃在整个电力***崩溃过程中起了重要的作用。因此,对电力***的电压稳定性进行实时的监测,保证电网运行工作点有足够的电压稳定裕度,对整个电力***的安全可靠运行有重要意义。
随着当前电网的大规模互联,传统基于模型的电力***安稳评估方法需要进行大规模的电路近似等值,评估精度差,同时其评估速度也难以满足要求。近些年来,随着计算机技术的迅猛发展,人工神经网络和决策树等人工智能算法被引入电力***安稳评估中。这些评估方法虽然具有较快的评估速度,但在实际应用中,也各有不足。人工神经网络作为一种“黑箱”算法,无法获知输入与输出之间的具体关联关系,难以为电网的安稳控制和电力***失稳后的故障回溯提供重要信息。决策树类方法虽然解析性较强,但对数据丢失的鲁棒性很差,核心特征数据的丢失可能导致整个评估模型的失效。
因此,如何构建适用于大规模互联电力***的电压安稳评估方法,给出***变量与电压安稳裕度之间的“透明”的解析表达,提高对数据丢失的鲁棒性问题,最终实现对整个电网电压稳定裕度准确、快速且稳定的评估,是当前一个亟待解决的问题。
发明内容
为了解决以上问题,本发明提出了一种基于信息最大相关的大规模电网电压稳定裕度评估***,拟解决传统评估方法精度差、速度慢、对数据丢失鲁棒性差且评估解析性差等缺点,满足大规模电力***的实时评估需求。
本发明采取的技术方案为:
基于信息最大相关的大规模电网电压稳定裕度评估***,包括:基础数据提取与存储模块、静态电压稳定特征提取模块、拓扑变换模块、在线评估模块;
所述基础数据提取与存储模块,其用于基于现场/历史PMU数据,或利用MATLAB和Python程序对电力***仿真软件PSS/E进行控制,采集不同工作点下的电力***运行数据,最终获得一个能够近似表征当前电力***所有运行特征的电力***大数据集。然后针对每一个工作点,计算其对应的电压稳定裕度VSM;
所述静态电压稳定特征提取模块,其用于提取与电压稳定裕度相关性最大、且冗余性最小MRMR的特征集,其中包含了基于信息冗余性的MRMR算法,用于找到一组与目标变量相关性最大的特征变量集,且变量集中特征相互之间的相关性最小。多次运用MRMR算法,则能够得到多个不同的特征集;
所述拓扑变换模块,通过曲线拟合技术,构建不同变量与对应电压稳定裕度之间的数学解析关系,对于每个拓扑,记录其获得的电压稳定裕度函数表达式和相应的参数,如果电力***中检测到未知的拓扑变化,则根据最新的当前运行情况重新提取特征变量集和构建数学解析关系,生成新的待评估的模型。
所述在线评估模块,其用于使用电力***获得的新变量数据,通过获得的电压稳定裕度表达式直接进行电压安稳评估,并将结果反馈给现场调度人员,以便及时做出决策。
所述基础数据提取与存储模块中,利用MATLAB和Python程序采集不同工作点下的电力***运行数据包括:***首先随机选取负荷参数的分布函数,同时,利用最优潮流OPF确定实际/无功功率分布和分接开关位置等其他变量。然后,生成原始的发电机/负载分布。不同的发电机/负载增加方向,使相同的原始发电机/负载分布产生不同的电压稳定边界点。为了记录更多的电力***行为,增加知识库,本发明将不同区域的负荷增长率设为不同,并在同一区域内保持功率因数不变。同时,增量负荷主要通过同一区域的发电机进行平衡。结果是增加方向类似于实际的负荷增加方向。不断对***中的负荷/发电机输出功率进行增加,直到***到达静态电压崩溃点POC。收集并存储在此过程中所有***工作点所对应的***变量值。
所述基础数据提取与存储模块中,电压稳定裕度VSM计算方法如下:
其中:PPOC为当前***能够传输的最大有功功率,即崩溃点处的最大负荷。POP为当先运行状态下的***有功功率。VSM即可表征当前运行点到电压崩溃点间的距离。
所述静态电压稳定特征提取模块中,MRMR算法,其核心思想是找到特征间相关性与冗余性之间差值的最大值,具体通过式(2)实现:
式中:H(fi)和H(fj)分别是第i个特征和第j个特征的熵值,{f1,f2,f3…fF}为待提取的特征集,F为特征集中的特征数目,MI(fi,y)表示fi特征与目标类y之间的“相似”程度,MI(fi,fj)表示特征集内部特征间的“相似”程度,具体由下式确定:
其中,fi,x为fi的第x个元素,yx为目标变量y的第x个元素,p(fi,x)和p(yx)分别表示fi,x和yx的边际概率密度函数,p(fi,x,yx)表示它们的联合概率分布,p(fi,x,fi,y)表示fi,xfi,y的联合概率分布。
所述静态电压稳定特征提取模块中,MRMR算法累加搜索流程如下:
(a)第一个特征选择。每个候选特征与目标类之间的互信息值由式(3)计算得到。为选定的特性创建数据集(D),并选择MI值最高的特性(fi,y)作为第一个选定的特性。
