CN110428005B - 一种基于伞式算法的电力***动态安全误分类约束方法 - Google Patents
一种基于伞式算法的电力***动态安全误分类约束方法 Download PDFInfo
- Publication number
- CN110428005B CN110428005B CN201910705909.XA CN201910705909A CN110428005B CN 110428005 B CN110428005 B CN 110428005B CN 201910705909 A CN201910705909 A CN 201910705909A CN 110428005 B CN110428005 B CN 110428005B
- Authority
- CN
- China
- Prior art keywords
- classifier
- power system
- algorithm
- umbrella
- misclassification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000001558 permutation test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
Abstract
一种基于伞式算法的电力***动态安全误分类约束方法，步骤1：基于动态安全分类规则，构建相应的动态安全分类标签；步骤2：对基于电力***历史运行数据库构建的初始样本集进行特征选择，获取关键特征集；步骤3：基于伞式算法的奈曼皮尔逊综合分类器构建在线动态安全评估模型，利用关键特征集及相应动态安全分类标签作为输入送入到分类器中进行离线训练；步骤4：考虑各种电力***运行影响因素，进行时域仿真获得更新样本集，送入到综合NP分类器中进行模型更新；步骤5：通过实时收集的同步相量测量单元数据进行在线DSA。本发明能降低DSA误分类对电力***安全运行的影响，减少社会经济损失。
Description
技术领域
本发明属于电力***动态安全评估领域，具体涉及一种基于伞式算法的电力***动态安全误分类约束方法。
背景技术
近年来，随着现代电力***的不断发展，它已成为世界上最复杂、规模最大的人工***之一。同时，电力***在新的运行环境下也面临着严峻的挑战。一方面，由于现代电力***的高度互联耦合，当干扰和故障达到一定程度时，电力***可能会失去稳定，造成严重的灾难性后果。另一方面，由于分布式电源的不断接入以及各种不确定因素都会增加电力***的运行风险。如果操作人员不能快速准确地捕捉到事故安全报警信号，很容易造成事故，导致电力***瘫痪。因此，进行可靠的DSA是十分有必要的。
其中，对于DSA存在的两种误分类：①将不稳定状态判定为稳定状态的一类分类错误；②将稳定状态判定为不稳定状态的二类分类错误，对电力***的危害程度是不一样的。因此从电力***总体分类准确率及误分类后果影响来说，在保持***总体分类精度在可接受范围的前提对一类分类错误进行约束是值得研究的，但目前的DSA研究存在一些局限性：
①很多分类器，如人工神经网络(Artificial Neural Network，ANN)，决策树((Decision Tree，DTs)，支持向量机(Support Vector Machine，SVM)分类器，极限学习机(Extreme Learning Machine，ELM)等等大多集中在如何提高DSA整体分类精度上，将一类分类错误和二类分类错误同等对待，不能对严重的一类分类错误进行优先约束，来降低一类分类错误对***的影响。②一般的电力***DSA方案采用一种分类器构造DSA模型，评估结果过于单调保守且依赖于分类器对***的表现，存在对不同***适用性可能不一样的问题。③对于DSA输出，传统DSA模型输出单一结果，不能准确的反应***的安全状态。
综上所述，目前的DSA分类方法不能有效约束评估误分类给电力***安全运行的影响，降低***运行风险。
授权公告号为CN107171315A的专利文献公开了一种基于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,降低特征集维数和减少冗余信息；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,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，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。它的缺陷在于：
①无法对电力***故障误分类严重程度进行不同约束，设置误分类阈值，容易导致对严重的一类分类错误约束不足，增加***安全运行风险；
②无法避免为***运行人员提供多种具有一类分类错误约束的最佳分类器来构造综合DSA模型，评估性能的优良程度依赖于RPTSVM模型本身；
③无法提供集成的分类结果，仅根据评估的隶属度不能确保结果的可靠性。
发明内容
本发明为了解决众多数据挖掘工具及动态安全评估方案对一类分类错误约束存在的局限问题，提出了一种基于伞式算法的电力***动态安全误分类约束方法，能使得DSA机制更加可靠和灵活，确保在总体分类效果可接受前提下对一类分类错误的约束效果。
为了实现上述发明目的，本发明采取如下技术方案：
一种基于伞式算法的电力***动态安全误分类约束方法，包括以下步骤：
