陳 振，肖先勇，李長松，張 殷，胡清泉

（四川大學(xué) 電氣信息學(xué)院，四川 成都 610065）

0 引言

隨著電力系統(tǒng)規(guī)模的不斷增大，其動(dòng)態(tài)特性愈加復(fù)雜，魯棒性、復(fù)雜性與安全性之間的矛盾也越來越突出，對(duì)系統(tǒng)安全穩(wěn)定評(píng)估提出了更高要求［1-2］。作為動(dòng)態(tài)安全評(píng)估的重要內(nèi)容，深入研究電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法具有重要意義［3］。

現(xiàn)有暫態(tài)穩(wěn)定評(píng)估方法可分為時(shí)域法［4］、直接法［5-6］以及模式識(shí)別法［7-9］。其中，時(shí)域法適用于元件任意模型，結(jié)果準(zhǔn)確可靠，但計(jì)算量大，在線應(yīng)用困難；直接法能定量給出系統(tǒng)穩(wěn)定裕度，計(jì)算速度快，但受元件模型限制，其準(zhǔn)確性還需進(jìn)一步提升；模式識(shí)別法的評(píng)估速度快，受系統(tǒng)規(guī)模和元件模型影響小，有良好的在線應(yīng)用前景，但方法尚不夠完善，工程應(yīng)用還需進(jìn)一步研究。

暫態(tài)穩(wěn)定評(píng)估中已有的模式識(shí)別法主要有人工神經(jīng)網(wǎng)絡(luò) ANN（Artificial Neural Network）、支持向量機(jī) SVM（Support Vector Machine）、決策樹 DT（Decision Tree）等。在這些方法中，ANN以其運(yùn)算速度快、識(shí)別能力強(qiáng)的特點(diǎn)，深受國內(nèi)外學(xué)者的關(guān)注［10］。文獻(xiàn)［11］引入一種新型ANN——極端學(xué)習(xí)機(jī)ELM（Extreme Learning Machine）進(jìn)行了暫態(tài)穩(wěn)定在線評(píng)估的研究工作，其建立在穩(wěn)定樣本與不穩(wěn)定樣本誤分類代價(jià)相同的假設(shè)上，并以誤分率最小為訓(xùn)練目標(biāo)［12-13］。通過仿真，文獻(xiàn)［11］驗(yàn)證了ELM相對(duì)于其他模式識(shí)別方法具有更高的準(zhǔn)確率和更快的運(yùn)算速度，但無法消除漏報(bào)現(xiàn)象。

事實(shí)上，大規(guī)模復(fù)雜電力系統(tǒng)中，穩(wěn)定樣本與不穩(wěn)定樣本的誤分類代價(jià)明顯不同。若將穩(wěn)定樣本誤分為不穩(wěn)定樣本，可能會(huì)造成某些控制裝置的誤動(dòng)作，但對(duì)整個(gè)系統(tǒng)的安全穩(wěn)定運(yùn)行影響??；而將不穩(wěn)定樣本誤分為穩(wěn)定樣本，則可能導(dǎo)致系統(tǒng)的連鎖崩潰甚至災(zāi)難性事故，其后果十分嚴(yán)重。若500個(gè)樣本構(gòu)成的測試集中，穩(wěn)定和不穩(wěn)定樣本分別為490個(gè)和10個(gè)，用ELM進(jìn)行暫態(tài)穩(wěn)定評(píng)估時(shí)，即使極端情況下將所有樣本均劃分為穩(wěn)定樣本，準(zhǔn)確率也可達(dá)到98%，但誤分類代價(jià)極大，使該評(píng)估結(jié)果失去實(shí)際意義。因此，在暫態(tài)穩(wěn)定評(píng)估中，除了要關(guān)注評(píng)估結(jié)果的準(zhǔn)確率，還必須考慮誤分類代價(jià)，減少甚至消除不穩(wěn)定樣本的漏報(bào)率。

本文以現(xiàn)有ELM為基礎(chǔ)，引入誤分類代價(jià)的概念，研究穩(wěn)定樣本與不穩(wěn)定樣本誤分類代價(jià)的差異，建立誤分類代價(jià)矩陣，以誤分類代價(jià)最小為目標(biāo)，提出一種暫態(tài)穩(wěn)定代價(jià)敏感極端學(xué)習(xí)機(jī)CELM（Costsensitive Extreme Learning Machine）評(píng)估方法，并對(duì)暫態(tài)穩(wěn)定分類性能測度指標(biāo)進(jìn)行了研究。在新英格蘭39節(jié)點(diǎn)系統(tǒng)和IEEE145節(jié)點(diǎn)系統(tǒng)上對(duì)所提方法進(jìn)行仿真驗(yàn)證，結(jié)果表明，該方法不僅能滿足漏報(bào)率為0的要求，還能使穩(wěn)定樣本的誤報(bào)率維持在較低的水平，保證了評(píng)估結(jié)果的可靠性［1］，能更好地滿足工程應(yīng)用需求。