(b)第二个特征选择。第一个选定特征与其他候选特征之间的互信息值由式(4)计算得到。选择MI(fi,fj)值最小的特征作为第二个选择特征。
(c)随后的特征选择。有了这两个选择特征的数据,数据集D中的相关性和冗余分别可由式(3)和式(4)计算得到。此后不断应用如(2)式所示的信息冗余性最优算法,逐项选取子特征。如果已达到选定特征的指定数量,则算法终止。
本发明提供一种基于信息最大相关的大规模电网电压稳定裕度评估***,该***首先基于PMU数据或软件仿真,获得一个能够近似表征当前电力***所有运行特征的电力***大数据集;在此基础上,通过多次运用MRMR算法,构造与电压稳定裕度相关性最大且冗余性最小的特征集;利用MATLAB构建所选变量与VSM之间关系的函数表达式;通过电力***获得的实时的变量数据,可以通过表达式直接估计VSM。并将结果反馈给现场调度人员,以便及时做出决策。
与一般方法相比,本发明有益的效果为:***采用基于信息冗余度的评估方法,能够***全面的考虑变量间的整体统计概率,对大规模互联电力***具有更好的适应性;***采用最大相关最小冗余准则对安稳特征进行挖掘和提取,可有效的防止过拟合和欠拟合现象的发生,提高了***评估的精度;基于曲线拟合获得的稳定裕度解析表达式,具有良好的解析性,可为电网的安稳控制和电力***失稳后的故障回溯提供重要信息;同时方法最终获得的评估模型便于存储和计算,具有良好的评估速度。
附图说明
图1为本发明的***图;
图2为本发明实施例的总体流程图;
图3为本发明中基础数据提取与存储模块的组成框图;
图4为本发明中静态电压稳定特征提取模块的组成框图;
图5为发明中拓扑变换模块的组成框图。
具体实施方式
基于信息最大相关的大规模电网电压稳定裕度评估***,用于对大规模的电力***进行暂态稳定评估,在全局层面对电网整体的电压稳定裕度进行评估,保证***在更稳定、可靠的状态下运行。该评估***其特征在于包括基础数据提取与存储模块,静态电压稳定特征提取模块,拓扑变换模块和在线评估模块四个部分。
基础数据提取与存储模块,基于现场/历史PMU数据,或利用MATLAB和Python程序对电力***仿真软件PSS/E进行控制,采集不同工作点下的电力***运行数据,最终获得一个能够近似表征当前电力***所有运行特征的电力***大数据集。然后针对每一个工作点,计算其对应的电压稳定裕度VSM。
利用MATLAB和Python程序采集不同工作点下的电力***运行数据,其具体流程如下:***首先随机选取负荷参数的分布函数,同时,利用最优潮流(OPF)确定实际/无功功率分布和分接开关位置等其他变量。然后,生成原始的发电机/负载分布。不同的发电机/负载增加方向,使相同的原始发电机/负载分布产生不同的电压稳定边界点。为了记录更多的电力***行为,增加知识库,本发明将不同区域的负荷增长率设为不同,并在同一区域内保持功率因数不变。同时,增量负荷主要通过同一区域的发电机进行平衡。结果是增加方向类似于实际的负荷增加方向。不断对***中的负荷/发电机输出功率进行增加,直到***到达静态电压崩溃点(POC)。收集并存储在此过程中所有***工作点所对应的***变量值。
电压稳定裕度的计算功法如下:
其中PPOC为当前***能够传输的最大有功功率,即崩溃点处的最大负荷。POP为当先运行状态下的***有功功率。VSM即可表征当前运行点到电压崩溃点间的“距离”。
静态电压稳定特征提取模块:提取与电压稳定裕度相关性最大且冗余性最小(MRMR)的特征集。其中包含了基于信息冗余性的MRMR算法,旨在找到一组与目标变量相关性最大的特征变量集,且变量集中特征相互之间的相关性最小。多次运用MRMR算法,则可以得到多个不同的特征集。
MRMR算法,其核心思想是找到特征间相关性与冗余性之间差值的最大值,具体通过式(2)实现:
式中H(fi)和H(fj)分别是第i个特征和第j个特征的熵值,{f1,f2,f3…fF}为待提取的特征集,F为特征集中的特征数目,MI(fi,y)表示fi特征与目标类y之间的“相似”程度,MI(fi,fj)表示特征集内部特征间的“相似”程度,具体由下式确定:
其中,fi,x为fi的第x个元素,yx为目标变量y的第x个元素,p(fi,x)和p(yx)分别表示fi,x和yx的边际概率密度函数,p(fi,x,yx)表示它们的联合概率分布,p(fi,x,fi,y)表示fi,xfi,y的联合概率分布。
MRMR算法,是一种增量搜索过程,称为“一阶算法”,具体累加搜索流程如下:
(a)第一个特征选择。每个候选特征与目标类之间的互信息值由式(3)计算得到。为选定的特性创建数据集(D),并选择MI值最高的特性(fi,y)作为第一个选定的特性。
