J009基于支持样本的暂态稳定评估决策树方法.pdf

基于支持样本的暂态稳定评估决策树方法 王 康，赵 峰，孙宏斌，张伯明 (清华大学电机系电力系统国家重点实验室 北京 100084) 摘 要：提出了基于支持样本的暂态稳定评估决策树方法。 样本对决策树拟合分类边界的作用不同。实际边界 与传统特征选择不同，新方法通过样本选择来约简数据集 附近、稳定裕度较小的样本有利于精细地刻画分类 合，提高决策树应用于电力系统暂态稳定评估时的性能。应 边界，本文称之为支持样本；而远离分类边界、稳 用基于距离的样本选择方法对仿真数据进行预处理，得到分 定裕度较大或很不稳定的样本，即非支持样本，则 布在分类边界附近、有利于准确拟合分类边界的支持样本， 会有模糊边界的作用，有可能对分类边界的拟合有 作为决策树的训练样本。同时，采用一个综合考虑决策树准 负面影响。 确率、复杂度和漏警率的评价函数作为最优决策树的评价标 准，获得最优比例的支持样本。单机无穷大系统和 IEEE39 利用支持样本生成决策树来拟合分类边界，由 节点系统的算例研究表明，基于支持样本的方法生成的决策 于支持样本数量较少，在决策树生成过程中，如果 树跟全样本时相比，精度更高、漏警率更低、计算效率更高。 边界取的不合理，错分样本在支持样本中会占到很 大的比例，不能满足决策树分裂的判据要求，将会 关键词：暂态稳定评估；决策树；支持样本；评价函数 对边界重新寻优。因此，由支持样本生成决策树时， 0. 引言 对边界的敏感性很高，能有效抑制局部最优现象。 随着电力系统的发展，数据挖掘技术逐渐被应 与之相反，对全样本进行训练时，寻找到的分类边 用到电力系统中[1-7]，其中决策树的方法得到了广泛 界只要接近最优边界，即使错分样本的比例在边界 [8-12] 的研究和应用 。 样本中较大，在全样本中仍然是很小的，故在数值 在暂态稳定评估中，决策树的方法利用大量的 上仍可能满足分类判据，从而使决策树不能达到最 仿真数据拟合出分类边界。为了提高决策树的泛化 优的效果。只有大范围的改变决策树的分类判据， 能力和可解释性，一般利用特征选择方法对仿真数 才有可能解决利用全样本训练时出现的问题，而这 据集进行预处理，通过选择重要属性，从维度上来 又会造成决策树的复杂性显著提高。 约简数据。目前，特征选择的方法在数据预处理方 本文提出的样本选择的方法，只把支持样本作 [13-14][18-21] 面已经进行了深入的研究 。 为决策树的训练样本，从而改善决策树拟合分类边 为了进一步提高决策树的泛化能力和可解释 界的效果。 性，本文从另一个约简数据的角度入手，研究通过 支持样本和非支持样本的区