1 誤分類代價(jià)及其定量刻畫方法

電力系統(tǒng)長期處于穩(wěn)定運(yùn)行狀態(tài)，不穩(wěn)定事故的發(fā)生屬于小概率事件。若系統(tǒng)遭受大的擾動(dòng)后即將發(fā)生暫態(tài)不穩(wěn)定，此時(shí)如果調(diào)度控制中心未能準(zhǔn)確預(yù)測出系統(tǒng)將要失穩(wěn)，進(jìn)而沒有采取必要的控制措施來緩解系統(tǒng)的壓力，則勢必會(huì)造成極其嚴(yán)重的后果，大量發(fā)電機(jī)可能被切除，大面積停電甚至?xí)?dǎo)致災(zāi)難性的后果；若系統(tǒng)遭受大擾動(dòng)后，發(fā)電機(jī)間的相對(duì)功角在振蕩后趨于平穩(wěn)，系統(tǒng)將會(huì)保持暫態(tài)穩(wěn)定，如果此次擾動(dòng)被誤判為不穩(wěn)定事故，調(diào)度運(yùn)行人員則會(huì)根據(jù)相應(yīng)的運(yùn)行信息制定控制策略，通常情況下會(huì)采取切除少量發(fā)電機(jī)組或負(fù)荷等措施來維持系統(tǒng)穩(wěn)定，所采取的措施雖然會(huì)造成少量的經(jīng)濟(jì)損失，但由于其在本質(zhì)上是為了提高系統(tǒng)的暫態(tài)穩(wěn)定性能，因而這種誤判對(duì)整個(gè)系統(tǒng)的安全穩(wěn)定運(yùn)行影響較小。

因此，在電力系統(tǒng)暫態(tài)穩(wěn)定分類過程中，穩(wěn)定樣本和不穩(wěn)定樣本的誤分類所造成的代價(jià)明顯不同，這種類間誤分類代價(jià)的差異性可通過誤分類代價(jià)矩陣定量刻畫。

一般地，暫態(tài)穩(wěn)定分類的代價(jià)混淆矩陣如表1所示。

表1 暫態(tài)穩(wěn)定分類代價(jià)混淆矩陣Table 1 Cost confusion matrix of transient stability classification

其中，λTS與λTU分別表示將穩(wěn)定樣本與不穩(wěn)定樣本正確劃分為相應(yīng)類所對(duì)應(yīng)的代價(jià)，因此取值為0；λFS表示將穩(wěn)定樣本誤分為不穩(wěn)定樣本所對(duì)應(yīng)的代價(jià)；λFU表示將不穩(wěn)定樣本誤分為穩(wěn)定樣本所對(duì)應(yīng)的代價(jià)?？紤]到誤分類代價(jià)的準(zhǔn)確值難以獲得，且引入誤分類代價(jià)的目的是為了區(qū)分不同類在誤分時(shí)嚴(yán)重程度的差異性，因此可令λFS為1，λFU的取值則表示不穩(wěn)定樣本誤分類代價(jià)與穩(wěn)定樣本誤分類代價(jià)的比值。

在上述基礎(chǔ)上，定義暫態(tài)穩(wěn)定分類的誤分類代價(jià)矩陣C為N階對(duì)角矩陣，其中N為研究的樣本數(shù)。對(duì)于矩陣C對(duì)角線上的任意元素cii，若i對(duì)應(yīng)的樣本為穩(wěn)定樣本，則令cii=λFS=1；若i對(duì)應(yīng)的樣本為不穩(wěn)定樣本，則令 cii=λFU。

2 CELM及其優(yōu)化模型

2.1 ELM的基本原理

ELM是南洋理工大學(xué)黃廣斌教授提出的一種新型單隱藏層前饋神經(jīng)網(wǎng)絡(luò)，具有訓(xùn)練速度極快以及泛化能力強(qiáng)的特點(diǎn)，因此在最近幾年得到很大的關(guān)注和發(fā)展［12-13］。