步骤1：基于动态安全分类规则，构建相应的动态安全分类标签；
步骤2：对基于电力***历史运行数据库构建的初始样本集进行特征选择，获取关键特征集；
步骤3：基于伞式算法的奈曼皮尔逊(Neyman-Pearson，NP)综合分类器构建在线动态安全评估(Dynamic Security Assessment，DSA)模型，利用关键特征集及相应动态安全分类标签作为输入送到分类器中进行离线训练；
步骤4：考虑电力***运行拓扑结构变化、发电机/负荷间功率分布变化以及负荷特性变化对***影响，进行时域仿真获得更新样本集，送入到综合NP分类器中进行模型更新；
步骤5：通过实时收集的相量测量单元(Phasor Measurement Units，PMUs)数据进行在线DSA。
在步骤1中，构建相应的动态安全分类标签步骤如下：
(1)根据***故障潮流仿真计算各种工况对应的极限切除时间(CriticalClearing Time，CCT)；
(2)根据动态安全分类规则：当实际切除时间(Actual Clearing Time，ACT)小于等于CCT，***安全，分类标签为1；ACT大于CCT，***不安全，分类标签为0，构建动态安全指标和相应的分类标签如公式(1)和(2)所示；
式中：m为用户自定义阈值。
在步骤2中，对电力***海量运行数据直接进行DSA，存在的数据量大、计算速度慢、耗时等缺陷，采用能够探索两者变量之间非线性关系的最近邻预测独立性检验(BaggingNearest-Neighbor Prediction Independence Test，BNNPT)方法作为特征选择工具进行数据降维。
在步骤3中，将经过特征选择的新样本集按照五倍交叉验证法规则分为训练集和测试集，用于NP分类器训练。
在步骤3中，针对一类分类错误，有别于传统采用一种分类器，基于NP准则的伞式算法对多种传统分类器：随机森林(Random forests，RF)、AdaBoost、支持向量机(SupportVector Machine，SVM)、线性判别分析(Latent Dirichlet Allocation，LDA)、贝叶斯分类器(Naive Bayes，NB)、非参数贝叶斯分类器(Nonparametric Naive Bayes，NNB)、逻辑回归算法(Logistic Regression，Logistic)、处罚逻辑算法(Penalized Logistic，Penlog)进行改造，可同时得到一系列对应NP分类器NP-RF、NP-ADA、NP-SVM、NP-LDA、NP-NB、NP-NNB、NP-Logistic、NP-Penlog。
在步骤3中，基于NP准则的伞式算法在改造传统分类器约束一类分类错误的同时，还具备根据电力***实际需求调节NP分类器参数，设置一类分类错误阈值上限α、违规率δ及训练集循环***训练次数M，进一步控制DSA，确保一类分类错误约束的有效性。
在步骤3中，将关键特征集及相应动态安全分类标签作为输入送到NP分类器训练步骤如下：
(1)根据设定的M，对训练集中的0类样本S0(不稳定判定为稳定的误分类样本)进行二等份随机***得到样本
和样本
结合1类样本S1(稳定判定为不稳定的误分类样本)用于基本分类器；
(2)
用于分类器计算违章率上限υk,计算每个样本等级阈值k*对应的分数阈值
而
结合S1训练各分类器得分函数fi；
k*＝min{k∈(1,...,n):υ(k)≤δ} (4)
(3)将fi应用于
得到一组分数阈值候选项τi，且将τi中元素按递增顺序排序得到sort(τi),并找到等级阈值k*对应的分数阈值
τi＝{ti,1,...,ti,n}＝{fi(x1),...,fi(xn)} (5)
sort(τi)＝{ti,(1),...,ti,(n)} (6)
(4)基于得分函数和阈值如公式(8)所示构造NP分类器：
(5)重复步骤(1)至(4)，将训练集进行循环***训练M次，构造M多个NP分类器，将一类分类错误结果按照公式(9)加权投票的集成方法作为最终结果输出。
在步骤4中，将电力***运行影响因素引起的运行数据送入到离线训练阶段训练好的NP分类器中，按照NP分类器训练过程进行模型更新。
在步骤4中，采用经典接受者操作特性(Price Rate of Change，ROC)曲线改造的ROC带及带下曲线面积(Area Under Curve，AUC)值来评估分类器性能，选择性能优良的NP分类器构造DSA评估模型。
在步骤5中，将PMUs实时收集的***运行数据特征送入到已训练的优良NP分类器中进行在线DSA，计算总体分类准确率、一类分类错误率；
式中：F11,F10,F00,F01分别表示将稳定样本判定为稳定个数，稳定样本判定为不稳定个数，不稳定样本判定为不稳定个数及不稳定样本判定为稳定个数。
采用上述技术方案，能带来以下技术效果：
(1)与一般使用单一分类器的DSA模型相比，本技术方法提出的DSA模型可以同时部署多个NP分类器，有效避免了单一模型对不同***应用时存在的局限性，方便操作人员快速、准确地筛选合适的分类器，保证分类性能。
(2)本技术方法利用NP准则对传统分类器进行改造，可以设定一类分类错误的阈值。区分一类分类错误、二类分类错误对电力***安全稳定运行、社会经济产生的不同影响。将对DSA造成严重后果的一类分类错误优先处理，并控制在允许范围内。同时，为了保证阈值的有效性，对超出阈值的部分再设置违规率进一步约束一类分类错误，保证DSA结果对电力***安全稳定运行的影响最小。
