[发明专利]一种电压稳定评估的训练集循环分裂训练方法

说明书

一种电压稳定评估的训练集循环分裂训练方法，它将高效样本集采用十倍交叉验证法分为训练集和测试集，将其送入到伞式NP分类器中进行模型离线训练，基于伞式算法对多种传统分离器进行改造，得到一系列对应NP分类器的伞式NP分类器；在模型训练阶段，在保证总体分类精度的前提下，根据一类分类错误和二类分类错误性质的不同基于伞式NP分类器对一类误分类错误设置一类分类错误阈值上限进行约束，并且通过设置训练集循环分裂训练次数M控制每种NP分类器的训练模式，获得一系列子NP分类器，并对各种类型的NP分类器的子NP分类器采用加权投票方式获得各NP分类器的稳定不稳定分类结果，从而优化VSA模型的分类性能。

技术领域

本发明属于电力系统电压稳定评估领域，具体涉及一种电压稳定评估的训练集循环分裂训练方法，本发明是申请号为“2020104264273”发明名称为“基于伞式算法的电力系统电压稳定评估误分类约束方法”的发明专利的分案申请。

背景技术

电力系统是世界上最复杂的工业系统之一，其安全运行一直是系统发展所关注的问题。近年来，现代电力系统的广域互联、可再生能源的投入、新设备的应用、负荷的快速增长、输电容量的局限性等趋势越来越明显。电力系统的运行负担越来越重，运行状态越来越接近极限。静态电压稳定作为一个备受关注的问题，许多大停电事故都与其相关，可能会造成巨大的经济损失和不良的社会影响。因此，进行可靠的电压稳定评估(VoltageStability Assessment，VSA)已引起越来越多的研究人员的兴趣和研究，这对电力系统的安全运行具有重要意义。传统的分析方法用于实时VSA存在耗时、计算速度慢等缺陷，而目前基于数据驱动的解决方案也存在一些限制：

①电力系统VSA中存在两种类型的误分类情况：将不安全状态判断为安全状态的一类分类错误；将安全状态判定为不安全状态的二类分类错误。目前大多数VSA研究主要集中在如何提高VSA的总体分类精度上，容易忽略一类分类错误约束。在实际电力系统运行中，一类分类错误和二类分类错误对系统运行及社会影响是不同的。一类分类错误相较于二类分类错误后果更为严重。②对于VSA性能的研究，传统的VSA模型一般集中于以某一特定数据驱动工具为核心进行VSA模型的构建。对于电力系统复杂多变的运行环境，这种VSA模型提供的结果容易受限于模型本身性能优良，模型的泛化能力不强。③传统的模型训练机制采用比较单一固化的离线与在线相结合方式，当面对新的运行工况时，一般都是当前评估模型不满足评估要求时就立即启动模型重新训练机制。这种模型更新机制，对于系统不可见的运行工况会加大实时VSA时模型离线训练的负担，对离线训练的要求较高。

综上所述，目前的VSA方法不能有效地约束评估误分类给电力系统安全运行带来的影响，且对于电力系统复杂多变的运行环境，在线VSA方法设计也存在一些局限性。

授权公告号为CN105139289A的专利文献公开了一种基于错分代价分类学习的电网暂态电压稳定评估方法，以同步相量测量单元的动态量测数据为基础，从大量动态量测数据构成的时间序列中提取出与电网状态密切相关的关键子序列；通过设定电网稳定、失稳状态的不同错分代价，向学习样本引入权重系数；利用融入样本权重系数的决策树算法进行分类学习，得到决策树模型，将决策树模型用于在线监测，对电网暂态电压稳定状况实施评估。它的缺陷在于：

①不能很好的权衡总体分类精度与一类分类错误率关系，根据VSA不同误分类严重程度不同对一类分类错误进行约束，降低一类分类错误对系统运行的风险；②仅依赖于决策树构造的VSA模型，当数据集中对象属性有缺失值，树的性能可能有问题，且树节点中属性的次序可能对性能具有负面影响。使得仅仅依靠决策树构造的VSA模型的适泛化能力得不到保障；③对于在线VSA的实施，缺乏可靠的模型更新机制，难以保证在线VSA对于不可见的运行工况的有效性。

发明内容

本发明为了解决传统基于数据驱动工具构建的VSA模型在误分类约束及模型更新机制方面存在的局限性，提出基于伞式算法的电力系统电压稳定评估误分类约束方法，使得VSA模型可提供权衡总体分类精度与一类分类错误约束的VSA结果。