設(shè)訓(xùn)練樣本集 S= ｛（xi，yi）|i=1，2，…，N｝，其中xi= ［xi1，xi2，...，xin］T，yi= ［yi1，yi2，...，yim］T，n 和 m 分別表示輸入維數(shù)和輸出維數(shù)。給定隱含層節(jié)點(diǎn)數(shù)L和隱含層節(jié)點(diǎn)激勵(lì)函數(shù)g（x），則ELM的數(shù)學(xué)模型可表示為：

其中，wi=［wi1，wi2，…，win］T表示連接輸入節(jié)點(diǎn)與第 i個(gè)隱含層節(jié)點(diǎn)的權(quán)值向量；βi= ［βi1，βi2，…，βim］T表示連接第i個(gè)隱含層與輸出節(jié)點(diǎn)的權(quán)值向量；bi表示第i個(gè)隱含層節(jié)點(diǎn)的偏置。

式（1）的N個(gè)方程用矩陣的形式可表示為：

其中，H 表示隱含層節(jié)點(diǎn)的輸出矩陣；β=［β1，β2，…，βL］TL×m表示輸出層權(quán)值矩陣；Y=［y1，y2，…，yN］TN×m表示樣本輸出矩陣。

黃廣斌等［12］嚴(yán)格證明了只要激勵(lì)函數(shù) g（x）無限可微，隱含層權(quán)值wi以及隱含層節(jié)點(diǎn)偏置bi可隨機(jī)賦值，就能保證在L≤N的情況下，滿足‖Hβ-Y‖

在訓(xùn)練開始前，任意給定wi和bi，且在訓(xùn)練過程中保持不變，則可唯一確定隱含層輸出矩陣H。此時(shí)，ELM的訓(xùn)練過程等價(jià)于求解式（2）的最小二乘解，考慮到矩陣H可能為奇異矩陣，輸出層權(quán)值可表示為：

其中，矩陣表示矩陣H的Moore-Penrose廣義逆。

在暫態(tài)穩(wěn)定評(píng)估中，樣本通常為單維輸出（m=1）。因此，在后文的研究過程中將以單維輸出為例進(jìn)行推導(dǎo)，但所得結(jié)論同樣適用于多維輸出的情況。

2.2 ELM的優(yōu)化模型

黃廣斌等［13］以最小訓(xùn)練誤差和最小輸出權(quán)值的模為目標(biāo)函數(shù)，從優(yōu)化的角度建立了ELM的數(shù)學(xué)模型。

其中，εi表示第i個(gè)樣本的誤差；M表示用以權(quán)衡最小誤差和最小輸出權(quán)值模的正則系數(shù)。

2.3 CELM的優(yōu)化模型

ELM建立在類間誤分類代價(jià)相等的假設(shè)上，并以誤分率最小作為目標(biāo)函數(shù)。而由前面的分析可知，暫態(tài)穩(wěn)定分類時(shí)，不同類的誤分類代價(jià)存在明顯的差異性，若忽略此種差異性，則可能會(huì)造成評(píng)估結(jié)果失去實(shí)際意義。因此，在ELM優(yōu)化模型的基礎(chǔ)上計(jì)及誤分類代價(jià)的影響，以誤分類代價(jià)最小為目標(biāo)函數(shù)，從而構(gòu)造更適合暫態(tài)穩(wěn)定評(píng)估的分類器。

CELM的優(yōu)化模型如下：

對(duì)上述優(yōu)化模型引入拉格朗日乘子矢量α，得到拉格朗日函數(shù)：

其中，αi表示對(duì)應(yīng)第i個(gè)樣本的拉格朗日乘子。

式（7）的KKT一階最優(yōu)條件如下：

聯(lián)立上述三式可得：

其中，I表示L階單位矩陣。

由式（11）可知，在CELM的訓(xùn)練過程中，權(quán)值向量β仍然無需迭代過程便可計(jì)算得到，因此CELM同樣具有很快的訓(xùn)練速度。

3 暫態(tài)穩(wěn)定評(píng)估指標(biāo)與算法

3.1 輸入特征集的選取

輸入特征集的選取是影響分類效果的重要因素。隨著PMU技術(shù)在電力系統(tǒng)中的廣泛應(yīng)用，調(diào)度中心涌入大量反映系統(tǒng)動(dòng)態(tài)響應(yīng)特性的信息，充分利用這些實(shí)測軌跡信息能顯著提高暫態(tài)穩(wěn)定的分類性能。本文綜合現(xiàn)有文獻(xiàn)［14］，并通過大量仿真，分別利用故障前、故障發(fā)生瞬時(shí)t0、故障切除時(shí)刻tcl、故障切除后3個(gè)周期tcl+3c、故障切除后6個(gè)周期tcl+6c這5個(gè)時(shí)刻的軌跡量測值，提出能刻畫系統(tǒng)受擾特征的21維特征量作為輸入特征集，既計(jì)及了受擾后系統(tǒng)的動(dòng)態(tài)特性，又避免了隨著系統(tǒng)規(guī)模增大而出現(xiàn)的特征“維數(shù)災(zāi)”問題。特征的具體描述如表2所示。