(3)本技术方法为确保实际DSA结果的可靠性，区别于传统的离线训练过程，采用类似集成的综合学习方法应用于一组训练集。通过区分稳定/不稳定样本，利用循环***训练方式构造一系列NP分类器，并对NP分类器结果采用多数投票。因此，这种新型的训练集训练模式可以有效保持一类分类错误输出结果的可靠性。
附图说明
图1是本发明整体方案流程图；
图2是本发明DSA模型示意图；
图3是本发明伞式算法流程图；
图4是本发明不同NP分类器ROC带示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示，一种基于伞式算法的电力***动态安全误分类约束方法，包括以下步骤：
步骤1：基于动态安全分类规则，构建相应的动态安全分类标签；
步骤2：对基于电力***历史运行数据库构建的初始样本集进行特征选择，获取关键特征集；
步骤3：基于伞式算法的奈曼皮尔逊(Neyman-Pearson，NP)综合分类器构建在线动态安全评估(Dynamic Security Assessment，DSA)模型，利用关键特征集及相应动态安全分类标签作为输入送入到分类器中进行离线训练；
步骤4：考虑电力***运行拓扑结构变化、发电机/负荷间功率分布变化以及负荷特性变化对***影响，进行时域仿真获得更新样本集，送入到综合NP分类器中进行模型更新；
步骤5：通过实时收集的相量测量单元(Phasor Measurement Units，PMUs)数据进行在线DSA。
在图1步骤1中：对于涉及故障清除的突发事件，在故障定位中，***中具有较长的CCT被认为是更为稳定，而CCT与ACT之间的关系更是决定***是否稳定。基于此建立***动态安全分类规则，构建相应的动态安全分类标签流程如下，分别对应公式(1)，(2)。
(1)根据***故障潮流仿真计算各种工况对应的极限切除时间(CCT)；
(2)根据动态安全分类规则：当ACT小于等于CCT，***安全，分类标签为1；ACT大于CCT，***不安全，分类标签为0，构建动态安全指标和相应的分类标签。
式中：m为用户自定义阈值。
图1步骤2中：基于电力***数据的海量高维特性，直接将所有的动态数据直接进行DSA，存在计算速度慢、耗时，学习效率不高等问题，对DSA模型性能要求较高。而对于电力***故障，从电气距离角度等因素分析可知，与电力***安全状态相关的特征变量重要性不一样。为了便于***高效准确的DSA学习，在该设计方案中加入BNNPT特征选择环节，对基于电力***历史运行数据库构建的初始样本集进行特征选择，获取关键特征集。
其中，BNNPT算法流程如下。
(1)为长度为N的矩阵向量X构造最近邻XNeighborhood(W行V列)指标矩阵，且当XNeighborhood(i,j)是离Xi最近元素时邻域结构可用时，为Y(W行V列)的每个元素Yj构建最近邻域结构Hi，计算Hi。
Hi＝sum(YNeighborhood(i,j),j)/bags (3)
式中：bags为矩阵构建的最近邻域结构个数。
(2)计算平方误差SE＝||H-Y||2，采用SE检验用X预测Y的准确性，以SE为检验统计量进行排列检验，并对Y中的元素进行多次随机重复测试。计算SErandom≤SE的概率记为P值。
(3)筛选出P值排名靠前的5％的特征作为关键特征量，构成新的关键特征集。
图1步骤3中：为了便于在线DSA的实现，基于历史数据构成的初始样本集进行特征选择，将得到的关键特征集及相应动态安全分类标签作为输入送到基于伞式算法NP综合分类器中进行离线训练，如图2中实线大箭头流程所示。通过采用基于NP准则的伞式算法对多种传统分类器：RF、AdaBoost、SVM、LDA、NB、NNB、Logistic、Penlog改造得到一系列对应NP分类器NP-RF、NP-ADA、NP-SVM、NP-LDA、NP-NB、NP-NNB、NP-Logistic、NP-Penlog。训练流程如图3所示，具体步骤如下。
(1)根据设定的M，对训练集中的0类样本S0进行二等份随机***得到样本
和样本
(i≤M)。结合1类样本S1用于基本分类器。
(2)
用于分类器计算违章率上限υk,计算每个样本等级阈值k*对应的分数阈值
而
结合S1训练各分类器得分函数fi：
k*＝min{k∈(1,...,n):υ(k)≤δ} (5)
(3)将fi应用于
得到一组分数阈值候选项τi，且将τi中元素按递增顺序排序得到sort(τi),并找到等级阈值k*对应的分数阈值
τi＝{ti,1,...,ti,n}＝{fi(x1),...,fi(xn)} (6)
sort(τi)＝{ti,(1),...,ti,(n)} (7)
(4)基于得分函数和阈值构造NP分类器φi(X)：
(5)重复步骤(1)至(4)，将训练集进行循环***训练M次，构造M多个NP分类器，将一类分类错误结果按照加权投票的集成方法作为最终结果输出：
图1步骤4中：由于电力***的运行不是固定的，会受到各种因素影响(***功率分布变化、***拓扑结构的改变及阻抗特性的改变)。因此仅基于离线训练的DSA模型不能适用于实时变化的电力***，通过将新的***运行数据送入到NP分类器中，不断更新DSA模型。通过更新机制使得DSA模型能适用于更多的突发状况。步骤如图2中虚线大箭头所示，按照NP分类器训练过程进行DSA模型的不断更新。