(b)第二个特征选择。第一个选定特征与其他候选特征之间的互信息值由式(4)计算得到。选择MI(fi,fj)值最小的特征作为第二个选择特征。
(c)随后的特征选择。有了这两个选择特征的数据,数据集D中的相关性和冗余分别可由式(3)和式(4)计算得到。此后不断应用如(2)式所示的信息冗余性最优算法,逐项选取子特征。如果已达到选定特征的指定数量,则算法终止。
拓扑变换模块:通过曲线拟合技术构建不同变量与对应电压稳定裕度之间的数学解析关系。
拓扑变换模块:对于每个拓扑,记录其获得的电压稳定裕度函数表达式和相应的参数。如果电力***中检测到未知的拓扑变化,则根据最新的当前运行情况重新提取特征变量集和构建数学解析关系,生成新的待评估的模型。
在线评估模块:使用电力***获得的新变量数据,可以通过获得的电压稳定裕度表达式直接进行电压安稳评估,并将结果反馈给现场调度人员,以便及时做出决策。
实施例:
实施例中整体框架如图1所示,***主要由基础数据提取与存储模块,静态电压稳定特征提取模块,拓扑变换模块和在线评估模块组成。基础数据提取与存储模块,其目的是基于现场PMU的大型历史数据集,建立一个近似于所有随机变量概率分布的统计模型;静态电压稳定特征提取模块,构造了与电压稳定裕度相关性最大且冗余性最小的特征集;拓扑变换模块中,通过曲线拟合,构建不同变量与对应VSM之间的拓扑关系;在线评估模块,通过电力***获得的新变量数据,可以通过表达式直接估计VSM,并将结果反馈给现场调度人员,以便及时做出决策。
实施例的总体执行流程图如图2所示,具体包含以下几个步骤:
(1)利用MATLAB和Python程序对PSS/E仿真器进行控制,自动采集PSS/E数据,建立一个记录操作变量及相应VSM的电力***大数据集,并通过式(1)计算各个运行点所对应的电压稳定裕度VSM。
(2)通过MRMR算法,构建了操作变量与VSM之间的关系,并记录不同网络拓扑的表达式。
(3)当新的运行条件出现时,比较当前拓扑和数据集中已有的拓扑,确定该拓扑是否已被记录。
(3’)若该拓扑为数据集中已有的拓扑类型,则使用相应的特征集和表达式。
(3”)若该拓扑为新的拓扑,则在新的运行条件下,将MRMR过程运用到新的拓扑中,得到新的表达式。
(4)根据得到的关系,对当前的运行点进行电压稳定裕度评估。
图3为本发明中基础数据提取与存储模块的组成框图。在该模块中,***首先随机选取负荷参数的分布函数,同时,利用最优潮流(OPF)确定实际/无功功率分布和分接开关位置等其他变量。然后,生成原始的发电机/负载分布。不同的发电机/负载增加方向,使相同的原始发电机/负载分布产生不同的电压稳定边界点。为了记录更多的电力***行为,增加知识库,本发明将不同区域的负荷增长率设为不同,并保持功率因数不变。同时,增量负荷主要通过同一区域的发电机进行平衡。结果是增加方向类似于实际的负荷增加方向。不断对***中的负荷/发电机输出功率进行增加,直到***到达静态电压崩溃点。收集并存储在此过程中所有***工作点所对应的***变量值。
图4为本发明中静态电压稳定特征提取模块的组成框图。具体工作流程为:
(1)相关性计算。通过计算数据集D与目标类y的相关性和特征与目标类y之间的“相似”程度,找出与目标变量相关性最大的特征。
(2)冗余计算。通过计算所选特征值可能存在的冗余,筛选出与目标变量冗余性最小的特征。
(3)MRMR算法。通过MRMR算法,找到一组与目标变量相关性最大的特征,且它们之间的相关性最小。
作为本发明的一种优选方案,本实施例中相关参数设置如下:
(1)在PSS/E***中,测试并生成各种不同的电压裕度的工作点8168个,每个工作点中含有31838个变量。
(2)在生成的8168个样本中,随机选择其中6535个样本进行训练,1633个样本留作测试。
(3)然后并行生成10个MRMR特征集(M=10),每个MRMR特征集中包含有5个特征变量(N=5)。
图5为本发明中拓扑变换模块的组成框图。具体工作流程为:
(1)通过MRMR算法,构建了操作变量与VSM之间的关系,并记录不同网络拓扑的表达式。
(2)当新的运行条件出现时,比较当前拓扑和数据集中已有的拓扑,确定该拓扑是否已被记录。
(3)若该拓扑为数据集中已有的拓扑,则使用相应的特征集和表达式。
(4)若该拓扑为新的拓扑,则在新的运行条件下,将MRMR算法应用到新的拓扑中,得到新的表达式。
作为本发明的一种优选方案,最终获得的第一个MRMR特征集中的特征变量类型,以及各个特征变量与电压稳定裕度之间的数学函数关系如下表所示;
作为本发明的一种优选方案,在在线评估模块中,由于多个MRMR过程中会产生有10个不同的解决方案,每个选择的特性集可以提供VSM估计值,最终能够提供更准确结果的聚合决策。