3.2 暫態(tài)穩(wěn)定分類性能測度指標(biāo)

電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估中存在明顯的穩(wěn)定樣本多、不穩(wěn)定樣本少的特點(diǎn)。若采用傳統(tǒng)的準(zhǔn)確率指標(biāo)作為評(píng)價(jià)暫態(tài)穩(wěn)定分類性能的測度指標(biāo)，則可能會(huì)出現(xiàn)“大數(shù)吃小數(shù)”的現(xiàn)象，使分類器對(duì)不穩(wěn)定樣本的分類性能被遮蔽，而在實(shí)際運(yùn)行中，調(diào)度人員往往對(duì)不穩(wěn)定樣本的分類性能更感興趣。因此，應(yīng)用傳統(tǒng)準(zhǔn)確率指標(biāo)評(píng)估暫態(tài)穩(wěn)定分類性能存在明顯不足。

本文在重點(diǎn)關(guān)注不穩(wěn)定樣本分類性能的前提下，引入全局準(zhǔn)確率指標(biāo)、漏報(bào)率指標(biāo)、誤報(bào)率指標(biāo)和不穩(wěn)定樣本分類性能的綜合測度指標(biāo)（以下簡稱綜合測度指標(biāo)）［15-16］來量化暫態(tài)穩(wěn)定的分類效果，4種指標(biāo)的具體描述如下。

a.全局準(zhǔn)確率指標(biāo)是指測試集中穩(wěn)定樣本準(zhǔn)確率與不穩(wěn)定樣本準(zhǔn)確率的幾何均值，即：

表2 輸入特征集Table 2 Input feature set

其中，G表示全局準(zhǔn)確率；As表示測試集中穩(wěn)定樣本的分類準(zhǔn)確率；Au表示不穩(wěn)定樣本的分類準(zhǔn)確率?？梢钥吹剑譁?zhǔn)確率與穩(wěn)定樣本和不穩(wěn)定樣本的絕對(duì)數(shù)量無關(guān)，只有當(dāng)穩(wěn)定樣本和不穩(wěn)定樣本的分類準(zhǔn)確率都比較高時(shí)，全局準(zhǔn)確率指標(biāo)才會(huì)很大。

b.漏報(bào)率指標(biāo)是指測試集中被誤分的不穩(wěn)定樣本數(shù)與不穩(wěn)定樣本總數(shù)的比值。

c.誤報(bào)率指標(biāo)是指測試集中被誤分的穩(wěn)定樣本與穩(wěn)定樣本總數(shù)的比值。

d.綜合測度指標(biāo)是指測試集中不穩(wěn)定樣本查全率和查準(zhǔn)率的加權(quán)調(diào)和均值，即：

其中，F(xiàn)表示綜合測度指標(biāo)；R表示測試集中不穩(wěn)定樣本的查全率，定義為測試集中正確分類為不穩(wěn)定樣本的樣本數(shù)與不穩(wěn)定樣本總數(shù)的比值；P表示測試集中不穩(wěn)定樣本的查準(zhǔn)率，定義為測試集中正確分類為不穩(wěn)定樣本的樣本數(shù)與被分類為不穩(wěn)定樣本的總數(shù)的比值；θ表示度量查全率與查準(zhǔn)率重要程度的權(quán)值，一個(gè)高的綜合測度指標(biāo)可以確保查全率和查準(zhǔn)率都較高［16］，為了能充分體現(xiàn)不穩(wěn)定樣本查全率的重要性，又不會(huì)造成對(duì)查準(zhǔn)率的過度遮蔽，本文中權(quán)值θ取3。