同时基于经典分类器性能评价采用ROC曲线，根据曲线越靠近左上角分类器性能越好及曲线下面积AUC越大分类器性能越好，采用针对NP分类器特有的基于ROC曲线改进的ROC带和其对应AUC值来评估分类器性能，选择性能优良的NP分类器构造DSA评估模型。
图1步骤5中：将PMUs实时收集的***运行数据特征送入到已训练的优良NP分类器中进行在线DSA，计算总体分类准确率及一类分类错误率。
式中：F11,F10,F00,F01分别表示将稳定样本判定为稳定个数，稳定样本判定为不稳定个数，不稳定样本判定为不稳定个数及不稳定样本判定为稳定个数。
实施例：
本发明在一个IEEE 39节点算例***和一个500节点***中进行了测试，其中IEEE39节点***包含39个节点及10台发电机，模拟线路中点三相短路故障。而500节点***包含500个节点、90个发电机、206个负载和466个支路。数据生成和特征选择过程与IEEE 39总线测试***相同，得到了5740条记录。测试是在一台装有Intel Core i7处理器和8GB内存的计算机上执行的。
如图4、表1所示为6个NP分类器的ROC带及其对应的AUC值，可以看出6个NP分类器的ROC带都比较靠近左上角，且上ROC带和下ROC带面积AUC.U和AUC.L均远远大于0.5。因此，这六个NP分类器总体分类性能较好。且在以下IEEE39节点***和500节点***的DSA测试中，选择了性能较好的NP-ADA、NP-RF和NP-SVM三种NP分类器。同时选择α＝0.02，δ＝0.05和M＝1作为分类器基准参数。则基于NP-RF、NP-ADA和NP-SVM的测试结果如表2所示。分别记录***的分类精度及一类分类错误率。可以看出，NP分类器构造的DSA模型，在满足分类精度前提下，可以保证一类分类错误足够小，从而对DSA影响最小的，所提出的DSA综合方案具有良好的应用前景。
表1不同NP分类器AUC值
| ROC带面积 | NP-Penlog | NP-SVM | NP-ADA | NP-RF | NP-NB | NP-NNB |
| AUC.L | 0.9743 | 0.9691 | 0.9721 | 0.9737 | 0.8051 | 0.9146 |
| AUC.U | 0.9937 | 0.9967 | 0.9959 | 0.9975 | 0.8628 | 0.9549 |
表2基准参数条件下三种NP分类器在两个***中的性能测试结果
如表3、表4所示为调整一类分类错误的阈值α和违规率δ分别取值为0.01、0.03、0.05、0.07和0.09时一类分类错误结果。可以看出，随着α的增加，评估的准确性在一定范围内增加，且可以有效地将一类分类错误控制在相应的阈值之内。而在基准条件下通过设置违规率可以进一步约束一类分类错误。因此，为一类分类错误设置一定的阈值和违犯率，可以有效
表3不同阈值α条件下NP分类器的一类分类错误
表4不同违规率δ条件下NP分类器的一类分类错误
降低一类分类错误的发生率，增强DSA评估性能。
如表5所示为调整训练集***次数M为1、3、5、7、9时，不同循环***次数下训练集的一类分类错误结果。可以看出，随着训练集***次数的增加，一类分类错误逐渐减小且趋于稳定。因此，改变训练集的训练方式在约束***的一类分类错误方面具有一定的应用前景。
表5不同训练集***次数M条件下NP分类器的一类分类错误
表6传统分类器与NP分类器的一类分类错误约束对比
如表6所示为了证明该设计方案相较于传统DSA模型具有约束一类分类错误作用，将三种NP分类器与其对应传统分类器分类结果做了对比，通过分析一类分类错误率可知本发明设计方案采用基于伞式算法的NP分类器构造DSA模型确实具有约束DSA一类分类错误功能，且分类结果稳定可信。
Claims (10)
1.一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于，包括以下步骤：
步骤1：基于动态安全分类规则，构建相应的动态安全分类标签；
步骤2：对基于电力***历史运行数据库构建的初始样本集进行特征选择，获取关键特征集；
步骤3：基于伞式算法的奈曼皮尔逊(Neyman-Pearson，NP)综合分类器构建在线动态安全评估(Dynamic Security Assessment，DSA)模型，利用关键特征集及相应动态安全分类标签作为输入送入到分类器中进行离线训练；
步骤4：考虑电力***运行拓扑结构变化、发电机/负荷间功率分布变化以及负荷特性变化对***影响，进行时域仿真获得更新样本集，送入到综合NP分类器中进行模型更新；
步骤5：通过实时收集的相量测量单元(Phasor Measurement Units，PMUs)数据进行在线DSA。
2.根据权利要求1所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤1中，构建相应的动态安全分类标签步骤如下：
(1)根据***故障潮流仿真计算各种工况对应的极限切除时间(Critical ClearingTime，CCT)；
(2)根据动态安全分类规则：当实际切除时间(Actual Clearing Time，ACT)小于等于CCT，***安全，分类标签为1；ACT大于CCT，***不安全，分类标签为0，构建动态安全指标和相应的分类标签如公式(1)和(2)所示；
式中：m为用户自定义阈值。