本发明在1648总线***评估的统计准确性测试结果如下表:
相关的测试计算时间如下表所示:
相关测试结果表明,如果在1648母线***中遇到新的拓扑结构,在线更新阶段可以在10分钟内给出准确的评估结果。如果将电力***的拓扑记录在已知拓扑列表中,程序可以在0.67秒内给出评估结果。完全能够满足在线评估的要求。
实施例的最终测试结果表明,用MRMR方法可以更有效、更完整地表示目标类信息。同时,与其他透明AIS工具相比,MRMR方法具有更高的评估准确率。当遇到以前未见过的拓扑变化时,MRMR技术可以使用新获得的示例刷新所选的变量和相应的函数表达式。MRMR方法具有快速的训练和预测速度,可以满足实时在线使用的要求。在实际应用中,推荐使用样本量、并行MRMR过程的数量和每个特征集中等于或大于实验确定的参数的变量数量。
Claims (10)
1.基于信息最大相关的大规模电网电压稳定裕度评估***,其特征在于包括:基础数据提取与存储模块、静态电压稳定特征提取模块、拓扑变换模块、在线评估模块;
所述基础数据提取与存储模块,其用于基于现场/历史PMU数据,或利用MATLAB和Python程序对电力***仿真软件PSS/E进行控制,采集不同工作点下的电力***运行数据,最终获得一个能够近似表征当前电力***所有运行特征的电力***大数据集;然后针对每一个工作点,计算其对应的电压稳定裕度VSM;
所述静态电压稳定特征提取模块,其用于提取与电压稳定裕度相关性最大、且冗余性最小MRMR的特征集,其中包含了基于信息冗余性的MRMR算法,用于找到一组与目标变量相关性最大的特征变量集,且变量集中特征相互之间的相关性最小;多次运用MRMR算法,则能够得到多个不同的特征集;
所述拓扑变换模块,构建不同变量与对应电压稳定裕度之间的数学解析关系,对于每个拓扑,记录其获得的电压稳定裕度函数表达式和相应的参数,如果电力***中检测到未知的拓扑变化,则根据最新的当前运行情况重新提取特征变量集和构建数学解析关系,生成新的待评估的模型;
所述在线评估模块,其用于使用电力***获得的新变量数据,通过获得的电压稳定裕度表达式直接进行电压安稳评估,并将结果反馈给现场调度人员。
2.根据权利要求1所述基于信息最大相关的大规模电网电压稳定裕度评估***,其特征在于:所述基础数据提取与存储模块中,利用MATLAB和Python程序采集不同工作点下的电力***运行数据包括:***首先随机选取负荷参数的分布函数,同时,利用最优潮流OPF确定实际/无功功率分布和分接开关位置等其他变量;然后,生成原始的发电机/负载分布;不同的发电机/负载增加方向,使相同的原始发电机/负载分布产生不同的电压稳定边界点;该***将不同区域的负荷增长率设为不同,并在同一区域内保持功率因数不变;同时,增量负荷主要通过同一区域的发电机进行平衡;结果是增加方向类似于实际的负荷增加方向;不断对***中的负荷/发电机输出功率进行增加,直到***到达静态电压崩溃点POC;收集并存储在此过程中所有***工作点所对应的***变量值。
3.根据权利要求1所述基于信息最大相关的大规模电网电压稳定裕度评估***,其特征在于:所述基础数据提取与存储模块中,电压稳定裕度VSM计算方法如下:
其中:PPOC为当前***能够传输的最大有功功率,即崩溃点处的最大负荷;POP为当先运行状态下的***有功功率;VSM即可表征当前运行点到电压崩溃点间的距离。
4.根据权利要求1所述基于信息最大相关的大规模电网电压稳定裕度评估***,其特征在于:所述静态电压稳定特征提取模块中,MRMR算法,其核心思想是找到特征间相关性与冗余性之间差值的最大值,具体通过式(2)实现:
式中:H(fi)和H(fj)分别是第i个特征和第j个特征的熵值,{f1,f2,f3…fF}为待提取的特征集,F为特征集中的特征数目,MI(fi,y)表示fi特征与目标类y之间的“相似”程度,MI(fi,fj)表示特征集内部特征间的“相似”程度,具体由下式确定:
其中,fi,x为fi的第x个元素,yx为目标变量y的第x个元素,p(fi,x)和p(yx)分别表示fi,x和yx的边际概率密度函数,p(fi,x,yx)表示它们的联合概率分布,p(fi,x,fi,y)表示fi,x fi,y的联合概率分布。
5.根据权利要求1所述基于信息最大相关的大规模电网电压稳定裕度评估***,其特征在于:所述静态电压稳定特征提取模块中,MRMR算法累加搜索流程如下:
(a)第一个特征选择;每个候选特征与目标类之间的互信息值由式(3)计算得到;为选定的特性创建数据集(D),并选择MI值最高的特性(fi,y)作为第一个选定的特性;
