基于强化学习的混合元启发式暂态电压稳定特征选择方法及可解释性研究

新型电力系统发展背景下,使用有效的特征选择方法来提取与暂态电压稳定强相关的关键响应特征,对研究暂态电压失稳机理与系统潜在安全隐患具有重要意义。为此,提出一种基于改进过滤法与混合元启发式包装法的复合框架进行特征选择的新方法。基于对称不确定性值改进的最大相关最小冗余性准则进行特征粗筛;将Q学习强化学习融合至元启发式优化算法中,并采用开发探索折衷策略以增强特征细选能力,获取最优关键响应特征子集。在此基础上,采用沙普利值加性解释归因理论综合分析各筛选特征对暂态电压稳定的影响与系统薄弱环节。新型电力系统算例验证了所提方法的有效性。     

基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估

在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中,恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述,选择输电断面作为主要特征;基于时序邻域信息度量算法,依据累积贡献率对特征降序排列,并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现冗余特征的剔除,形成稳定特征子集;在应用电网稳定特征子集进行态势评估场景中,采用改进的多尺度主元分析法对稳定相关信息进行提取,通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE 39节点算例系统,仿真结果验证了文中所提方法的有效性。     

一种数据驱动的暂态电压稳定评估方法及其可解释性研究

将数据驱动方法用于电力系统暂态电压稳定评估可以较好地兼顾预测速度与准确性,但存在模型泛化能力不佳及可解释性差等问题。利用系统故障后采集的物理量作为输入特征,基于支持类别特征的梯度提升(gradient boosting with categorical features support,Catboost)算法构建暂态电压稳定评估模型。在模型训练中采用排序提升的方法避免预测偏移问题,提升准确性;使用对称决策树以提高计算效率;同时考虑数据的类别不平衡特性,采用代价敏感手段提高模型的分类性能。为了提高模型的可解释性,提出基于SHAP理论的暂态电压稳定评估归因分析框架,通过计算Shapley值的平均绝对值大小得到暂态电压稳定特征重要性排序,并根据每个特征的边际贡献,进一步量化不同输入特征对模型输出结果的影响。在新英格兰10机39节点系统上的测试结果表明,所提方法比其他机器学习算法具有更高的预测准确性与更快的预测速度,基于Shapley值的归因分析方法能够有效地解释输入特征对暂态电压稳定的影响以及机器学习模型对样本的预测结果。     

基于交叠概率的暂态电压稳定评估特征选择

针对电力系统的高维特征量,提出了一种能有效降低维数的特征选择方法.该方法以最小概率落入类别间的不可判别区域为原则选取特征组合.算法核心在于特征组合过滤判据的确定,判据的形成基于样本点落入类别间交叠区域的概率,方法简易直观.针对系统的暂态电压稳定评估问题,首先构建了一组暂态电压稳定评估的原始特征属性集,将经特征选择降维后的特征组合作为决策树的输入,并用10倍交叉验证方法对评估结果进行验证.2个标准系统的算例表明,通过该方法对暂态电压稳定评估进行特征选择得到的特征属性组合在电压稳定评估的应用上具有更高的准确率     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择.通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性.     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

改进主成分分析法用于暂态稳定评估的输入特征选择

在不损失原始数据主要信息的前提下，利用主成分分析进行输入特征变量的选择。考虑到主成分分析在数据标准化和处理非线性问题方面存在的局限性，采用一种改进的主成分分析法，进行特征选择。同时，针对电力系统暂态稳定分析中影响稳定性的关键因素在向量空间具有一定相似性的特点，采用动态聚类的方法将数据集分成若干并行子集，进一步压缩数据输入空间的大小，提高运算速度和效果。最后，利用关联分类法对数据进行分类和预测。通过对3机9节点系统的仿真试算，验证了该方法的有效性。     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题.针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法.该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择.这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率.通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性.     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题。针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法。该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择。这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率。通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性。     

基于轨迹断面特征根的电力系统暂态稳定定量评估

针对现有暂态稳定定量评估计算速度慢的问题,基于轨迹断面特征根研究了电力系统暂态稳定定量评估方法.基于单机无穷大系统研究了轨迹断面特征根对极限切除角的影响,并采用斯皮尔曼分析研究了极限切除时间(critical clearing time,CCT)与轨迹断面特征根的相关性,在此基础上通过自组织特征映射(self-organization feature map,SOFM)和反向传播(back propagation,BP)神经网络建立了电力系统CCT评估模型,并通过WSCC-3机9节点算例验证本文方法有效性.结果 表明,轨迹断面特征根与系统CCT存在显著相关,基于轨迹断面特征根可以有效对电力系统暂态稳定定量评估.     

基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度。首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估。通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率。     

基于风险的暂态稳定性安全评估方法在电力系统中的应用

介绍了基于风险的安全性评估方法的基本原理以及如何获取线路发生故障的概率和故障导致暂态失稳的概率，还介绍了暂态失稳的后果模型，并在此基础上建立一完整的风险指标。暂态稳定性风险评估能够为安全性和经济性之间提供联系，为更准确地分析电力系统提供了方便。最后结合阳城电厂向江苏电网送电的实例，说明了该方法在江苏电网中的应用。     

基于蚁群优化算法和k阶近邻法的暂态稳定评估特征选择

提出了基于蚁群优化算法和k阶近邻法相结合的嵌入式特征选择算法.选择稳态潮流量构成电力系统暂态稳定评估的输入特征集,针对输入特征集包含的大量冗余信息,特征选择结果中可能包含一定冗余特征的缺陷,先用聚类的方法裁剪冗余性特征,然后用所提算法选择和稳定状况强相关的关键特征,提高了特征选择的 效率.通过对3机9节点和10机...     

