一种适应电力系统暂态电压稳定评估的混合智能特征选择方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116031879A(43)申请公布日2023.04.28(21)申请号202310174560.8(22)申请日2023.02.28(71)申请人四川大学地址610044四川省成都市一环路南一段24号(72)发明人王渝红朱玲俐郑宗生周旭李晨鑫史云翔何其多陈明雪(74)专利代理机构成都其知创新专利代理事务所(普通合伙)51326专利代理师王沙沙(51)Int.Cl.H02J3/00(2006.01)G06N3/006(2023.01)权利要求书2页说明书7页附图3页(54)发明名称一种适应电力系统暂态电压稳定评估的混合智能特征选择方法(57)摘要本发明公开了一种适应电力系统暂态电压稳定评估的混合智能特征选择方法，主要步骤包括：S1、样本生成：通过进行稳定性相关因素分析和原始特征集构建及多场景暂态时域仿真，得到高维时序样本数据集；S2、基于T‑Relief算法的特征有效性度量及初步筛选；S3、基于改进群体智能算法的特征选择及稳定性评估：通过步骤S2得到的特征有效性度量值，对群智能优化算法进行搜索性能增强，得到改进的群智能优化算法；基于此算法搭建封装式特征选择方案，并嵌入ConvGRU评估模型作为子集评价器，在步骤S2初筛特征基础上进一步实现特征子集寻优，降低特征冗余性。该方法能直接处理时序特征，并且在保证特征子集筛选质量的同时尽可能提升搜索效率。CN116031879ACN116031879A权利要求书1/2页1.一种适应电力系统暂态电压稳定评估的混合智能特征选择方法，其特征在于，步骤如下：S1、样本生成：通过进行稳定性相关因素分析和原始特征集构建及多场景暂态时域仿真，得到高维时序样本数据集；S2、基于T‑Relief算法的特征有效性度量及初步筛选，包括以下子步骤：S21、假设原始特征数据集共有M个样本，每个样本具有d个特征属性，数据记录的时间点个数为N；对具有N个时间步的M个时序高维特征数据进行时序分层，形成N个分层高维特征矩阵；S22、分别计算N个分层高维特征矩阵中M个样本与其他样本之间的欧式距离，构建欧式距离矩阵；S23、依据欧式距离矩阵，寻找各分层高维特征样本的近邻样本；计算对应时刻下各个特征的相关统计量；S24、对不同时刻分层下求得的相关统计量求平均，得到综合时序信息的各个特征有效性度量值δ；S25、设定阈值τ，筛选出满足条件的有效特征进行下一步骤；S3、基于改进群体智能算法的特征选择及稳定性评估，包括以下子步骤：S31、采用改进的二进制蝗虫优化算法进行特征选择；通过步骤S24得到的有效性度量值δ，对二进制蝗虫优化算法进行搜索性能增强，得到改进的二进制蝗虫优化算法；改进的二进制蝗虫优化算法中，改进蝗虫位置初始化公式及迭代更新公式如下：式中，a∈(0,1)为权重系数，r∈[0,1]为均匀分布随机数；Round(.)表示四舍五入取整函数；式中，β、η、γ均为权重系数，r∈[0,1]为均匀分布随机数；S32、嵌入ConvGRU的多维时序二分类模型对特征子集进行分类性能评估，以适应度函数作为综合评价指标，判断综合评价指标是否满足迭代次数要求，若满足迭代次数要求，则输出最优特征子集，若不满足迭代次数要求，则再次重复采用改进的二进制蝗虫优化算法进行特征选择。2.如权利要求1所述的适应电力系统暂态电压稳定评估的混合智能特征选择方法，其特征在于，步骤S1中，通过时域仿真获取电力系统受扰后暂态电压样本数据，并依据工程实用判据完成样本稳定性标注，从而构建特征选择与评估模型的训练和测试数据集，即高维时序样本数据集。2CN116031879A权利要求书2/2页3.如权利要求1所述的适应电力系统暂态电压稳定评估的混合智能特征选择方法，其特征在于，步骤S32中，ConvGRU的计算公式如下：Rt＝σ(Wxr*Xt+Whr*Ht‑1)Zt＝σ(Wxz*Xt+Whz*Ht‑1)式中，σ和tanh表示激励函数；⊙为按元素相乘；*为卷积运算；Rt示意重置门；Zt示意更新门；Xt表示当前时刻输入数据；表示当前候选值；Ht‑1表示上一时刻隐藏状态；Wxr、Whr、Wxz、Whz、Wxh、Whh分别表示对应连接的权重系数。4.如权利要求3所述的适应电力系统暂态电压稳定评估的混合智能特征选择方法，其特征在于，步骤S32中，采用的适应度函数如下：式中，β∈(0,1)为权重系数，|R|为对应特征子集的维度，|N|为原始特征维度；Pc为综合错判率指标；Pc计算公式如下：Pc＝αPfs+(1‑α)Pfus式中，α为权重系数，漏判率Pfs的计算公式如下：误判率Pfus的计算公式如下：式中，Fs表示错误判定为稳定的样本数；Fus表示错误判定为失稳的样本数；Ts表示正确判定为稳定的样本数；Tus表示正确判定为失稳