(b)第二个特征选择;第一个选定特征与其他候选特征之间的互信息值由式(4)计算得到;选择MI(fi,fj)值最小的特征作为第二个选择特征;
(c)随后的特征选择;有了这两个选择特征的数据,数据集D中的相关性和冗余分别可由式(3)和式(4)计算得到;此后不断应用如(2)式所示的信息冗余性最优算法,逐项选取子特征;如果已达到选定特征的指定数量,则算法终止。
6.基于信息最大相关的大规模电网电压稳定裕度评估方法,其特征在于包括以下步骤:
(1)、基于现场/历史PMU数据,或利用MATLAB和Python程序对电力***仿真软件PSS/E进行控制,采集不同工作点下的电力***运行数据,最终获得一个能够近似表征当前电力***所有运行特征的电力***大数据集;然后针对每一个工作点,计算其对应的电压稳定裕度VSM;
(2)、通过多次运用MRMR算法,在电力***大数据集中,提取M个不同的特征集,每个特征集中有N个变量,这些变量与***的电压稳定裕度相关性最大,且同一特征集内的特征之间相关性最小;具体的MRMR具体算法包含相关性计算,冗余性计算和MRMR计算三个部分;
(3)、利用MATLAB中的曲线拟合模块构建所选变量与VSM之间关系的函数表达式;
(4)、当检测到***拓扑发生变化,则变量与VSM之间将出现新的解析关系,即已有的表达式不再适用;此时需要在新的运行条件下将MRMR过程运用到新的拓扑中,得到变量与VSM的新的关系,实现数据在线更新;
(5)、通过电力***获得的新变量数据,可以通过表达式直接估计VSM;并将结果反馈给现场调度人员,以便及时做出决策。
7.根据权利要求6所述基于信息最大相关的大规模电网电压稳定裕度评估方法,其特征在于:所述步骤(2)中的最大关联最小冗余(MRMR)算法,其目标是在相互信息的基础上找到一组相关的互补特征;这一技术的基础是,如果两个特征之间有密切的联系,则它们在分类或预测中起着相似的作用;因此,不需要将两者都包含在选定的特性集中,不管它们是否与目标对象类高度相关;MRMR算法包括关联性计算和冗余性计算两部分;具体地,电力***数据集D表示为S样本和F={f1,f2,f3…fF}特征(操作参数);y是目标变量VSM;MRMR算法的目标是寻找子空间M={m1,m2,m3….mM},RM;从F和RF可以全面互补地刻画目标y类。
8.根据权利要求6所述基于信息最大相关的大规模电网电压稳定裕度评估方法,其特征在于:所述步骤(2)中的相关性计算的方法如下:
数据集D与目标类y的相关性(记为U(D,y))由各个特征与目标类y之间的所有互信息(MI)值的平均值来度量,如下所示:
其中F为特征集的大小;MI(fi,y)表示特征与目标类y之间的“相似”程度,定义如下;
其中,fi,x为fi的第x个元素,yx为目标变量y的第x个元素,p(fi,x)和p(yx)分别表示fi,x和yx的边际概率密度函数,p(fi,x,yx)表示它们的联合概率分布;
所述步骤(2)中的冗余性计算的方法如下:
根据公式(2)选取的特征之间可能存在有冗余;V(F)表示不同特征间的相似(冗余)程度,可由式(4)计算:
其中fi,fj分别表示第i和第j个特征,MI(fi,fj)由式(5)计算,表示它们的相互信息;
其中,p(fi,x,fi,y)表示fi,x fi,y的联合概率分布;
所述步骤(2)中的最终的MRMR计算的方法如下:
最大相关最小冗余算法的目标是找到一组与目标变量相关性最大的特征(VSM),且根据上面的表达式(2)和(4),它们之间的相关性最小;在实践中,最大关联U(D,y)和最小冗余V(F)不能总是同时实现;进行了优化,将它们组合成一个标准,由表达式(6)给出;其中,H(fi)和H(fj)分别是第i个特征和第j个特征的熵;
9.根据权利要求6所述基于信息最大相关的大规模电网电压稳定裕度评估方法,其特征在于:所述步骤(2)中的MRMR算法是一种增量搜索过程,称为“一阶算法”,累加和如下所示:
a)第一个特征选择;每个候选特征与目标类之间的互信息值由式(3)计算得到;为选定的特性创建数据集(D),并选择MI值最高的特性(fi,y)作为第一个选定的特性;
b)第二个特征选择;第一个选定特征与其他候选特征之间的互信息值由式(5)计算得到;选择MI(fi,fj)值最小的特征作为第二个选择特征;
c)随后的特征选择;有了这两个选择特征的数据,数据集D中的相关性和冗余分别由式(2)和式(4)计算得到;实现了最大相关最小冗余准则,其表达式为式(6);通过重复使用该准则,逐项选取子特征;如果已达到选定特征的指定数量,则算法终止。
10.根据权利要求6所述基于信息最大相关的大规模电网电压稳定裕度评估方法,其特征在于:所述步骤(5)中,利用式(7)计算最终的评价结果RF;
