劉子偉

(國網(wǎng)湖北省電力有限公司宜昌供電公司,湖北 宜昌 443000)

0 引言

隨著電力系統(tǒng)新能源滲透率的提高、電力系統(tǒng)規(guī)模的擴(kuò)大以及電網(wǎng)結(jié)構(gòu)復(fù)雜性的增加,電力系統(tǒng)運(yùn)行不確定性大幅提升,這對(duì)電力系統(tǒng)的安全運(yùn)行提出了更高的要求[1],因此,快速、準(zhǔn)確的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行至關(guān)重要[2]。傳統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法有時(shí)域仿真法[3]和直接法[45]。時(shí)域仿真法計(jì)算復(fù)雜程度高,計(jì)算成本大,不能實(shí)時(shí)獲得系統(tǒng)穩(wěn)定裕度和關(guān)鍵參數(shù)的靈敏度等信息,導(dǎo)致該方法無法滿足電力系統(tǒng)實(shí)時(shí)在線評(píng)估的需要。直接法對(duì)模型的適應(yīng)性較差,難以構(gòu)建復(fù)雜系統(tǒng)中的能量函數(shù),在大規(guī)模系統(tǒng)中難以保證快速性和準(zhǔn)確性。由此看出,傳統(tǒng)暫態(tài)評(píng)估方法不能很好的適應(yīng)現(xiàn)代復(fù)雜電力系統(tǒng)實(shí)時(shí)運(yùn)行監(jiān)測(cè)的要求。

隨著廣域測(cè)量系統(tǒng)(Wide Area Measurement System,WAMS)的發(fā)展和電力系統(tǒng)中相量測(cè)量單元(Phasor Measurement Unit,PMU)的廣泛采用[6],機(jī)器學(xué)習(xí)方法在暫態(tài)穩(wěn)定評(píng)估中的應(yīng)用引起了大量研究關(guān)注。在電力系統(tǒng)暫態(tài)穩(wěn)定分析的研究中,人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Net-work,ANN)[7]、支持向量機(jī)(Support Vector Machine,SVM)[8]、決策樹(Dceision Tree,DT)[9]、隨機(jī)森林(Random Forests,RF)[10]等方法可以有效構(gòu)建基于訓(xùn)練數(shù)據(jù)集的系統(tǒng)運(yùn)行變量與相應(yīng)評(píng)估結(jié)果之間的映射關(guān)系,根據(jù)PMU 實(shí)時(shí)采集的操作變量,結(jié)合建立的映射關(guān)系,實(shí)現(xiàn)在線應(yīng)用。然而,由于現(xiàn)代電力系統(tǒng)的廣域互聯(lián)和新能源滲透率的不斷提升,上述機(jī)器學(xué)習(xí)方法在應(yīng)用于實(shí)際大電力系統(tǒng)時(shí)會(huì)因?yàn)椤熬S度災(zāi)難”問題而無法識(shí)別關(guān)鍵特征,導(dǎo)致模型計(jì)算復(fù)雜度高,泛化能力差,評(píng)估結(jié)果準(zhǔn)確度低。

針對(duì)上述問題,本文利用基于最大信息系數(shù)(Maximal Information Coefficient,MIC)的特征選擇算法和LightGBM 分類器構(gòu)建暫態(tài)穩(wěn)定評(píng)估模型,對(duì)電力系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行在線評(píng)估。其中,基于MIC的特征選擇算法能夠捕獲電力系統(tǒng)的運(yùn)行特征和暫態(tài)穩(wěn)定指標(biāo)間的線性和非線性關(guān)系[11],給出相應(yīng)評(píng)分,再選擇評(píng)分較高的關(guān)鍵特征作為后續(xù)評(píng)估模型的輸入,并剔除與電力系統(tǒng)暫態(tài)穩(wěn)定分析相關(guān)性較弱的特征,有效降低了評(píng)估模型的輸入特征維度和計(jì)算復(fù)雜度,顯著提高了評(píng)估模型的數(shù)據(jù)處理時(shí)間,保證了模型在線應(yīng)用的時(shí)效性。LightGBM 是一種以決策樹為基礎(chǔ)且支持并行學(xué)習(xí)的集成學(xué)習(xí)框架。本文將其用于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估問題,可有效應(yīng)對(duì)電力系統(tǒng)的大規(guī)模數(shù)據(jù),能及時(shí)提供準(zhǔn)確可靠的評(píng)估結(jié)果[12]。文中提出的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法包括3個(gè)階段:離線訓(xùn)練、模型更新和在線評(píng)估。首先,對(duì)初始數(shù)據(jù)集進(jìn)行特征選擇,選取關(guān)鍵特征和相應(yīng)的暫態(tài)穩(wěn)定指標(biāo)對(duì)LightGBM 分類器進(jìn)行離線訓(xùn)練;然后,為應(yīng)對(duì)電力系統(tǒng)潛在的工況變化,設(shè)計(jì)模型更新階段以提高評(píng)估模型的泛化能力;最后,根據(jù)PMU 所采集的系統(tǒng)關(guān)鍵運(yùn)行特征,實(shí)現(xiàn)對(duì)電力系統(tǒng)的在線暫態(tài)穩(wěn)定評(píng)估。為了測(cè)試本文提出的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法的時(shí)效性和穩(wěn)定性,在39節(jié)點(diǎn)系統(tǒng)和一個(gè)實(shí)際的1648系統(tǒng)上對(duì)所提方法進(jìn)行應(yīng)用與驗(yàn)證。

1 算法簡(jiǎn)介

1.1 最大信息系數(shù)(MIC)

MIC是一種衡量變量之間相關(guān)性的計(jì)算指標(biāo),相對(duì)于其他相關(guān)性度量指標(biāo),其具有更強(qiáng)的穩(wěn)健性和廣泛性,能夠準(zhǔn)確地對(duì)各種不同類型的關(guān)聯(lián)關(guān)系進(jìn)行檢測(cè),從而獲取變量間的函數(shù)與非函數(shù)關(guān)系[13]。在特征選擇問題中,變量之間的相關(guān)性度量會(huì)直接影響最后特征子集的選擇,考慮到MIC適用于探尋大數(shù)據(jù)集中變量之間潛在關(guān)聯(lián)關(guān)系的優(yōu)勢(shì),本文采用MIC 衡量電力系統(tǒng)運(yùn)行特征(節(jié)點(diǎn)電壓幅值和相角、負(fù)荷有功功率和無功功率、發(fā)電機(jī)有功功率和無功功率等)和暫態(tài)穩(wěn)定指標(biāo)之間的相關(guān)性,剔除與暫態(tài)穩(wěn)定指標(biāo)相關(guān)性較弱的特征,篩選出與暫態(tài)穩(wěn)定指標(biāo)相關(guān)性更強(qiáng)的關(guān)鍵特征作為LightGBM 分類器的輸入。

MIC的基本思想是基于網(wǎng)格劃分方法進(jìn)行相關(guān)性計(jì)算。給定2個(gè)變量(X,Y)和網(wǎng)格G(xy),其中,X為電力系統(tǒng)運(yùn)行特征,Y為暫態(tài)穩(wěn)定指標(biāo);x為網(wǎng)格G的行數(shù),y為網(wǎng)格G的列數(shù),且x,y均大于1。則變量(X,Y)的MIC值計(jì)算步驟如下。

(1)對(duì)(X,Y)構(gòu)成的散點(diǎn)圖進(jìn)行x行y列網(wǎng)格劃分,并在得到的每一種網(wǎng)格劃分內(nèi)部計(jì)算互信息MI(X,Y),相同x行y列的網(wǎng)格劃分方式有多種,取不同劃分方式中的最大MI(X,Y)值作為(X,Y)的互信息值。定義最大互信息公式為

式中:(X,Y)|G為數(shù)據(jù)點(diǎn)在網(wǎng)格G中x×y個(gè)小格產(chǎn)生的分布;MI( (X,Y)|G)為(X,Y)|G的互信息。

(2)將不同劃分下得到的最大互信息值進(jìn)行歸一化處理,獲取(X,Y)的特性矩陣M(X,Y),計(jì)算公式為

(3)計(jì)算變量X,Y( ) 的MIC值。

式中:xy

本文對(duì)電力系統(tǒng)中的所有運(yùn)行特征與暫態(tài)穩(wěn)定指標(biāo)之間的相關(guān)性進(jìn)行檢測(cè),獲取所有特征與暫態(tài)穩(wěn)定指標(biāo)的MIC值。然后,根據(jù)特征的MIC值對(duì)特征進(jìn)行降序排序,選取前5%的特征構(gòu)建關(guān)鍵特征集F,則

式中:Vi為節(jié)點(diǎn)i的電壓幅值;θi為節(jié)點(diǎn)i的電壓相角;GPi為發(fā)電機(jī)i的有功出力;GQi為發(fā)電機(jī)i的無功出力;Pi-j為線路i-j有功功率;Qi-j為線路i-j無功功率;Si-j為線路i-j視在功率;Plossi-j為線路i-j有功損耗;Qlossi-j為線路i-j無功損耗。

1.2 LightGBM

Light GBM 是一種梯度提升框架[15],其核心為梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)算法。傳統(tǒng)的GBDT 算法需要構(gòu)建一定數(shù)量的DT,劃分最優(yōu)分割點(diǎn),并對(duì)特征值進(jìn)行排序,這花費(fèi)了大量的計(jì)算時(shí)間,降低了計(jì)算效率。與之相比,Light GBM 訓(xùn)練效率更快、使用內(nèi)存更低、準(zhǔn)確率更高。除此之外,它還支持并行學(xué)習(xí),可以處理規(guī)模龐大的數(shù)據(jù)。

給定數(shù)據(jù)集D{(Fi,Yi),i=1,2,…,n},其中關(guān)鍵特征集F作為輸入,暫態(tài)穩(wěn)定指標(biāo)Y作為輸出,n為樣本數(shù)量。為了構(gòu)建特征集F與暫態(tài)穩(wěn)定指標(biāo)Y的最佳映射?(F),Light GBM 通過迭代訓(xùn)練弱分類器 DT 來尋找損失函數(shù)L(Y,?(F))的最小值。

在迭代的過程中,使用損失函數(shù)的負(fù)梯度作為每輪損失的近似值,以此擬合每輪的弱分類器DT。最后通過迭代組合K個(gè)弱分類器DT 獲取一個(gè)強(qiáng)分類器,即

式中:hi F( )為第i個(gè)弱分類器。

為了降低LightGBM 的計(jì)算復(fù)雜度,從樣本和特征2 個(gè)角度出發(fā),分別采用單邊梯度采樣(Gradient-based One-Side Sampling,GOSS)和互斥特征捆綁(Exclusive Feature Bundling,EFB)2 種方法對(duì)數(shù)據(jù)集進(jìn)行處理,以提高計(jì)算效率。

1.2.1 GOSS

GOSS的基本思想是保留梯度較大的樣本,對(duì)梯度較小的樣本進(jìn)行隨機(jī)采樣。其流程如下:

(1)根據(jù)訓(xùn)練樣本的梯度絕對(duì)值對(duì)訓(xùn)練樣本進(jìn)行降序排序;

(2)選取具有較大梯度的m個(gè)樣本,建立樣本子集A;對(duì)剩下的(n-m)個(gè)梯度較小的樣本進(jìn)行隨機(jī)采樣,建立包含b×n-m( )個(gè)樣本的子集B,其中b為小梯度樣本的采樣率;

(3)將子集A和子集B合并,并賦予每個(gè)小梯度樣本一個(gè)權(quán)重系數(shù),以彌補(bǔ)改變數(shù)據(jù)分布對(duì)模型性能的影響;

(4)基于上述所得樣本,訓(xùn)練弱分類器DT?；贕OSS采樣方法,在不影響模型評(píng)估精度的前提下,不僅可以顯著降低計(jì)算成本,加快模型學(xué)習(xí)效率,也能潛在提升模型的泛化能力。

1.2.2 EFB

在稀疏特征空間上,高維度數(shù)據(jù)中存在多個(gè)特征值,且特征值之間存在信息冗余問題,許多特征不會(huì)同時(shí)為非零值,被稱為互斥特征。通過捆綁互斥特征,可以達(dá)到無損減少特征的目的,降低計(jì)算復(fù)雜性。這樣就可以在不影響準(zhǔn)確性的情況下顯著加快模型的訓(xùn)練速度。

EFB的算法步驟如下:將特征按照非零值的個(gè)數(shù)進(jìn)行排序;計(jì)算不同特征之間的沖突比率;遍歷每個(gè)特征并嘗試合并特征,使沖突比率最小化;從特征捆綁中構(gòu)建與單個(gè)特征相同的特征直方圖。

這種方法使構(gòu)建直方圖的時(shí)間復(fù)雜度降低1倍,在不損失精度的情況下極大地加速了模型的訓(xùn)練過程。

1.2.3 決策樹生長策略

LightGBM 拋棄了大多數(shù)GBDT 工具使用的按層生長(Level-wise)的決策樹生長策略,而使用了帶有深度限制的按葉子生長(Leaf-wise)策略。該策略在分裂前會(huì)遍歷所有葉子,然后找到分裂增益最大的葉子進(jìn)行分裂,并往復(fù)循環(huán)。在相同的分裂次數(shù)下,Leaf-wise能夠得到更好的精度。此外,LightGBM 在Leaf-wise上增加了一個(gè)最大深度的限制,在保證高效率的同時(shí)防止過擬合。其生長策略如圖1所示,圖中白點(diǎn)表示分裂增益最大的葉子;黑點(diǎn)表示分裂增益不是最大的葉子。

圖1 Leaf-wise 葉子生長策略

2 基于LightGBM 的暫態(tài)穩(wěn)定評(píng)估

2.1 構(gòu)建系統(tǒng)穩(wěn)定判據(jù)

基于機(jī)器學(xué)習(xí)的暫態(tài)穩(wěn)定評(píng)估可被定義為一個(gè)二分類問題,需要根據(jù)暫態(tài)穩(wěn)定裕度(Transient Stability Margin,TSM)對(duì)樣本穩(wěn)定與否進(jìn)行標(biāo)記,進(jìn)而獲取暫態(tài)穩(wěn)定指標(biāo)[16]。TSM 定義如下

式中:Δδmax為仿真時(shí)間內(nèi)任意2臺(tái)發(fā)電機(jī)之間功角差的最大值。對(duì)于每個(gè)樣本,若TSM>0,則系統(tǒng)是穩(wěn)定的,樣本指標(biāo)記為1;若TSM<0,則系統(tǒng)是失穩(wěn)的,樣本指標(biāo)記為0。

2.2 暫態(tài)穩(wěn)定評(píng)估模型

本文提出的基于MIC和LightGBM 分類器的暫態(tài)穩(wěn)定評(píng)估模型框架如圖2所示。通過PMU 收集電力系統(tǒng)的運(yùn)行變量,建立包含大量變量和相應(yīng)暫態(tài)穩(wěn)定指標(biāo)的數(shù)據(jù)庫。然后,應(yīng)用該數(shù)據(jù)庫對(duì)模型進(jìn)行離線訓(xùn)練。在實(shí)際應(yīng)用中,需要對(duì)離線訓(xùn)練的模型進(jìn)行更新,以有效地處理系統(tǒng)中不可見的運(yùn)行工況。具體來說,所提出的模型包括以下3個(gè)階段:離線訓(xùn)練、模型更新和在線評(píng)估。

圖2 暫態(tài)穩(wěn)定評(píng)估模型框架

2.2.1 離線訓(xùn)練

在離線訓(xùn)練階段,準(zhǔn)備一個(gè)可靠、豐富的初始數(shù)據(jù)庫是構(gòu)建穩(wěn)態(tài)運(yùn)行變量與對(duì)應(yīng)暫態(tài)穩(wěn)定指標(biāo)之間準(zhǔn)確映射關(guān)系的前提。PMU 歷史數(shù)據(jù)包含了大量電力系統(tǒng)的實(shí)際運(yùn)行點(diǎn)。利用PMU 收集的歷史統(tǒng)計(jì)數(shù)據(jù)和離線仿真數(shù)據(jù),可以建立初始數(shù)據(jù)庫。此外,所提出的方案一旦投入使用,PMU 采集的實(shí)時(shí)運(yùn)行數(shù)據(jù)和暫態(tài)穩(wěn)定評(píng)估結(jié)果將不斷記錄在數(shù)據(jù)庫中。

離線訓(xùn)練階段另一個(gè)重要的部分為特征選擇。基于MIC 的特征選擇過程如圖2 所示。對(duì)電力系統(tǒng)運(yùn)行變量進(jìn)行特征選擇的目的是降低數(shù)據(jù)維度,選取與暫態(tài)穩(wěn)定指標(biāo)高度相關(guān)的特征構(gòu)建關(guān)鍵數(shù)據(jù)集。

2.2.2 模型更新

在電力系統(tǒng)實(shí)際運(yùn)行中,離線訓(xùn)練的模型可能難以很好地適應(yīng)多變的運(yùn)行工況,評(píng)估精度可能無法滿足要求。因此模型更新階段不可忽視。

為應(yīng)對(duì)電力系統(tǒng)運(yùn)行工況的變化,設(shè)計(jì)了以下模型更新策略。由于電力系統(tǒng)的歷史故障列表一般可以從電網(wǎng)公司獲得,因此要提前準(zhǔn)備和訓(xùn)練一系列針對(duì)此類故障的LightGBM 分類器。然后,由不同運(yùn)行工況和相應(yīng)的訓(xùn)練后的Light GBM 組成一個(gè)知識(shí)庫。當(dāng)遇到變化的運(yùn)行工況時(shí),系統(tǒng)運(yùn)行人員可以首先確定知識(shí)庫中是否包含與變化的運(yùn)行工況相對(duì)應(yīng)的經(jīng)過訓(xùn)練的Light-GBM。如果相應(yīng)的LightGBM 已經(jīng)準(zhǔn)備好,當(dāng)前使用的Light GBM 將立即被這個(gè)訓(xùn)練好的Light-GBM 取代。若未能找到合適的候選對(duì)象,則會(huì)啟動(dòng)新LightGBM 的構(gòu)建過程。因此,需要根據(jù)變化的運(yùn)行工況建立用于訓(xùn)練新Light GBM 的樣本集,然后將變化的運(yùn)行工況與相應(yīng)的新Light GBM 的組合吸收到知識(shí)庫中。通過不斷地執(zhí)行模型更新階段,可以減少不可見的運(yùn)行工況,實(shí)現(xiàn)實(shí)時(shí)暫態(tài)穩(wěn)定評(píng)估。

模型更新是一種長期機(jī)制。模型更新所需的工作量在早期可能會(huì)很大,隨著時(shí)間增長,更新頻率會(huì)逐漸減少。

2.2.3 在線評(píng)估

在圖2中,PMU 收集到的關(guān)鍵運(yùn)行特征將被傳遞到WAMS服務(wù)器。當(dāng)接收到PMU 實(shí)時(shí)測(cè)量數(shù)據(jù)時(shí),訓(xùn)練后的暫態(tài)穩(wěn)定評(píng)估模型可以立即給出評(píng)估結(jié)果。

3 系統(tǒng)應(yīng)用與分析

3.1 模型評(píng)價(jià)指標(biāo)

模型的評(píng)估性能使用AUC(Area Under the Curve)值來衡量。AUC 值表示接受者操作特性(Receiver Operating Characteristic,ROC)曲線下方的面積,是一種衡量二分類模型性能優(yōu)劣的評(píng)價(jià)指標(biāo),能很好描述模型整體性能的高低[17]。AUC值的計(jì)算公式如下

式中:M為穩(wěn)定樣本的數(shù)目;N為失穩(wěn)樣本的數(shù)目。AUC值介于0和1之間,其值越大,模型分類性能越好。當(dāng)AUC>0.85時(shí),表明模型的評(píng)估效果很好[17]。

3.2 應(yīng)用于39節(jié)點(diǎn)系統(tǒng)

將本文所提出的暫態(tài)穩(wěn)定評(píng)估方法在39節(jié)點(diǎn)系統(tǒng)上進(jìn)行了測(cè)試,該系統(tǒng)由10個(gè)發(fā)電機(jī)和46條傳輸線組成,如圖3所示。測(cè)試在Intel Core i7 3.00 GHz CPU 和8 GB RAM 的電腦上進(jìn)行。在測(cè)試中,假設(shè)系統(tǒng)的各節(jié)點(diǎn)附近上都安裝了PMU。

圖3 39節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)示意

本文使用Python 程序控制PSS/E 仿真軟件,實(shí)現(xiàn)自動(dòng)數(shù)據(jù)采集,得到用于模型訓(xùn)練的數(shù)據(jù)集。在原始數(shù)據(jù)分布的基礎(chǔ)上,在80%~120%隨機(jī)改變負(fù)荷水平,以記錄更多可能的電力系統(tǒng)運(yùn)行行為。在測(cè)試中,采用5倍交叉驗(yàn)證的方法,將獲得的數(shù)據(jù)隨機(jī)抽取80%進(jìn)行訓(xùn)練,剩下的20%用于測(cè)試。訓(xùn)練和測(cè)試重復(fù)5次以上,直到準(zhǔn)確率的均值和標(biāo)準(zhǔn)偏差穩(wěn)定下來。通過利用MIC方法探索變量之間的相關(guān)性,選擇30個(gè)關(guān)鍵特征作為Light GBM 的輸入,本文所選取的部分關(guān)鍵特征如表1所示。

表1 本文所選部分關(guān)鍵特征

本測(cè)試共計(jì)獲得4 100個(gè)樣本,其中3 280個(gè)樣本作為訓(xùn)練集,820個(gè)樣本作為測(cè)試集。將訓(xùn)練集輸入模型進(jìn)行訓(xùn)練,并用測(cè)試集驗(yàn)證模型有效性。

3.3 應(yīng)用于實(shí)際的1648節(jié)點(diǎn)系統(tǒng)

為了進(jìn)一步驗(yàn)證該方案的性能,采用一個(gè)實(shí)際的1648節(jié)點(diǎn)系統(tǒng)作為測(cè)試系統(tǒng)。該系統(tǒng)包括313個(gè)發(fā)電機(jī)、1 220個(gè)負(fù)載、2 294條輸電線路和182個(gè)分流器。同時(shí),采用與39節(jié)點(diǎn)系統(tǒng)相同的方法建立訓(xùn)練集與測(cè)試集。

本測(cè)試從1648節(jié)點(diǎn)系統(tǒng)中共計(jì)獲得37 440個(gè)樣本,其中29 952個(gè)樣本作為訓(xùn)練集,7 488個(gè)樣本作為測(cè)試集。將訓(xùn)練集輸入模型進(jìn)行訓(xùn)練,并用測(cè)試集驗(yàn)證模型有效性。在對(duì)模型進(jìn)行訓(xùn)練之前進(jìn)行特征選擇步驟。

表2展示了所提方法應(yīng)用在2個(gè)系統(tǒng)上時(shí)所得到的評(píng)估結(jié)果與評(píng)估時(shí)間?？梢钥闯?所提出的在線評(píng)估模型在實(shí)際系統(tǒng)應(yīng)用中,具有良好的評(píng)估效果且計(jì)算速度較快,能夠滿足在線應(yīng)用的要求。

表2 所提方法應(yīng)用在2個(gè)系統(tǒng)時(shí)的評(píng)估結(jié)果與評(píng)估時(shí)間

3.4 與其他傳統(tǒng)方法對(duì)比

為驗(yàn)證本文所提暫態(tài)穩(wěn)定評(píng)估方法的有效性,將本文所提方法與傳統(tǒng)評(píng)估方法(SVM、DT、RF和ANN)在39節(jié)點(diǎn)系統(tǒng)和實(shí)際1648節(jié)點(diǎn)系統(tǒng)上進(jìn)行性能對(duì)比。在測(cè)試中,每種方法使用相同的訓(xùn)練集和測(cè)試集。測(cè)試結(jié)果如圖4和圖5所示。

圖4 39節(jié)點(diǎn)系統(tǒng)中所提方法與傳統(tǒng)方法的比較

圖5 1648節(jié)點(diǎn)系統(tǒng)中所提方法與傳統(tǒng)方法的比較

從圖4和圖5中可以看出,本文所提出的基于LightGBM 的暫態(tài)穩(wěn)定評(píng)估方法與傳統(tǒng)評(píng)估方法相比有較明顯的優(yōu)勢(shì)。在輸入相同變量的情況下,本文所提方法不僅有最大的AUC值,運(yùn)行速度也是最快。由此可知,相比于傳統(tǒng)評(píng)估方法,本文所提方法更加適用于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估領(lǐng)域。

3.5 特征選擇的有效性

為分析本文所提基于MIC 的特征選擇算法的作用,利用2個(gè)系統(tǒng)中未經(jīng)過特征選擇的原始數(shù)據(jù)集對(duì)Light GBM 分類器進(jìn)行性能測(cè)試。在此次測(cè)試中,樣本數(shù)量和測(cè)試環(huán)境均與3.1 節(jié)中的測(cè)試條件相同。測(cè)試結(jié)果如表3所示。

表3 2種系統(tǒng)有無特征選擇時(shí)的AUC值和計(jì)算時(shí)間

表3總結(jié)了所提方法在2種系統(tǒng)上有無特征選擇時(shí)的AUC值和計(jì)算時(shí)間。理論上,原始數(shù)據(jù)中包含最豐富的系統(tǒng)信息,但在使用原始數(shù)據(jù)訓(xùn)練Light GBM 時(shí),可能會(huì)導(dǎo)致過擬合,使得模型評(píng)估性能較差。另一方面,特征維數(shù)過多的原始數(shù)據(jù)會(huì)導(dǎo)致模型訓(xùn)練時(shí)間較長。通過表3的測(cè)試結(jié)果可知,本文所提出的特征選擇過程在不影響LightGBM 分類器精度的前提下,顯著提高了模型的計(jì)算速度,其對(duì)后續(xù)評(píng)估具有較大意義,能保證在線評(píng)估的時(shí)效性需求。因此,有必要對(duì)原始數(shù)據(jù)進(jìn)行特征選擇,并在暫態(tài)穩(wěn)定評(píng)估方法中添加特征選擇環(huán)節(jié)。

4 結(jié)論

本文提出了一種基于Light GBM 的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法,該方法包括特征選擇和分類評(píng)估兩部分。為降低數(shù)據(jù)維度,提高后續(xù)評(píng)估模型的性能,利用基于MIC 的特征選擇方法篩選與電力系統(tǒng)暫態(tài)穩(wěn)定分析相關(guān)性較強(qiáng)的關(guān)鍵特征。在后續(xù)分類評(píng)估方面,Light GBM 分類器被用于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估問題,與傳統(tǒng)評(píng)估方法相比,其具有明顯的優(yōu)勢(shì),更適用于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估領(lǐng)域。在39節(jié)點(diǎn)系統(tǒng)和一個(gè)實(shí)際的1648節(jié)點(diǎn)系統(tǒng)上應(yīng)用驗(yàn)證了本文所提方法的評(píng)估性能。綜上所述,本文所提出的基于Light GBM 的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法可以快速、準(zhǔn)確地評(píng)估電力系統(tǒng)的運(yùn)行狀態(tài),系統(tǒng)運(yùn)行人員可及時(shí)捕捉系統(tǒng)的狀態(tài)信息,以避免潛在運(yùn)行故障所帶來的安全風(fēng)險(xiǎn),其對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義。