(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211201987.4 (22)申请日 2022.09.29 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 龙云　刘璐豪　梁雪青　卢有飞　 赵宏伟　吴任博　陈明辉　张少凡　 刘超　王历晔　刘俊　李雨婷　 彭鑫　赵誉　刘晓明　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 杨望仙 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/10(2019.01)G06Q 50/06(2012.01) (54)发明名称 基于Spearman相关系数特征提取的电力系 统暂稳评估方法 (57)摘要 本发明涉及电力系统技术领域， 具体为基于 Spearman相 关系数特征提取的电力系 统暂稳评 估方法。 该方法包括： 收集各发电机电磁功率、 端 电压、 功角， 各母线节点电压历史数据， 生成暂稳 仿真数据， 进行数据预处理及样本分类； 基于 Spearman相关系数进行特征筛选， 对数据集进行 降维处理； 构建暂稳评估机器学习模型， 利用降 维后的数据集训练模型， 通过在 线模型验证及再 训练后， 最终输出训练好的暂稳评估机器学习模 型， 通过训练好的暂稳评估机器学习模型对电力 系统暂态稳定性进行评估。 本发 明可以降低量测 装置成本并降低数据维度， 快速准确评估大规模 电力系统暂态的稳定性， 为电网调度人员提供辅 助决策支持， 显著提升电网实际运行的安全性。 权利要求书2页 说明书6页 附图2页 CN 115526258 A 2022.12.27 CN 115526258 A 1.基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 包括以下 步骤： 收集电力系统 的若干个特征变量的历史运行数据， 根据 特征变量的历史运行数据通过 暂态时域仿真生成暂稳仿真数据， 对特征变量的历史运行数据进行数据预处理， 根据暂稳 仿真数据和预处 理后的特 征变量的历史运行 数据构建初筛样本集； 基于Spearman相关系数对初筛样本集中的样本数据进行特征筛选和降维， 得到特征筛 选降维后的低维样本集， 根据低维样本集 生成电力系统暂态稳定 评估数据集； 构建暂稳评估机器学习模型， 利用低维样本集对暂稳评估机器学习模型进行预训练， 对暂稳评估机器学习模型进行在线模型验证及再训练， 输出训练好的暂稳评估机器学习模 型； 通过训练好的暂稳评估机器学习模型对电力系统暂态稳定性进行评估。 2.根据权利要求1所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述收集电力系统的若干个特征变量包括 发电机电磁功 率、 发电机端电压、 发 电机功角和母线节点电压 。 3.根据权利要求2所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 对所述根据特征变量的历史运行数据通过暂态时域仿 真生成暂稳仿真数据包 括： 分别根据收集的发电机电磁功 率、 发电机端电压、 发电机功角和母线节点电压的历史运 行数据， 通过电力系统稳态潮流计算分析 软件进行暂态计算 生成暂稳仿真数据。 4.根据权利要求3所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 对所述特征变量的历史运行数据进 行数据预 处理， 包括数据异常处理， 数据缺 失处理， 对经过数据异常处 理和数据缺失处 理后的数据进行分类。 5.根据权利要求4所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述数据异常处理包括： 对收集的发电机电磁功率、 发电机端电压、 发电机功 角和母线节点电压的历史运行 数据进行滑动平均值滤波； 所述数据缺失处理包括： 当数据的缺失率大于80％， 删除含有缺失值的数据； 当数据的 缺失率小于10％， 使用含有缺 失值的数据； 当数据的缺 失率为10％～80％， 采用同类均值插 补的算法对缺失的数据进行补全； 所述对经过数据异常处理和数据缺失处理后的数据进行分类包括： 根据电力系统 的特 征变量与电力系统暂态稳定性的关系， 对经过数据异常处理和数据缺失处理后的数据进 行 分类。 6.根据权利要求1所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述基于Spearman相关系数对初筛样 本集中的样 本数据进 行特征筛选和降维 包括： 计算各个特 征变量与电力系统暂态稳定性之间的Spearman相关系数； 通过假设检验 的方法检验各个特征变量与电力系统暂态稳定性之间的Spearman相 关 系数的显著 性， 当特征变量与电力系统暂态稳定性之间的Spearman相关系数在预定的置信 水平下显著 异于0， 将特征变量的节点数据予以保留； 否则， 剔除特 征变量的节点数据。 7.根据权利要求6所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述通过假设检验的方法检验各个特征变量与电力系统暂态稳定性之间的权　利　要　求　书 1/2 页 2 CN 115526258 A 2Spearman相关系数的显著性， 包括： 提出原假设H 0和备择假设H1， 检验Spearman相关系数 是否显著异于0； 使用要检验的量构造出一个符合某一分布的统计量， 若样本量超过30， 构造的统计量 及其符合的分布为： 其中， rs为Spearman相关系数， n 为样本量， N(0,1)表示 服从正态分布； 设定一个置信水平， 将要检验的值代入统计量中计算得到一个特定值； 根据统计量的分布情况， 画出该分布的概率密度函数， 根据置信水平查找 临界值， 划定 接受域和拒绝 域， 通过检验值倒推出其对应概 率， 其对应概 率记为p值； 根据得到的特定值落在接受域还是拒绝域， 接受或拒绝原假设； 当概率p<0.1， 则在设 定的置信水平上拒绝原假设， 判定Spearman相关系数 是显著异于0。 8.根据权利要求1所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述构建暂稳评估机器学习模型， 利用低 维样本集对暂稳评估机器学习模型 进行预训练， 包括： 将筛选降维后的发电机功角、 端电压、 电磁功率和母线电压的低维特征数据作为输入 特征， 采用支持向量机的机器学习算法， 训练输入特征和对应的稳定与不稳定的二分类标 签之间的关联关系， 以得到支持向量机预训练模型； 采用粒子群算法对支持向量机预训练模型的参数进行优化更新。 9.根据权利要求8所述的基于Spearman相 关系数特征提取的电力系 统暂稳评估方法， 其特征在于， 所述对暂稳评估机器学习模型进行在线模型验证及再训练包括： 根据暂稳评 估机器学习模型在线运行时新生成的运行样本数据， 对所建立的暂稳评估机器学习模型进 行在线评估验证， 如果在线评估时的验证精度不满足设定值， 则基于原数据集的交叉验证 再根据新运行场景下在线生成的样本对模型进行再训练， 直到暂稳评估机器学习模型在线 评估时的验证精度满足设定值。权　利　要　求　书 2/2 页 3 CN 115526258 A 3