3.根据权利要求1所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤2中，对电力***海量运行数据直接进行DSA，存在的数据量大、计算速度慢、耗时等缺陷，采用能够探索两者变量之间非线性关系的最近邻预测独立性检验(Bagging Nearest-Neighbor Prediction Independence Test，BNNPT)方法作为特征选择工具进行数据降维。
4.根据权利要求1所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤3中，将经过特征选择的新样本集按照五倍交叉验证法规则分为训练集和测试集，用于NP分类器训练。
5.根据权利要求1或4所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤3中，基于NP准则的伞式算法对多种传统分类器：随机森林(Randomforests，RF)、AdaBoost、支持向量机(Support Vector Machine，SVM)、线性判别分析(Latent Dirichlet Allocation，LDA)、贝叶斯分类器(Naive Bayes，NB)、非参数贝叶斯分类器(Nonparametric Naive Bayes，NNB)、逻辑回归算法(Logistic Regression，Logistic)、处罚逻辑算法(Penalized Logistic，Penlog)进行改造，可同时得到一系列对应NP分类器NP-RF、NP-ADA、NP-SVM、NP-LDA、NP-NB、NP-NNB、NP-Logistic、NP-Penlog。
6.根据权利要求5所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤3中，基于NP准则的伞式算法在改造传统分类器约束一类分类错误的同时，还具备根据电力***实际需求调节NP分类器参数，设置一类分类错误阈值上限α、违规率δ及训练集循环***训练次数M，进一步控制DSA，确保一类分类错误约束的有效性。
7.根据权利要求6所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤3中，将关键特征集及相应动态安全分类标签作为输入送到NP分类器训练步骤如下：
(1)根据设定的M，对训练集中的0类样本S0进行二等份随机***得到样本
和样本
(i≤M)；结合1类样本S1用于基本分类器；0类样本S0指的是不稳定判定为稳定的误分类样本；1类样本S1指的是稳定判定为不稳定的误分类样本；
(2)
用于分类器计算违章率上限υk,计算每个样本等级阈值k*对应的分数阈值
而
结合S1训练各分类器得分函数fi；
k*＝min{k∈(1,...,n):υ(k)≤δ} (4)
(3)将fi应用于
得到一组分数阈值候选项τi，且将τi中元素按递增顺序排序得到sort(τi),并找到等级阈值k*对应的分数阈值
τi＝{ti,1,...,ti,n}＝{fi(x1),...,fi(xn)} (5)
sort(τi)＝{ti,(1),...,ti,(n)} (6)
(4)基于得分函数和阈值如公式(8)所示构造NP分类器：
(5)重复步骤(1)至(4)，将训练集进行循环***训练M次，构造M多个NP分类器，将一类分类错误结果按照公式(9)加权投票的集成方法作为最终结果输出；
8.根据权利要求7所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤4中，将电力***运行影响因素引起的运行数据送入到离线训练阶段训练好的NP分类器中，按照NP分类器训练过程进行模型更新。
9.根据权利要求8所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤4中，采用经典接受者操作特性(Price Rate of Change，ROC)曲线改造的ROC带及带下曲线面积(Area Under Curve，AUC)值来评估分类器性能，选择性能优良的NP分类器构造DSA评估模型。
10.根据权利要求1或2或3或4或6或7或9所述的一种基于伞式算法的电力***动态安全误分类约束方法，其特征在于：在步骤5中，将PMUs实时收集的***运行数据特征送入到已训练的优良NP分类器中进行在线DSA，计算总体分类准确率、一类分类错误率；
式中：F11,F10,F00,F01分别表示将稳定样本判定为稳定个数，稳定样本判定为不稳定个数，不稳定样本判定为不稳定个数及不稳定样本判定为稳定个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910705909.XA CN110428005B (zh) | 2019-07-31 | 2019-07-31 | 一种基于伞式算法的电力***动态安全误分类约束方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910705909.XA CN110428005B (zh) | 2019-07-31 | 2019-07-31 | 一种基于伞式算法的电力***动态安全误分类约束方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110428005A CN110428005A (zh) | 2019-11-08 |
| CN110428005B true CN110428005B (zh) | 2022-11-08 |
Family
