[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

说明书

本发明涉及一种基于机器学习的电网全局延时态势感知方法，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；本发明提供的方法，利用机器学习算法对电网电压稳定性进行预测，进一步综合多个节点给出电网态势感知的评估结果，在训练每一个节点分类器的时候，将特征选取的时段和预测时间节点拉开，形成一种延时的预测方法，对复杂系统有着更好的还原效果。

技术领域

本发明涉及电网态势感知领域，具体涉及一种基于机器学习的电网全局延时态势感知方法。

背景技术

态势感知是指在大规模系统环境中，对能够引起系统态势发生变化的安全要素进行获取、理解、显示以及预测未来的发展趋势，多用于计算机网络、交通网络、电网等复杂系统。电网态势感知通过对广域时空范围内电力系统中的各种因素进行采集和分析，从而达到准确地掌握电网的安全态势的目的。

对于现代化电力系统，具有远距离、大容量、大区域互联、特高压直交流互联的特点。调度人员如何在极端灾害环境下，前瞻性地感知电网在时间、空间、环境安全等方面的综合态势，是智能调度中急需解决的关键问题。由于电网态势的复杂性，目前电网安全风险评估主要是基于风险评估模型和风险指标分析，属于被动感知，不能从整体时空综合理解电网安全态势，对调度人员辅助决策支持不够；并且由于实时、在线、离线数据信息处理的时效性和分离性，调度人员只能获得局部信息和数据，不能实时全面感知电力系统安全风险态势。

电网可以算是当今最复杂的人工系统，目前还不能完全理解和掌握电力系统的运行规律。传统的仿真建模分析对电力系统进行了大量的假设和简化，使得仿真出的结果与真实系统存在偏差。随着分布式计算和机器学习的发展，大数据分析成为理解复杂系统的重要手段。大数据分析把真实系统当成黑箱，直接对输入输出进行拟合和关联分析。传统的仿真分析需要求解大量的微分方程，与此相比，基于数据的机器学习方法具有速度更快、准确度更高的特点。

在以往电网态势感知的研究中，通过获取电网的气象环境监测数据、实时电网运行态势数据、实时电网设备状态数据，然后对各类数据进行指标计算并且判断所属指标是否超过于预先设定的安全阈值。最后再综合多个指标来判断和预测电网的整体态势。这种方法的缺点是在阈值的选择和各种指标的加权上具有人为性和主观性。

发明内容

本发明提供一种基于机器学习的电网全局延时态势感知方法，其目的是利用机器学习算法对电网电压稳定性进行预测，进一步综合多个节点给出电网态势感知的评估结果，在训练每一个节点分类器的时候，将特征选取的时段和预测时间节点拉开，形成一种延时的预测方法，对复杂系统有着更好的还原效果。

本发明的目的是采用下述技术方案实现的：

一种基于机器学习的电网全局延时态势感知方法，其改进之处在于，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。

优选的，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。

进一步的，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；