一种高效基于数据流模型电力系统实时安全评估算法.doc

一种高效基于数据流模型电力系统实时安全评估算法摘要：安全评估问题是电力系统规划和运行过程中的一个很重要的问题。它包括对电力系统进行安全评估及在需要的时候采取及时的应对措施。本文聚焦于该问题并将电力系统的实时安全评估问题抽象为一个数据流挖掘模型。VFDT利用Hoeffding不等式解决了数据流挖掘问题。Wang等的VFDTb利用线索化二叉树技术高效地解决了数据流挖掘中连续属性问题。在VFDT 和VFDTb的基础上，我们设计实现了一个基于AVL树的高效算法PPSDT，该算法的排序树的内部路径长度接近于最优的NlogN。总体上说，该算法在保持决策树精度的基础上，很好的提高了挖掘速度。 关键词：VFDTVFDTbAVLPSSDT 电力系统作为国民经济发展的基础支柱产业，作用和地位愈来愈凸现，其安全问题已成为关乎国家经济安全运行的问题。传统的基于经验和人工的安全保障方法已不能满足要求。随着信息技术水平和电力系统数字化水平的不断提高，如何评估其安全状态并实时采用有效的保障手段已成为理论研究和工程实践领域的研究焦点问题。作为一个非线性的物理系统，其系统复杂性在不断增加，导致电力系统的安全评估变得越来越困难。安全评估所需的数据是随着系统的运行不断产生的，其数据量很大，并且具有很强的实时性，具有数据流（Data Stream）的典型特征。令t表示任一时间戳，at表示在该时间戳到达的安全数据向量，数据流可以表示成{…，at-1，at，at+1，…}。区别于传统的数据模型，数据流模型具有以下3个特性：①数据高速到达，实时性要求高；②数据规模宏大，不可能把所有的数据都放入内存甚至是硬盘；③数据一经处理，除非特意保存，否则不能被再次取出处理，或者再次提取数据代价昂贵[2，7]。安全评估问题可以简化一个机器学习的分类模型：通过安全评估，将系统当前安全状态尽兴分类。分类是一种非常重要的机器学习技术，其目的是根据已有的数据集学习构造一个分类函数或分类模型，该分类模型能够将新到样本映射到一个具体的类别上。传统的分类模型包括决策树、决策规则、贝叶斯理论分类、反向传播法、关联分类法、K近邻分类器、SVM、范例式推理、进化算法、粗糙集法及模糊集合法等。其中决策树模型是最普遍的一种分类模型，它具有很好的可理解性。本文将通过对电力系统运行数据流进行处理，从而构造一个决策树分类模型以有效地解决电力系统安全评估问题。 1 电力系统相关安全问题 本文的讨论主要聚焦于电力系统的非线性特性所导致的安全问题。虽然这种安全问题不会经常发生，但其潜在的安全问题非常严重并可能导致系统的完全崩溃。 1.1 操作状态分类 Liacco[1]将电力系统的安全状态分为：预安全状态、紧急状态、安全状态等几种状态。 预安全状态主要考虑当系统处于常态时能否处理所有潜在的问题。如不能有效处理的话，预控制策略将把当前状态迁移到安全处理状态以尽兴处理。预判问题是非常困难且复杂的，因此预安全策略往往需要在费效比之间做出平衡。紧急状态主要考虑系统在出现紧急状态时能否有效工作，这是一个需要实时评估的过程。紧急状态安全策略应采取快速的动作以避免系统局部或全局中断。 当预安全操作和紧急控制机制都没有凑效，本地自动安全装置应被启动以避免系统完全崩溃导致严重后果。 1.2 安全问题的分类 引起电力系统安全问题的原因很多（电压过低，偏差过大等），所采取的应急措施也很多（重启系统，切断系统）。因此安全问题的分类也很复杂，安全问题根据时间可分为以下几类：①短暂稳定问题。短暂稳定考虑电力系统由于大的扰动导致电压不稳的同步恢复问题。该状况下，时间因素很重要，并受操作开关和控制器件（如高速阀门，高电压转化器，FACTS）和基于自动电压调整的电压支持及静电补偿器的性能的影响。该时间一般假设为系统在出现最严重问题时的恢复时间。②电压安全问题。电压安全问题经常性的是由瞬间电压突变引起的，其出现的几率甚至比同步丢失还要高。更多的短期电压不稳定安全问题，一般是指1到5分钟之内的电压不稳。该情况下，主要是通过邻近的自动变压器进行补偿。长时间的电压不稳大都是由负载需求的改变引起的，因此一般通过负载的重分布解决。③静态稳定。它主要考虑传输系统的过载问题，其可供解决问题的时间更长。比如，传输线路过载在气候良好的条件下也可以支持30到60分钟。 2相关工作 2.1VFDT VFDT（Very Fast Decision Tree）[3，5]是一种基于Hoeffding不等式针对数据流建立分类决策树的方法，它通过不断的将叶节点替换为分支节点而生成。其中每个叶节点都保存有关于属性值的统计信息，这些统计信息用于计算基于属性值的信息增益测试。当一个新样本到达后，在沿着决策树从上到下遍历的过程中，它在树