ID=68413625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910705909.XA Active CN110428005B (zh) | 2019-07-31 | 2019-07-31 | 一种基于伞式算法的电力***动态安全误分类约束方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110428005B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021130991A1 (ja) * | 2019-12-26 | 2021-07-01 | 楽天グループ株式会社 | 不正検知システム、不正検知方法、及びプログラム |
| CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力***动态安全评估方法 |
| CN111628531B (zh) * | 2020-05-19 | 2022-04-08 | 三峡大学 | 一种针对电力***静态电压稳定评估的数据驱动方法 |
| CN116561573A (zh) * | 2020-05-19 | 2023-08-08 | 三峡大学 | 一种电压稳定评估的训练集循环***训练方法 |
| CN111651932A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 一种基于集成分类模型的电力***在线动态安全评估方法 |
| CN111585277B (zh) * | 2020-05-19 | 2022-04-08 | 三峡大学 | 一种基于混合集成模型的电力***动态安全评估方法 |
| 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 |
Citations (3)
| 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 |
| CN109726766A (zh) * | 2019-01-04 | 2019-05-07 | 三峡大学 | 一种基于集成决策树的电力***在线动态安全评估方法 |
| CN109829627A (zh) * | 2019-01-04 | 2019-05-31 | 三峡大学 | 一种基于集成学习方案的电力***动态安全置信评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080133434A1 (en) * | 2004-11-12 | 2008-06-05 | Adnan Asar | Method and apparatus for predictive modeling & analysis for knowledge discovery |
-
2019
- 2019-07-31 CN CN201910705909.XA patent/CN110428005B/zh active Active
Patent Citations (3)
| 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 |
| CN109726766A (zh) * | 2019-01-04 | 2019-05-07 | 三峡大学 | 一种基于集成决策树的电力***在线动态安全评估方法 |
| CN109829627A (zh) * | 2019-01-04 | 2019-05-31 | 三峡大学 | 一种基于集成学习方案的电力***动态安全置信评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110428005A (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428005B (zh) | 一种基于伞式算法的电力***动态安全误分类约束方法 | |
| CN101464964B (zh) | 一种设备故障诊断的支持向量机模式识别方法 | |
| Pinzón et al. | Real-time multi-state classification of short-term voltage stability based on multivariate time series machine learning | |
| Zareipour et al. | Classification of future electricity market prices | |
| CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及*** | |
| CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及*** | |
| CN111652478B (zh) | 基于伞式算法的电力***电压稳定评估误分类约束方法 | |
| Mukherjee et al. | Development of an ensemble decision tree-based power system dynamic security state predictor | |