基于Transformer的暂态稳定评估模型的可解释性分析与模型更新研究

深度学习算法在电力系统暂态稳定性评估问题上有着优秀的表现,然而模型评估结果的不可知性与决策过程的不可控性阻碍了其在实际中进一步的应用。构建了基于Transformer编码器的暂态稳定评估模型,尝试通过模型对于特征量的注意力权重,解释和分析模型所关注和学习到的规则。在此基础上,结合可解释性结果提出了一种利用物理信息指导模型优化的模型更新方法。从模型的损失函数出发,通过微调的方式修正模型对特征量的注意力权重分布,加强对于样本失稳模式的挖掘。在微调模型的过程中,引入注意力引导函数提高对特定失稳模式关键机组的关注度,以减少对于特定失稳模式样本的误判,进一步提高整体的预测精度。在IEEE39节点系统和华东电网系统的仿真均验证了该方法的有效性。     

人工神经网络和短时仿真结合的暂态安全评估事故筛选方法

结合人工神经网络（ANN）和短时数字仿真提出一个用于在线暂态安全评估的事故筛选方法 ,将3层BP网络作为模式分类器,用来建立稳定评估结果和所选特征量之间的映射关系 。在故 障切除时刻终止的短时数字仿真被用来生成ANN的输入量,每个ANN处理一个特定的事故状态 。使用一个半监督学习算法,ANN可产生一个能够指示相对稳定度的连续分布的暂态稳定指 标。基于这个连续分布的稳定指标,设置一个相对保守的分类门槛值,避免了不安全状态的 漏报。10机新英格兰电力系统的应用结果证实了该方法的有效性。     

交直流混联系统暂态功角稳定评估及特征量可解释性分析

相较传统电力系统,含新能源的交直流混联系统结构更加复杂,其稳定评估难度更大,且稳定影响因素的甄别和解释性较差。针对上述问题,首先选择新能源和直流特征量作为稳定评估模型的输入,并由sigmoid函数得到样本预测值与稳定结果之间的关系,提出一种基于极致梯度提升树(extreme gradient Boosting, XGBoost)的交直流混联系统暂态功角稳定评估方法;为进一步分析特征量对系统暂态功角稳定的影响,提出基于SHAP(Shapley additive explanations)的特征量可解释分析方法,从全局说明新能源和直流特征量的重要性,并从全部样本的角度反映各特征量值本身的大小与稳定结果的促进和抑制关系,再从局部得到特征量对单个样本稳定结果的影响;最后在某500 kV实际交直流混联系统上进行仿真验证,证实了该评估方法的准确率较高且SHAP能有效解释新能源和直流特征量对交直流混联系统暂态功角稳定的影响。     

电力系统暂态电压稳定评估的混合智能特征双重筛选方法

含高比例新能源与直流接入的电力系统暂态电压稳定特征呈高维冗余性,影响基于数据驱动评估模型的效率和性能。为此,在构建一组适应含高比例新能源和直流接入场景的完备特征集合基础上,提出一种基于改进Relief算法和改进群智能优化算法双重筛选的混合智能特征选择方法,以降低原始特征维度,提高模型稳定评估的效率和准确率。首先,通过时序分层处理对原始Relief算法进行时序改进,并利用该改进算法进行特征的有效性度量,以消除分类低效特征,得到降维后的初筛特征子集;随后,融合特征有效性度量值对群智能优化算法进行搜索性能增强。再以此增强算法为寻优策略,并以时序分类模型卷积门控循环单元(convolution gated recurrent unit,ConvGRU)为分类器,构成基于群智能优化算法的封装式特征选择方案,进一步实现特征子集寻优。最后,通过算例对比分析,该方法下高维特征维度能压缩80%以上,且所选特征子集能有效提高评估模型的准确率,验证该方法对于高维时序特征筛选处理的有效性及必要性。     

基于增强进化计算的电力系统暂态稳定关键特征智能选择方法EI北大核心CSCD

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。     

Hadoop架构下基于分布式粒子群算法的暂态稳定评估特征量选择EI北大核心CSCD

特征量选择是基于机器学习的电力系统暂态稳定评估的重要环节。针对现有特征量选择方法存在分类判据选择效果不佳和初始特征集构建不全面等问题,提出一种基于改进分类判据和考虑单机特征的特征量选择方法。首先以基于类内类间离散度的分类判据为基础,对类内类间离散度进行改进,同时基于信息熵提出特征熵的概念用于衡量低维特征组合中各特征量在初始特征集中的重要程度,进一步提出基于改进类内类间离散度和特征熵的分类判据;其次,利用系统特征和可表征临界机组特性的单机特征构建初始特征集,且为尽量避免所提特征量选择方法出现维数灾问题,提出用于特征量选择的Hadoop架构下分布式粒子群算法;最后,以EPRI-36节点系统和某实际系统为算例验证所提方法的有效性。