3.3 暫態(tài)穩(wěn)定評(píng)估的算法流程

基于本文所提的CELM進(jìn)行暫態(tài)穩(wěn)定評(píng)估時(shí)，具體的算法流程如下：

a.隨機(jī)設(shè)置系統(tǒng)的初始運(yùn)行狀態(tài)和故障條件，利用時(shí)域仿真得到的受擾軌跡模擬系統(tǒng)中PMU的實(shí)測軌跡；

b.基于仿真獲得的系統(tǒng)受擾軌跡，通過簡單計(jì)算得到系統(tǒng)在不同時(shí)刻的動(dòng)態(tài)特征，并將其與系統(tǒng)受擾后的穩(wěn)定狀態(tài)共同構(gòu)成所要研究的樣本；

c.待樣本集收集完畢，對(duì)所得樣本集進(jìn)行數(shù)據(jù)預(yù)處理，并將預(yù)處理后的樣本集按一定比例隨機(jī)分為訓(xùn)練集和測試集；

d.給定誤分類代價(jià)矩陣，首先通過交叉驗(yàn)證和網(wǎng)格搜索確定CELM的隱含層節(jié)點(diǎn)數(shù)和正則系數(shù)，然后利用訓(xùn)練集訓(xùn)練CELM，得到輸出層的權(quán)值向量；

e.利用訓(xùn)練完畢的CELM對(duì)測試集進(jìn)行分類測試，得到對(duì)應(yīng)給定誤分類代價(jià)矩陣的評(píng)估結(jié)果；

f.保持訓(xùn)練集和測試集不變，改變誤分類代價(jià)矩陣中不穩(wěn)定樣本誤分類代價(jià)λFU的值，重復(fù)步驟d、e，得到不同的誤分類代價(jià)矩陣對(duì)暫態(tài)穩(wěn)定評(píng)估性能的影響。

4 算例分析

4.1 新英格蘭39節(jié)點(diǎn)系統(tǒng)

4.1.1 樣本生成

新英格蘭39節(jié)點(diǎn)系統(tǒng)包含10臺(tái)發(fā)電機(jī)、39條母線和46條線路［14］。發(fā)電機(jī)采用經(jīng)典模型，負(fù)荷采用恒阻抗模型，負(fù)荷水平在基準(zhǔn)負(fù)荷的80%～120%范圍內(nèi)隨機(jī)生成，并相應(yīng)改變發(fā)電機(jī)出力，隨機(jī)設(shè)置故障元件和故障位置，故障類型為永久性三相短路，故障發(fā)生時(shí)間為0.1 s，近端故障切除時(shí)間為0.2 s，遠(yuǎn)端故障切除時(shí)間為0.22 s。仿真時(shí)長為3 s，步長為0.01 s，以3 s末任意2臺(tái)發(fā)電機(jī)的功角差是否超過360°來判定系統(tǒng)是否失穩(wěn)。

仿真軟件采用 PST3.0［17］，共生成 1200 個(gè)樣本，對(duì)所得樣本進(jìn)行歸一化處理后，隨機(jī)選擇800個(gè)訓(xùn)練樣本，另外400個(gè)為測試樣本，測試集中包含308個(gè)穩(wěn)定樣本和92個(gè)不穩(wěn)定樣本。

4.1.2 參數(shù)確定

在訓(xùn)練過程中，通過調(diào)整λFU值的大小來改變誤分類代價(jià)矩陣，進(jìn)而影響CELM的分類性能。CELM的核函數(shù)采用Sigmoid函數(shù)，不穩(wěn)定樣本誤分類代價(jià)λFU在［1，2，…，12］范圍內(nèi)逐一取值，λFU值確定后，利用5折交叉驗(yàn)證和網(wǎng)格搜索的方法找出最佳正則化參數(shù)M以及隱含層節(jié)點(diǎn)數(shù)L，其中M和L的取值范圍分別為［2-4，2-2，…，216］和［50，100，…，500］。

4.1.3 結(jié)果與討論

對(duì)應(yīng)于不同的誤分類代價(jià)矩陣，當(dāng)CELM訓(xùn)練完成后，對(duì)測試集進(jìn)行分類測試，進(jìn)而得到不穩(wěn)定樣本的漏報(bào)率、穩(wěn)定樣本的誤報(bào)率與誤分類代價(jià)λFU的關(guān)系如圖1所示。

圖1 漏報(bào)率、誤報(bào)率與誤分類代價(jià)λFU的關(guān)系Fig.1 Relationship among false dismissal rate，false alarm rate and misclassification cost λFU

