[发明专利]一种基于机器学习的电网全局延时态势感知方法

权利要求书

1.一种基于机器学习的电网全局延时态势感知方法，其特征在于，所述方法包括：

利用采样节点的测量值，建立样本矩阵；

根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值；

压缩所述样本矩阵的维度，并利用压缩维度后的样本矩阵训练分类器；

利用所述分类器预测下一时刻的电网状态稳定概率；

所述利用采样节点的测量值，建立样本矩阵，包括：

建立N×n的样本矩阵，其中，N为样本总数，n为样本维度总数，所述样本维度包括：采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流；

所述压缩所述样本矩阵的维度，并利用压缩维度后的样本矩阵训练分类器，包括：

采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P，其中，N为样本总数，n为样本维度总数，m为压缩维度且m≤n；

根据所述降维矩阵P建立Logistic回归分类器；

所述根据所述降维矩阵P建立Logistic回归分类器，包括：

降维矩阵P中每个采样时刻对应一个m维的压缩向量，将P中第i个行向量记为p_i，i∈[1,N]；

将p_i的电网状态记为y_i，其中，y_i等于样本矩阵中第i行样本的稳定性标记值；

按下式建立Logistic目标函数：

上式中，J(θ)为Logistic目标函数值，θ为降维矩阵P中各列压缩向量的权重值，x_i为降维矩阵P中第i列元素，i∈[1,m]；

获取使所述Logistic目标函数函数值J(θ)最小的解θ′。

2.如权利要求1所述的方法，其特征在于，所述根据所述样本矩阵中各样本中的电压值标记各样本的稳定性标记值，包括：

若样本中的电压值等于标准电压值的0.8倍，则该样本的稳定性标记值为0；

若样本中的电压值不等于标准电压值的0.8倍，则该样本的稳定性标记值为1。

3.如权利要求1所述的方法，其特征在于，所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P，包括：

按下式将样本矩阵X中的第i列向量x_i归一化处理：

上式中，x_i(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值，x_i(t)为样本矩阵X中的第i列向量t时刻测量值，μ(x_i)为样本矩阵X中的第i列向量的均值，δ(x_i)为样本矩阵X中的第i列向量的标准差，t为采样时刻，i∈[1,n]；

利用x_i(t)′建立归一化样本矩阵X′；

获取归一化样本矩阵X′的协方差矩阵X′X′^T的特征值和特征向量，选择前m大的特征值对应的特征向量α¹,α²,…α^m，则N×m的降维矩阵P＝[α¹,α²,…α^m]^TX′。

4.如权利要求1所述的方法，其特征在于，所述利用所述分类器预测下一时刻的电网状态稳定概率，包括：

按下式预测下一时刻的电网状态稳定概率P_s：

上式中，x_i为降维矩阵P中第i列元素，i∈[1,m]，m为降维矩阵P的列数，θ′为使Logistic目标函数的函数值最小的解。