计及漏判_误判代价的两阶段电力系统暂态稳定预测方法.pdfVIP

第44 卷 第24 期 2020 年12 月25 日 Vol.44No.24 Dec.25,2020 DOI：10.7500/AEPS20200521003 计及漏判/误判代价的两阶段电力系统暂态稳定预测方法 1 1，2 1 1 吴俊勇 ，张若愚 ，季佳伸 ，李宝琴 （1.北京交通大学电气工程学院，北京市 100044；2.中国长江三峡集团有限公司科学技术研究院，北京市 100038） 摘要：基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本） 和误判（将稳定样本错误分类成失稳样本）的现象，使得该方法不易在工程实践中应用。为此，文中 基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方 法。在第1阶段，利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型，建立各 层输出结果的可信度指标，将可信度阈值优化选择问题转化成多目标优化问题，最大限度地减少甚 至消除漏判，并尽可能早地输出可信度高的样本；在第2阶段，对分层预测阶段预测的失稳样本采 用多判据融合的紧急控制启动策略，尽可能减少误判所带来的实际损失。仿真算例分析表明，文中 所提方法可以以最小代价最大限度地减少甚至消除漏判，以提高人工智能暂态稳定预测结果在工 程上应用的可能性。 关键词：电力系统；人工智能；集成学习；卷积神经网络；暂态稳定；可信度 0 引言 能方法的电力系统暂态稳定预测结果不可避免地会 出现漏判和误判，成为该方法在工程实践应用中的 随着现代电网互联规模的扩大和可再生能源的 一大障碍。 大量接入，电力系统安全稳定运行机理日趋复杂，传 为了克服这一障碍，文献［11］利用多个不同参 统的暂态稳定分析方法，如时域仿真法和直接法，已 数下训练得到的支持向量机 （support vector 经不能很好地满足当前电网调度运行对快速性和准 machines，SVM）模型对样本进行综合判稳，减少漏 ［1-4］ 确性的要求 。随着广域测量技术的应用和人工 判样本数。但是，该方法并不能完全消除漏判，且误 智能技术的飞速发展，从模式识别角度出发的基于 判样本有所增加。文献［13］通过改进损失函数，提 数据驱动和人工智能技术的机器学习方法为电力系 高对不稳定样本的误分类代价，从而减少了不稳定 ［5-10］ 统暂态稳定预测提供了新途径 。 样本的误分类概率。但随着误分类代价因子的逐渐 在电力系统暂态稳定预测中漏判样本和误判样 增加，减少漏判样本的同时却造成误判样本的增多， 本的代价是不同的，“误判”是将稳定样本判断为失 模型的评估性能并没有得到有效改善。文献［4］针 稳，系统会切除最不稳定的发电机和相应一部分负 对样本不平衡和重叠区域样本难分类的问题，引入 荷，以维持系统的暂态稳定，代价有限；“漏判”是将 焦点损失函数对LightGBM（lightgradientboosting