由圖1可見：當(dāng)λFU=1，即采用現(xiàn)有的ELM進(jìn)行暫態(tài)穩(wěn)定評(píng)估時(shí)，漏報(bào)率達(dá)到了5.43%，盡管誤報(bào)率很低，但評(píng)估結(jié)果面臨巨大的風(fēng)險(xiǎn)，無法滿足實(shí)際需求。隨著誤分類代價(jià)λFU的增大，漏報(bào)率減少，而誤報(bào)率相應(yīng)增加。當(dāng)λFU取值為5時(shí)，所有的不穩(wěn)定樣本均被正確分類，漏報(bào)率為0。誤分類代價(jià)λFU繼續(xù)增大，漏報(bào)數(shù)保持不變。上述結(jié)果表明，隨著誤分類代價(jià)λFU的增大，分類結(jié)果更傾向于將測試樣本歸類為不穩(wěn)定，以減小總的誤分類代價(jià)，從而使之前被誤分類為穩(wěn)定樣本的不穩(wěn)定樣本得以正確劃分。值得注意的是，當(dāng)λFU=5時(shí)，漏報(bào)率降為0，此時(shí)的誤報(bào)率為3.57%，即穩(wěn)定樣本的分類準(zhǔn)確率達(dá)到了96.43%，證明了所提方法的優(yōu)良性能。

為了驗(yàn)證CELM相較于傳統(tǒng)模式識(shí)別方法在暫態(tài)穩(wěn)定評(píng)估中的優(yōu)越性，本文采用SVM、DT和ELM對(duì)數(shù)據(jù)集進(jìn)行測試，并與CELM（λFU=5）的測試結(jié)果進(jìn)行對(duì)比。其中，SVM的核函數(shù)采用徑向基函數(shù)，利用5折交叉驗(yàn)證和網(wǎng)格搜索得到最優(yōu)的模型參數(shù)，懲罰因子C和核函數(shù)參數(shù)γ的取值范圍分別為［2-4，212］和［2-8，28］；DT 采用 CART 算法；由于當(dāng) λFU=1時(shí)，CELM便退化為ELM，相應(yīng)的測試結(jié)果可作為ELM的測試結(jié)果，仿真結(jié)果如表3所示。

表3 新英格蘭39節(jié)點(diǎn)系統(tǒng)測試結(jié)果Table 3 Test results of New England 39-bus system

由表3可知：在進(jìn)行對(duì)比的4種方法中，SVM、DT以及ELM的漏報(bào)率均較高，從而使得暫態(tài)穩(wěn)定評(píng)估的結(jié)果失去實(shí)際意義。CELM不僅能使漏報(bào)率為0，穩(wěn)定樣本的誤報(bào)率也很低，并且其在全局準(zhǔn)確率以及綜合測度指標(biāo)方面明顯優(yōu)于其他3種方法。

4.2 IEEE 145節(jié)點(diǎn)系統(tǒng)

4.2.1 樣本生成與參數(shù)確定

IEEE145節(jié)點(diǎn)系統(tǒng)包含50臺(tái)發(fā)電機(jī)、145條母線和453條線路［14］。發(fā)電機(jī)1—6和發(fā)電機(jī)23采用6階模型，其余發(fā)電機(jī)為經(jīng)典模型，負(fù)荷為恒阻抗模型。負(fù)荷水平在基準(zhǔn)負(fù)荷的95%～120%范圍內(nèi)隨機(jī)生成，并相應(yīng)改變發(fā)電機(jī)出力，隨機(jī)設(shè)置故障元件和故障位置，故障類型為永久性三相短路，故障發(fā)生時(shí)間為0.1 s，近端故障切除時(shí)間為0.2 s，遠(yuǎn)端故障切除時(shí)間為0.22 s。仿真時(shí)長為3 s，步長為0.01 s，失穩(wěn)判斷條件和仿真軟件與新英格蘭39節(jié)點(diǎn)系統(tǒng)相同。仿真生成6 000個(gè)樣本，歸一化處理后，隨機(jī)選擇4 000個(gè)為訓(xùn)練樣本，另外2000個(gè)為測試樣本。測試集中包含1578個(gè)穩(wěn)定樣本和422個(gè)不穩(wěn)定樣本。

參數(shù)確定過程及參數(shù)取值范圍與新英格蘭39節(jié)點(diǎn)系統(tǒng)相同。

4.2.2 結(jié)果與討論

不穩(wěn)定樣本的漏報(bào)率、穩(wěn)定樣本的誤報(bào)率與誤分類代價(jià)λFU的關(guān)系如圖2所示。

圖2 漏報(bào)率、誤報(bào)率與誤分類代價(jià)λFU的關(guān)系Fig.2 Relationship among false dismissal rate，false alarm rate and misclassification cost λFU