M为所选特征集合的总数,N为每个特征集合中的变量数,Rij为第i个特征集合中第j个特征变量对应的估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296116.9A CN109378834A (zh) | 2018-11-01 | 2018-11-01 | 基于信息最大相关的大规模电网电压稳定裕度评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811296116.9A CN109378834A (zh) | 2018-11-01 | 2018-11-01 | 基于信息最大相关的大规模电网电压稳定裕度评估*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109378834A true CN109378834A (zh) | 2019-02-22 |
Family
ID=65391071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811296116.9A Pending CN109378834A (zh) | 2018-11-01 | 2018-11-01 | 基于信息最大相关的大规模电网电压稳定裕度评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109378834A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814394A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
CN111860600A (zh) * | 2020-06-22 | 2020-10-30 | 国家电网有限公司 | 一种基于最大相关最小冗余判据的用户用电特征选择方法 |
CN114266396A (zh) * | 2021-12-21 | 2022-04-01 | 国网天津市电力公司 | 一种基于电网特征智能筛选的暂态稳定判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207799A1 (en) * | 2013-01-21 | 2014-07-24 | International Business Machines Corporation | Hill-climbing feature selection with max-relevancy and minimum redundancy criteria |
US20140207764A1 (en) * | 2013-01-21 | 2014-07-24 | International Business Machines Corporation | Dynamic feature selection with max-relevancy and minimum redundancy criteria |
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力***暂态稳定评估方法 |
CN108667007A (zh) * | 2018-04-16 | 2018-10-16 | 清华大学 | 计及电-气耦合***约束的电压稳定裕度计算方法 |
-
2018
- 2018-11-01 CN CN201811296116.9A patent/CN109378834A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140207799A1 (en) * | 2013-01-21 | 2014-07-24 | International Business Machines Corporation | Hill-climbing feature selection with max-relevancy and minimum redundancy criteria |
US20140207764A1 (en) * | 2013-01-21 | 2014-07-24 | International Business Machines Corporation | Dynamic feature selection with max-relevancy and minimum redundancy criteria |
CN107171315A (zh) * | 2017-05-18 | 2017-09-15 | 广东电网有限责任公司电力科学研究院 | 一种基于rptsvm的电力***暂态稳定评估方法 |
