一种基于智能特征选择的电力系统暂态电压稳定评估方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115906671A(43)申请公布日2023.04.04(21)申请号202310005722.5G06F111/08(2020.01)(22)申请日2023.01.04(71)申请人华北电力大学（保定）地址071000河北省保定市莲池区永华北大街619号(72)发明人甄永赞阮程(74)专利代理机构北京众合诚成知识产权代理有限公司11246专利代理师张文宝(51)Int.Cl.G06F30/27(2020.01)H02J3/12(2006.01)G06F18/2113(2023.01)G06F18/2415(2023.01)G06F113/04(2020.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于智能特征选择的电力系统暂态电压稳定评估方法(57)摘要本发明公开了属于电力系统暂态电压稳定评估技术领域的一种基于智能特征选择的电力系统暂态电压稳定评估方法。该方法包括：基于SMRMR对特征进行初筛；将互信息值转换为SU值，基于SU值获得任意两个特征之间的冗余度以及每个特征与类别之间的相关度后，采用增量搜索来选取由MRMR所定义的近似最优特征；基于QIBSO对步骤1选取的近似最优特征进行搜索细选；基于复合筛选框架进行暂态电压稳定评估；从时序维度与空间维度构造原始特征，将步骤2细选出的特征子集作为机器学习模型的输入对电力系统暂态电压稳定进行在线评估。本发明方法可以极大程度缩减特征子集维数，提升评估准确率并减少在线评估计算用时。CN115906671ACN115906671A权利要求书1/2页1.一种基于智能特征选择的电力系统暂态电压稳定评估方法，其特征在于，所述方法包括以下步骤：步骤1：基于SMRMR对特征进行初筛；将互信息值转换为SU值，基于SU值获得任意两个特征之间的冗余度以及每个特征与类别之间的相关度后，采用增量搜索来选取由MRMR所定义的近似最优特征；步骤2：基于QIBSO对步骤1选取的近似最优特征进行搜索细选；步骤3：基于复合筛选框架进行暂态电压稳定评估；从时序维度与空间维度构造原始特征，将步骤2细选出的特征子集作为机器学习模型的输入对电力系统暂态电压稳定进行在线评估。2.根据权利要求1所述基于智能特征选择的电力系统暂态电压稳定评估方法，其特征在于，所述步骤2具体包括：步骤21：随机或启发式生成初始解，由初始解生成一组参考解作为一个搜索区域，同时将初始解加入禁忌列表不再调用；步骤22：将参考解分配给蜜蜂进行局部搜索，在此期间评估访问的解决方案并寻找局部最优解；步骤23：局部搜索结束后，每只蜜蜂返回其找到的最优解，并将最优解全部加入dance表中来改进全局最优解或生成随机解；步骤24：当全局最优解得到改进时，下轮迭代选择该全局最优解作为初始解来进行开发；若所有的dance解都在禁忌列表中，则生成一个随机解作为初始解，选择与禁忌列表中所有解决方案差别最大的dance表解决方案进行探索；达到最大迭代次数时停止。3.根据权利要求2所述基于智能特征选择的电力系统暂态电压稳定评估方法，其特征在于，所述步骤22具体包括：步骤221：每只蜜蜂输入来自搜索域的参考解，并根据参考解确定下一个可能访问的解；将蜜蜂视为智能体，构成环境的状态st是蜜蜂附近所有可能的解决方案特征子集，动作at为翻转，rt为一对(st,at)相关的奖励；步骤222：计算可访问的每个解的Q值；环境由一组状态S＝{s1,s2，…，sn}所描述，A＝{a1,a2，…，an}是智能体在S的每个状态si中可选择的一组动作，每当为某个状态st执行一次动作at，智能体就会获得相应奖励rt，策略π的状态价值函数通过无限视界和折现量化MDP策略的优劣，表示为：式中，表示在状态s开始根据策略π选择动作所获得的期望总奖励；0≤γ≤1为折扣参数，将原始固定折扣参数修改为随迭代次数递减的变化量，其变化规律如下式所示：式中，i为迭代数，Imax为最大迭代数；定义下式为所有状态作用对的最优Q函数，2CN115906671A权利要求书2/2页则最优值函数为MDP问题简化为对所有动作状态对寻找Q函数最优值，采用时序差分法迭代求解；Q函数按照以下规则更新：式中，学习率α用于确定新信息对现有Q值的影响，a'为下一步可能采取的动作；步骤223：将计算得到的每个解的Q值存储于该蜜蜂的Q表中；其中，优化后的Q表第一个维度中的每个方框是一个向量，表示这个解决方案拥有的特征数量，因此它的大小是SMRMR降维后所保留的特征总数n；第二个维度是将解决方案中相同特征数量的组合汇总的列表，该列表将逐渐构造，并包含表征解决方案的信息，即Q值和导致该状态的动作；步骤224：所有蜜蜂共享Q表，在Q表的引导下决定采取何种动作使长期收益最大化；将各蜜蜂的