由圖2可見：當(dāng)λFU=1，即采用ELM進(jìn)行暫態(tài)穩(wěn)定評(píng)估時(shí)，漏報(bào)率高達(dá)7.11%。隨著誤分類代價(jià)λFU值的增大，漏報(bào)率不斷減少，當(dāng)λFU取值為8時(shí)，漏報(bào)率減少到0，此時(shí)誤報(bào)率為5.83%，表明此時(shí)穩(wěn)定樣本仍然具有較高的分類準(zhǔn)確率，達(dá)到了94.17%。這說明即使是對(duì)于規(guī)模較大的系統(tǒng)，CELM也能使漏報(bào)率降為0，并且其穩(wěn)定樣本的分類準(zhǔn)確性仍維持在較高的水平。

同樣地，將CELM（λFU=8）的測試結(jié)果與SVM、DT以及ELM的測試結(jié)果進(jìn)行對(duì)比，結(jié)果如表4所示。

表4 IEEE 145節(jié)點(diǎn)系統(tǒng)測試結(jié)果Table 4 Test results of IEEE 145-bus system

由表4可知：對(duì)于規(guī)模較大的系統(tǒng)，傳統(tǒng)模式識(shí)別方法的漏報(bào)率均較大。而CELM通過調(diào)整誤分類代價(jià)的大小，不僅能使評(píng)估結(jié)果的漏報(bào)率降為0，還可以讓穩(wěn)定樣本的誤報(bào)率維持在較低的水平。另外，CELM能獲得比其他3種方法更高的全局準(zhǔn)確率以及綜合測度指標(biāo)。

4.3 評(píng)估模型時(shí)間復(fù)雜度的比較

仿真采用MATLAB軟件，計(jì)算機(jī)配置為：Intel core i3、3.3GHz CPU和4G RAM。在上述2個(gè)測試系統(tǒng)中，4種評(píng)估模型的時(shí)間復(fù)雜度對(duì)比如表5所示。

表5 評(píng)估模型時(shí)間復(fù)雜度對(duì)比Table 5 Comparison of time complexity among assessment models

由對(duì)比結(jié)果可知，CELM和ELM的時(shí)間復(fù)雜度基本相同，且明顯低于其余2種方法，因此，CELM非常適合暫態(tài)穩(wěn)定的在線分析。另外，由于CELM的訓(xùn)練時(shí)間很短，在應(yīng)用CELM進(jìn)行暫態(tài)穩(wěn)定評(píng)估時(shí)，一旦系統(tǒng)的運(yùn)行方式發(fā)生較大變化，可通過收集新的樣本對(duì)CELM模型的參數(shù)進(jìn)行實(shí)時(shí)刷新，動(dòng)態(tài)跟蹤系統(tǒng)運(yùn)行狀態(tài)的變化，從而增強(qiáng)評(píng)估模型的自適應(yīng)能力。

5 結(jié)論

a.隨著誤分類代價(jià)λFU的增大，不穩(wěn)定樣本的漏報(bào)率不斷減少，直至為0，滿足暫態(tài)穩(wěn)定評(píng)估的可靠性要求。

b.通過與傳統(tǒng)模式識(shí)別方法（SVM、DT和ELM）進(jìn)行對(duì)比，CELM能在保證暫態(tài)穩(wěn)定評(píng)估的漏報(bào)率為0的前提下維持較低的誤報(bào)率，而且其評(píng)估結(jié)果的全局準(zhǔn)確率和綜合測度指標(biāo)方面優(yōu)于傳統(tǒng)的3種方法，因此在工程應(yīng)用方面CELM更具優(yōu)勢。

c.CELM的時(shí)間復(fù)雜度很低，不僅能滿足暫態(tài)穩(wěn)定的在線評(píng)估要求，還有利于動(dòng)態(tài)跟蹤系統(tǒng)運(yùn)行狀態(tài)的變化，提高評(píng)估模型的自適應(yīng)能力。

對(duì)于不同規(guī)模的電力系統(tǒng)，其穩(wěn)定樣本和不穩(wěn)定樣本的空間分布復(fù)雜程度不同。因此針對(duì)不同的系統(tǒng)，如何優(yōu)化地選擇誤分類代價(jià)λFU的值，使評(píng)估結(jié)果在保證漏報(bào)率為0的前提下，盡可能地降低誤報(bào)率是下一步需要研究的問題。

［1］白雪峰，倪以信.電力系統(tǒng)動(dòng)態(tài)分析綜述［J］.電網(wǎng)技術(shù)，2004，28（16）：14-20.BAI Xuefeng，NI Yixin.Survey on dynamic security assessment of power system［J］.Power System Technology，2004，28（16）：14-20.

