基于XGBoost算法的电力系统暂态稳定评估.PDFVIP

第３９卷 第３期 电 力 自 动 化 设 备 Ｖｏｌ．３９ Ｎｏ．３ ２０１９年３月 Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ａｕｔｏｍａｔｉｏｎ Ｅｑｕｉｐｍｅｎｔ Ｍａｒ． ２０１９ 　　　 基于ＸＧＢｏｏｓｔ算法的电力系统暂态稳定评估 张晨宇 ，王慧芳 ，叶晓君１ １ ２ （１． 浙江大学 电气工程学院，浙江 杭州 ３１００２７；２． 广东电网有限责任公司惠州供电局，广东 惠州 ５１６００３） 摘要：针对暂态稳定评估问题的特点，在改进极限梯度提升（ＸＧＢｏｏｓｔ）算法的基础上进行暂态稳定评估。 根 据电网物理特点，定义能够反映电力系统稳态运行状态的特征集；研究ＸＧＢｏｏｓｔ 算法用于暂态稳定评估的过 程：针对暂态稳定预测中２类错误严重程度不同的特点，定义包含注意力系数的对数损失函数，使得模型对 不稳定样本的误预测情况减少；使用Ｌｏｇｉｓｔｉｃ 函数将模型输出概率化，用于衡量ＸＧＢｏｏｓｔ模型输出的可靠程 度，预防部分误预测；给出针对任意系统随机产生样本集的方法。 ＩＥＥＥ ３９ 节点系统仿真结果表明，ＸＧＢｏｏｓｔ 算法在准确率上均高于其他几类常用机器学习算法，优化后的损失函数降低了不稳定样本错误分类的可能 性，使该算法的召回率较优于其他方法，且概率化输出的形式有助于评估模型输出的可靠程度，降低了误预 测的概率。 关键词：暂态；稳定性；ＸＧＢｏｏｓｔ算法；机器学习；人工智能；Ｌｏｇｉｓｔｉｃ 函数 － 中图分类号：ＴＭ７１２ 文献标识码：Ａ ＤＯＩ：１０．１６０８１／ ｊ．ｉｓｓｎ．１００６ ６０４７．２０１９．０３．０１２ ０　 引言 估；文献［８］使用极限学习机算法进行系统暂态稳 定评估，并且针对该算法的特点，引入Ｆｉｓｈｅｒ算法进 电力系统由于互联水平提高、负荷日益增加以 行了特征选择；文献［９⁃１０］采用集成学习的思想，利 及新能源接入等因素，其运行愈发接近稳定极限。 用数据训练多个机器学习模型，可以在一定程度上 电力系统的稳定运行的重要性日益凸显，因此暂态 克服单个模型泛化能力差的缺点；文献［１１］采用深 稳定评估ＴＳＡ（Ｔｒａｎｓｉｅｎｔ Ｓｔａｂｉｌｉｔｙ Ａｓｓｅｓｓｍｅｎｔ）问题更 ［１］ 度学习方法进行电力系统故障之后暂态稳定的在线 加受到人们的关注 。 传统的基于时域仿真的暂态 评估，并且利用稳定域概念解释模型学习到的分类 稳定评估方法因受到计算速度的限制，故难以满足 边界的物理意义；文献［１２］认为主导失稳机群的特 在线应用的需要。 近年来，随着人工智能技术的快 速发展，基于机器学习算法的暂态稳定评估成为学 征对暂态稳定有重要影响，在辨识该类主导机群的 ［２⁃３］ 基础上，提出融合了拓扑和运行方式信息的特征集， 者的研究热点 。 机器学习算法是一类数据驱动的建模方法，根 进而采用 ｋ 近邻 ｋＮＮ（ｋ⁃Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒｓ）算法评 据所用数据源的不同，基于机器学习方法的暂态稳 估暂态稳定性；文献［１３］使用深度学习中堆叠降噪 定评估研究可分为两大类：第一类同时使用故障前 自动编码器提取特征，训练支持向量机模型用于暂