(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 202211200690.6 (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. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 20/10(2019.01) G06K 9/62(2022.01) H02J 3/00(2006.01) (54)发明名称 基于机器学习组合预测的电力系统暂态稳 定性预测方法 (57)摘要 本发明涉及电力系统技术领域， 具体为基于 机器学习组合预测的电力系统暂态稳定性预测 方法， 该方法包括： 对选取的多个不同的轨迹变 量进行离散化特征采样， 得到离散化轨迹变量数 据； 根据离散化轨迹变量数据构建样本集合， 通 过10折交叉验证法划分训练集和测试集； 采用支 持向量机的机器学习算法训练得到多个暂态稳 定性预测的子学习机； 通过WTA方法确定多个暂 态稳定性预测的子学习机的集 成学习组合策略， 构建暂态稳定性预测的集 成学习模 型。 本发明可 以提高电力系统暂态稳定性的整体预测准确率， 充分利用电力系统中的数据， 使不稳定样本的预 测结果更准确， 有更强的学习能力和泛化能力。 权利要求书1页 说明书5页 附图2页 CN 115471004 A 2022.12.13 CN 115471004 A 1.基于机器学习组合预测的电力系统暂态稳定性预测方法， 其特 征在于， 包括： 根据电力系统暂态过程中不同轨迹变量与暂态稳定性的关系选取多个不同的轨迹变 量， 对选取的多个不同的轨 迹变量进行离 散化特征采样， 得到 离散化轨迹变量数据； 根据离散化轨迹变量数据构建样本集 合， 通过10折交叉验证法划分训练集和 测试集； 将样本集合的离散化轨迹变量数据作为多个类型的输入特征， 采用支持向量机的机器 学习算法训练得到多个暂态稳定性预测的子学习机； 通过WTA方法确定多个暂态稳定性预测的子学习机的集成学习组合策略， 构建暂态稳 定性预测的集成学习模型， 通过暂态稳定性预测的集成学习模型对电力系统暂态稳定性进 行预测。 2.根据权利要求1所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述多个不同的轨 迹变量包括发电机的功角 δ、 转子转速 ω及节点电压幅值V。 3.根据权利要求2所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述对选取 的多个不同的轨迹变量进行离散化特征采样包括： 在电力系统故障 切除后， 分别按周期T 连续在发电机的功角 δ轨迹曲线、 转子转速ω轨迹曲线、 节点电压幅值 V轨迹曲线上 取k个点的观测数据。 4.根据权利要求3所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述通过10折交叉验证法划分训练集和测试集， 包括： 训练中采用10折交叉验证 法， 将所有样本10等分， 选取任意9组样本作为训练集， 剩余1组样本作为测试集， 依次循环 10次。 5.根据权利要求2所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述将样本集合的离散化轨迹变量数据作为多个类型 的输入特征， 采用支持向 量机的机器学习算法训练得到多个暂态稳定性机器学习预测的子学习机， 包括： 将发电机的功角 δ、 转子转速ω及节点电压幅值V作为3个类型的输入特征， 采用支持向 量机的机器学习算法分别训练3个类型 的输入特征和 其对应的稳定标签、 不稳定标签之间 的关联关系； 在样本的训练过程中， 采用网格搜索法优化支持向量机的惩罚因子C和核参数γ， 得到 参数优化后的三个子学习机 。 6.根据权利要求5所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述采用网格搜索法优化支持向量机的惩罚因子C和核参数γ， 得到参数优化后 的三个子学习机包括： 将支持向量机的惩罚因子C和核参数γ分别在在2‑12～212和2‑12～212 按照步长21进行网格搜索， 然后取对应10折交叉准确率最高的结构参数建立最终的子学习 机。 7.根据权利要求5所述的基于机器学习组合预测的电力系统暂态稳定性预测方法， 其 特征在于， 所述通过WTA方法确定三个暂态稳定性预测的子学习机的集 成学习组合策略， 构 建暂态稳定性预测的集成学习模 型， 包括： 综合三个暂态稳定性预测的子学习机预测结果， 当三个暂态稳定性预测的子学习机预测结果中的任一子学习机预测结果是不稳定的， 则认 为电力系统暂态是不稳定的， 否则认为电力系统暂态是 稳定的。权　利　要　求　书 1/1 页 2 CN 115471004 A 2基于机器学习组合预测的电力系统暂态稳定性预测方 法 技术领域 [0001]本发明涉及电力系统技术领域， 具体涉及基于机器学习组合预测的电力系统暂态 稳定性预测方法。 背景技术 [0002]基于GPS和同步相量测量单元(Phasor  Measurement  Unit,PMU)的广域测量系统 (Wide‑Area Measurement  System,WAMS)和模式识别技术的日趋发展， 为电力系统在线暂 态稳定性评估提供了新的思路和技术手段。 通过对大量的离线仿真数据训练并构建基于机 器学习的评估模型， 来拟合暂态 过程中电力系统各种变量与暂态稳定性之 间复杂的非线性 函数关系(这种关系大多情况下无法用简单显性函数的形式来表达)， 然后对实时采集的系 统信息进行数据分析， 实现电力系统暂态稳定性的在线快速评估， 在电网受到大扰动后迅 速预测出系统的暂态稳定性， 为后续的紧急控制提供依据， 从而控制事故的发展和减小事 故的影响。 [0003]随着人工智能的兴起和发展， 电力系统专业人员开始研究将机器学习方法应用于 电力系统的暂态 稳定性预测与运行控制， 其主要思想是利用离线建立的学习机模型拟合电 力系统各种变量与暂态稳定性之间的函数关系， 不进行复杂的在线仿真计算， 而是根据实 时测量的数据， 快速预测出系统的暂态稳定性， 并为后续电力系统稳定性的在线紧急控制 提供依据。 电力系统暂态稳定性预测的学习机通常采用一种常见的用于暂态 稳定性预测的 学习方法， 如： 决策树(Decision  Tree， DT)， 神经网络(Neural  Network， NN)和支持向量机 (Support Vector Machine， SVM)等。 然而， 各个机器学习方法各有优劣， 不同文献的结论也 有不同。 [0004]目前， 电力系统稳定性评估的单个机器学习模型在投入实际电力系统中使用时， 不同机器学习子模型通常对不稳定场景稳定性预测判别的精度会降低， 采用单子学习机的 机器学习方法评估精度普遍不高， 尤其是无法保证可能导致暂态失稳场景 的评估准确 率。 其次， 目前电力系统稳定性评估机器学习训练时， 通常采用常见的发电机功角、 转速、 电磁 功率和机端电压等不同电气量分别建立模型， 每一类特征建立的机器学习模型的适应性均 不相同， 难以给出工程 实际中适用广泛的统一模型， 因此模型泛化能力较差， 尤其对不稳定 场景的预测精度难以保证。 发明内容 [0005]为解决现有技术所存在的技术问题， 本发明提供基于机器学习组合预测的电力系 统暂态稳定性预测方法， 可以提高电力系统暂态稳定性的整体预测准确 率， 充分利用电力 系统中的数据， 使不稳定样本的预测结果更准确， 可以不稳定场景 稳定性预测判别的精度。 [0006]本发明可以通过采取如下技 术方案达到： [0007]基于机器学习组合预测的电力系统暂态稳定性预测方法， 所述方法包括： [0008]根据电力系统暂态过程中不同轨迹变量与 暂态稳定性的关系选取多个不同的轨说　明　书 1/5 页 3 CN 115471004 A 3