［2］張保會(huì)，楊松浩，王懷遠(yuǎn).電力系統(tǒng)暫態(tài)穩(wěn)定性閉環(huán)控制（一）——簡單電力系統(tǒng)暫態(tài)不穩(wěn)定判別原理［J］.電力自動(dòng)化設(shè)備，2014，34（8）：1-6.ZHANG Baohui，YANG Songhao，WANG Huaiyuan.Closed-loop control of power system transient stability（1）：transient instability detection principle of simple power system ［J］.Electric Power Automation Equipment，2014，34（8）：1-6.

［3］倪以信，陳壽孫，張寶霖.動(dòng)態(tài)電力系統(tǒng)的理論與分析［M］.北京：清華大學(xué)出版社，2002：181-215.

［4］TANG C K，GRAHAM C E，EI-KADY M.Transient stability index from conventionaltime domain simulation ［J］.IEEE Transactions on Power Systems，1994，9（3）：1524-1530.

［5］傅書逷，倪以信，薛禹勝.直接法穩(wěn)定分析［M］.北京：中國電力出版社，1991：25-35.

［6］萬秋蘭，單淵達(dá).對(duì)應(yīng)用直接法分析電力系統(tǒng)穩(wěn)定性的再認(rèn)識(shí)［J］.電力系統(tǒng)自動(dòng)化，1998，22（9）：13-15.WAN Qiulan，SHAN Yuanda.Re-understandingofthedirect methods for power system transient stability analysis ［J］.Automation of Electric Power Systems，1998，22（9）：13-15.

［7］姚德全，賈宏杰，趙帥.基于復(fù)合神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估和裕度預(yù)測［J］.電力系統(tǒng)自動(dòng)化，2013，37（20）：41-46.YAO Dequan，JIA Hongjie，ZHAO Shuai.Power system transient stability assessment and stability margin prediction based on compound neuralnetwork ［J］.Automation ofElectric Power Systems，2013，37（20）：41-46.

［8］段青，趙建國，馬艷.基于稀疏貝葉斯學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估［J］.電力自動(dòng)化設(shè)備，2009，29（9）：36-40.DUAN Qing，ZHAO Jianguo，MA Yan.Power systems transient stability assessmentbased on sparse Bayesian learning ［J］.Electric Power Automation Equipment，2009，29（9）：36-40.

［9］KANWA I，SAMANTARAY S R，JOOS G.Catastrophe prediction from ensemble decision tree learning ofwide-area severity indices［J］.IEEE Transactions on Smart Grid，2010，1（2）：144-158.

［10］AI-MASRI A N，AB-KADIR M Z A，HIZAM H，et al.A novel implementation forgeneratorrotorangle stability prediction using an adaptive artificialneuralnetwork application for dynamic security assessment［J］.IEEE Transactions on Power Systems，2013，28（3）：2516-2525.

［11］XU Y，DONG Z Y，MENG K，et al.Real-time transient stability assessment model using extreme learning machine［J］.IET Generation，Transmission&Distribution，2011，5（3）：314-322.

［12］HUANG G B，ZHU Q Y，SIEW C K.Extreme learning machine：theory and application［J］.Neurocomputing，2006，70：489-501.

［13］HUANG G B，ZHOU H M，DING X J.Extreme learning machine for regression and multiclass classification［J］.IEEE Transactions on System，Man，and Cybernetics-PartB：Cybernetics，2012，42（2）：513-529.

［14］李揚(yáng)，顧雪平.基于改進(jìn)最大相關(guān)最小冗余判據(jù)的暫態(tài)穩(wěn)定評(píng)估特征選擇［J］.中國電機(jī)工程學(xué)報(bào)，2013，33（34）：179-186.LI Yang，GU Xueping.Feature selection for transient stability assessment based on improved maximal relevance and minimal redundancy criterion ［J］.Proceedingsofthe CSEE，2013，33（34）：179-186.

［15］HE H，GARCIA E A.Learning from imbalanced data［J］.IEEE Transactions on Knowledge and Data Engineering，2009，21（9）：1263-1284.

［16］TAN P，STEINBACH M，KUMAR V.數(shù)據(jù)挖掘?qū)д摚跰］.范明，范宏建，譯.北京：人民郵電出版社，2006：180-182.

［17］CHOW J H，CHEUNG K W.A toolboxforpowersystem dynamics and control engineering education and research ［J］.IEEE Transactions on Power Systems，1992，7（4）：1559-1564.