| CN111400966B (zh) | 一种基于改进AdaBoost的电力***静态电压稳定评估方法 | |
| 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 | |
| Wang et al. | Transient stability assessment of a power system using multi-layer SVM method | |
| Arefi et al. | Ensemble adaptive neuro fuzzy support vector machine for prediction of transient stability | |
| CN111651932A (zh) | 一种基于集成分类模型的电力***在线动态安全评估方法 | |
| CN111585277B (zh) | 一种基于混合集成模型的电力***动态安全评估方法 | |
| Ramirez-Gonzalez et al. | Convolutional neural network based approach for static security assessment of power systems | |
| Lin et al. | A data-driven scheme based on sparse projection oblique randomer forests for real-time dynamic security assessment | |
| Bakar et al. | Improvement of transformer dissolved gas analysis interpretation using J48 decision tree model | |
| Javan et al. | On-line voltage and power flow contingencies ranking using enhanced radial basis function neural network and kernel principal component analysis | |
| Massaoudi et al. | Short-term dynamic voltage stability status estimation using multilayer neural networks | |
| CN111814394B (zh) | 一种基于相关性和冗余性检测的电力***安全评估方法 | |
| Zamzam et al. | A two-stage CNN-LSTM model-based transient stability assessment for power system | |
| Dharmapala et al. | Short-term voltage instability prediction using pre-identified voltage templates and machine learning classifiers | |
| Awadalla et al. | Classification of faults in nuclear power plant | |
| Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
| Hadiki et al. | Transformers Faults Prediction Using Machine Learning Approach |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Songkai Inventor after: Wang Feng Inventor after: Wang Can Inventor after: Zhao Ping Inventor after: Wen Bin Inventor after: Mao Dan Inventor after: Liu Lihuang Inventor after: Zhang Lei Inventor after: Zhong Hao Inventor after: Zhang Tao Inventor after: Li Zhenhua Inventor after: Ye Jing Inventor after: Li Peng Inventor before: Liu Songkai Inventor before: Wang Feng Inventor before: Wang Can Inventor before: Zhao Ping Inventor before: Wen Bin Inventor before: Li Dan Inventor before: Liu Lihuang Inventor before: Zhang Lei Inventor before: Zhong Hao Inventor before: Zhang Tao Inventor before: Li Zhenhua Inventor before: Ye Jing Inventor before: Li Peng |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |