摘 要：隨著計算機技術的發(fā)展，諸多領域開始向智能化方向轉型，空間數(shù)據(jù)智能技術的應用日益受到關注。電力系統(tǒng)是整個電網(wǎng)運行的重要組成部分，也是電子元器件和電子設備的工作空間，如何對電力系統(tǒng)的穩(wěn)定性進行評估是保證其穩(wěn)定運行的關鍵。針對電力系統(tǒng)的暫態(tài)評估問題，融合空間數(shù)據(jù)智能技術，對樣本數(shù)據(jù)進行數(shù)據(jù)采集和特征提取模型的構建。利用支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ） 算法提高電力系統(tǒng)性能，引入核函數(shù)和馬氏距離對ＳＶＭ 算法進行優(yōu)化，建立了基于核ＳＶＭ （Ｋｅｒｎｅｌ ＳＶＭ，ＫＳＶＭ） 的電力系統(tǒng)暫態(tài)評估模型。在電力系統(tǒng)數(shù)據(jù)集上進行實驗，結果表明所提模型ＫＳＶＭ 精確率為９５． ６２％ ，比卷積神經(jīng)網(wǎng)絡算法高１１． ３６％ 。

關鍵詞：電力系統(tǒng)；暫態(tài)；支持向量機；核函數(shù)；馬氏距離

中圖分類號：ＴＰ３１１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１２－２７８０－０９

０ 引言

隨著科學技術的不斷發(fā)展和國民經(jīng)濟的不斷改善，電力系統(tǒng)穩(wěn)定運行越來越受到人們的重視。隨著電力元器件的大量使用，電力系統(tǒng)長期處于線路負荷狀態(tài)，其安全穩(wěn)定運行變得困難。如何提高系統(tǒng)運行穩(wěn)定性，避免電力系統(tǒng)發(fā)生故障已成為當前研究的熱點［１］。由于電力系統(tǒng)設備組成復雜，目前對電力系統(tǒng)暫態(tài)穩(wěn)定評估的精確率不足。Ａｋｈｌａｇｈｉ等［２］發(fā)現(xiàn)傳統(tǒng)的電力系統(tǒng)暫態(tài)和穩(wěn)態(tài)監(jiān)測存在算法缺陷，于是在傳統(tǒng)的Ｊａｙａ 算法中引入隨機向量函數(shù)鏈路網(wǎng)絡，構建新的算法模型。傳統(tǒng)的電力系統(tǒng)暫態(tài)評估方法無法確定運行拓撲和故障位置，因此在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡中加入新的關注層次動態(tài)網(wǎng)絡，可以減小電力系統(tǒng)的規(guī)模，增強神經(jīng)網(wǎng)絡層次池的表達能力。新的神經(jīng)網(wǎng)絡系統(tǒng)可以在不同場景下運行更多的電力系統(tǒng)模型，并且具有更強的魯棒性［３］。支持向量機（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ，ＳＶＭ）由于強大的數(shù)據(jù)處理能力和穩(wěn)定的算法性能，在解決精確率低、數(shù)據(jù)量大的問題上表現(xiàn)出了突出優(yōu)勢。在此基礎上，將ＳＶＭ 應用于電力系統(tǒng)暫態(tài)穩(wěn)定的研究中，對暫態(tài)穩(wěn)定數(shù)據(jù)進行處理［４］。同時，為了提高ＳＶＭ 性能，利用馬氏距離對ＳＶＭ 進行改進，使其在處理電力系統(tǒng)時更有優(yōu)勢［５］，并利用核函數(shù)將輸入數(shù)據(jù)映射到高維空間中，解決非線性分類問題。改進后的ＳＶＭ 稱為核ＳＶＭ（Ｋｅｒｎｅｌ ＳＶＭ，ＫＳＶＭ），本文構建基于ＫＳＶＭ 的電力系統(tǒng)暫態(tài)穩(wěn)定評估模型。

本文結構如下：第１ 節(jié)介紹國內(nèi)外學者的最新研究成果，介紹本文的主要方法和研究目標；第２ 節(jié)對傳統(tǒng)ＳＶＭ 進行改進，建立基于ＫＳＶＭ 的電力系統(tǒng)暫態(tài)評估模型，解決系統(tǒng)的瞬態(tài)穩(wěn)態(tài)問題；第３ 節(jié)利用算法對暫態(tài)數(shù)據(jù)進行處理，驗證算法的準確性和精確率，驗證本文所提方法相對于傳統(tǒng)模型的優(yōu)勢；第４ 節(jié)對本文工作進行總結。

１ 相關工作

如何評價和檢測暫態(tài)穩(wěn)定性是目前研究的熱點。Ｍａｓｔｏｉ 等［６］在研究中發(fā)現(xiàn)，風電場存在不穩(wěn)定和不確定性，因此提出了一種新的評估方法來解決系統(tǒng)暫態(tài)穩(wěn)定評估中的不穩(wěn)定問題。該方法既能判斷出來自電力系統(tǒng)安全區(qū)域的故障數(shù)據(jù)信息，又能識別出臨界線上不同的新指數(shù)數(shù)據(jù)。結果表明，新方法的效率要高得多，而且精確率沒有下降。Ｔｚｏｕｎａｓ 等［７］認為電力系統(tǒng)的實時暫態(tài)評估是防止系統(tǒng)失穩(wěn)和大規(guī)模停電的有效措施。然而，傳統(tǒng)的算法和網(wǎng)絡方法無法預測實施評估。因此，在傳統(tǒng)網(wǎng)絡的基礎上，提出了一種改進的信念網(wǎng)絡，可以提取損失函數(shù)的結構特征。實驗結果表明，結合新的網(wǎng)絡的方法在電力系統(tǒng)暫態(tài)穩(wěn)定評估中具有更好的精確性和魯棒性。

Ｔａｎ 等［８］在研究中發(fā)現(xiàn)，交流故障會影響交直流混合系統(tǒng)的暫態(tài)穩(wěn)態(tài)，導致此時系統(tǒng)暫態(tài)穩(wěn)定性下降。為此，提出一種新的暫態(tài)評估方法，可以通過交直流混合系統(tǒng)的網(wǎng)絡結果計算能量函數(shù)，然后通過二分法得到暫態(tài)清除數(shù)據(jù)。通過數(shù)據(jù)測試發(fā)現(xiàn)，所提出的新方法可以對暫態(tài)數(shù)據(jù)進行分析，而且有效性很高。文獻［９］提出一種新的基于深度學習的數(shù)據(jù)驅(qū)動框架，采用卷積算法提取特征數(shù)據(jù)，并對算法的精確率進行了調(diào)整，建立了方案。實驗結果表明，新框架下的電力系統(tǒng)測試具有更多優(yōu)勢。Ｓｈｒｉｖａｓｔａｖａ 等［１０］在對電力系統(tǒng)暫態(tài)穩(wěn)定的研究中，為改善電力系統(tǒng)暫態(tài)穩(wěn)定數(shù)據(jù)，提出了一種新的高效計算方法，可以分解不同模式下的本征函數(shù)，并計算出不同時間狀態(tài)下的能量變化。實驗結果表明，該方法可以提高電力系統(tǒng)暫態(tài)數(shù)據(jù)的精確性和效率。Ｓｈｅｎ 等［１１］提出一種新的機器學習穩(wěn)定性評估方法，以提高電力系統(tǒng)暫態(tài)穩(wěn)定性評估的精確性。實驗結果表明，新方法比傳統(tǒng)算法具有更好的預測精確性。

２ 基于ＫＳＶＭ 的電力系統(tǒng)暫態(tài)穩(wěn)定方法

本節(jié)主要對樣本數(shù)據(jù)進行數(shù)據(jù)采集和特征提取模型的構建，利用ＳＶＭ 算法對其進行改進，引入核函數(shù)和馬氏距離對ＳＶＭ 算法進行優(yōu)化，建立基于ＫＳＶＭ 的電力系統(tǒng)暫態(tài)評估模型。

２． １ 數(shù)據(jù)采集及特征提取

電力系統(tǒng)是整個設備的重要動力裝置。當電力系統(tǒng)發(fā)生斷路、短路等故障時，需要對系統(tǒng)進行暫態(tài)穩(wěn)定分析。此時，電力系統(tǒng)將經(jīng)歷故障前、故障中和故障后３ 個發(fā)展階段。在分析系統(tǒng)暫態(tài)穩(wěn)定性時，數(shù)據(jù)的提取和采集是評估的重要手段［１０］。圖１ 展示了電力系統(tǒng)的組成和結構。

圖１ 中，電力系統(tǒng)由監(jiān)控單元、傳感器和電源組成。供電裝置負責系統(tǒng)的電源輸入和阻斷，傳感器裝置負責感知功率和溫度等因素的傳輸信號和阻斷信號。監(jiān)控單元還包括顯示單元和數(shù)據(jù)接收單元，數(shù)據(jù)接收單元能夠接收和反饋系統(tǒng)信號。傳統(tǒng)的系統(tǒng)組件相對簡單，但在系統(tǒng)應用中卻能發(fā)揮很大的作用，是重要的系統(tǒng)組件。

系統(tǒng)在時間和空間上的暫態(tài)穩(wěn)定性可分為動態(tài)穩(wěn)定性和靜態(tài)穩(wěn)定性。動態(tài)穩(wěn)定性是電力系統(tǒng)運行時的狀態(tài)特性，如此時電力系統(tǒng)的功率、電壓、電流等。靜態(tài)穩(wěn)定性是指系統(tǒng)在靜態(tài)狀態(tài)下的特性，如系統(tǒng)相位角［１１］。為了使電力系統(tǒng)的采集和特征構建更加穩(wěn)定和容易，在構建特征時必須滿足原始特征與暫態(tài)穩(wěn)定之間的強相關性。功能的數(shù)據(jù)變化應該在一個相對穩(wěn)定的水平。不同時間提取的特征需要更短的提取時間，以保證實時性，如式（１）所示：