CN108667007A (zh) * | 2018-04-16 | 2018-10-16 | 清华大学 | 计及电-气耦合***约束的电压稳定裕度计算方法 |
Non-Patent Citations (1)
Title |
---|
YOUPING FAN; XIN LI; PENG ZHANG: "Real-Time Static Voltage Stability Assessment in Large-Scale Power Systems Based on Maximum-Relevance Minimum-Redundancy Ensemble Approach", 《IEEE》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860600A (zh) * | 2020-06-22 | 2020-10-30 | 国家电网有限公司 | 一种基于最大相关最小冗余判据的用户用电特征选择方法 |
CN111814394A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
CN111814394B (zh) * | 2020-06-30 | 2023-08-25 | 三峡大学 | 一种基于相关性和冗余性检测的电力***安全评估方法 |
CN114266396A (zh) * | 2021-12-21 | 2022-04-01 | 国网天津市电力公司 | 一种基于电网特征智能筛选的暂态稳定判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
Cui et al. | Ambient synchrophasor measurement based system inertia estimation | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及*** | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估*** | |
TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
CN109378835A (zh) | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** | |
CN112994097A (zh) | 一种基于智能配变终端***的高比例分布式光伏协同控制方法 | |
CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN114240003A (zh) | 一种新能源出力预测方法、***、存储介质及设备 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN111582630A (zh) | 一种用于确定低压台区线损率评估值的方法及*** | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
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 | |
CN116502894A (zh) | 光伏台区停电风险评估方法、装置、电子设备及存储介质 | |
CN115296295B (zh) | 基于聚类分析和图论的低压配电台区拓扑辨识方法及*** | |
CN116911161A (zh) | 一种结合数据增强的深度学习暂态电压稳定评估方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Menke | A comprehensive approach to implement monitoring and state estimation in distribution grids with a low number of measurements | |
CN115809761B (zh) | 一种基于低压台区的电压质量分析方法及*** | |
Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
Xie et al. | Online long-term voltage stability assessment based on time series shapelet extraction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |