基于改进relief-f算法的电压稳定裕度评估方法、设备及介质
技术领域
1.本技术涉及电力系统电压稳定技术领域，尤其涉及一种基于改进relief-f算法的电压稳定裕度评估方法、设备及介质。
背景技术：2.电力的安全、可靠、稳定供应是国家及社会发展的基础，我国现阶段采取的电网调度运行模式通过一系列运行规则，将系统限制在一定的安全稳定运行状态中。运行规则在保证我国电网安全稳定，防止大规模停电事故中发挥了决定性作用。然而，随着我国电网规模的不断扩大及新能源高比例并网，现有基于运行规则的运行模式弊端突显：首先，传统运行规则基于离线数据分析并依靠半人工方式总结、提炼，其可靠性和准确性取决于运行方式人员的个人经验，存在一定主观性，同时受制于人的精力及计算能力，所提取的运行规则对在线运行方式变化的适应性不强；其次，随着网架规模的不断扩大和以风电光伏为代表的新能源大规模接入，电网运行特性日益复杂，离线数据分析计算规模呈指数级增长。因此，现有依靠人工提炼系统运行规则的工作模式已难以满足新环境下电网安全运行的需要，极易导致系统状态的误判、漏判，降低电网运行的安全性、稳定性以及经济性。
3.现有基于人工神经网络、支持向量机等人工智能技术的电压稳定评估方法虽然能获得可靠的评估结果，但受制于其技术自身的局限性，无法展示评估的机理过程，不能为运行人员提供具有可解释性的运行经验，实用性有待进一步提升。
技术实现要素：4.本技术实施例提供了一种基于改进relief-f算法的电压稳定裕度评估方法、设备及介质，用以解决现有的电压稳定裕度评估方法可解释性不强，并容易发生系统电压失稳状态漏判的技术问题。
5.一方面，本技术实施例提供了一种基于改进relief-f算法的电压稳定裕度评估方法，所述方法包括：根据预训练的决策树模型的路径提取电压稳定裕度评估规则；其中，所述决策树模型的训练样本集，利用引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以增强场景适应性；将向量测量单元采集的实测数据与提取出来的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
6.在本技术的一种实现方式中，所述决策树模型的训练过程为：基于母线参与因子、支路参与因子、发电机参与因子以及各自的第一预设阈值，筛选初始特征变量；在relief-f算法中引入惩罚因子，并基于所述relief-f算法计算所述初始特征变量的权重值；基于所述权重值确定关键特征变量；将训练样本集输入到决策树根节点，在决策树各级节点逐个计算所述关键特征变量的信息增益率；选取信息增益率最大的所述关键特征变量作为对应节点最终划分属性；利用所述最终划分属性对所述训练样本集进行逐级划分，以得到训练样本子集；将所述训练样本子集传输到所述决策树模型的次级节点，直至节点中训练样本
子集的初始熵为零，则决策树模型训练完成。
7.在本技术的一种实现方式中，训练样本集的获取，具体为：在系统初始运行点进行p-v曲线分析，并确定所述p-v曲线最大功率传输点；基于所述最大功率传输点，计算电压稳定裕度；基于所述电压稳定裕度，划分电压稳定状态区间；其中，所述电压稳定状态区间包括：正常状态区间、预警状态区间、紧急状态区间；在每个电压稳定状态区间内随机抽取等量运行点作为训练样本，并基于全部所述训练样本构建训练样本集。
8.在本技术的一种实现方式中，所述基于所述各母线参与因子、支路参与因子、发电机参与因子以及各自的第一预设阈值，确定初始特征变量，具体为：基于系统运行状态变量构建潮流方程；其中，所述系统运行状态变量包括：母线电压的幅值和相角、发电机无功功率以及支路流过的无功功率；对所述潮流方程依次进行线性化、矩阵降阶以及特征值分析，计算得到对应最小非零特征值；基于所述最小非零特征值，计算各条母线的参与因子、各条支路的参与因子以及各台发电机的参与因子数值；对各参与因子分别降序排列，设定各自的第一预设阈值以筛选所述初始特征变量。
9.在本技术的一种实现方式中，计算各母线参与因子，具体为：对所述潮流方程进行线性化、矩阵降阶以及特征值计算，以得到所述潮流方程降阶雅克比矩阵对应的特征值；计算最小特征值的左特征向量以及右特征向量；将所述左特征向量以及所述右特征向量进行相乘运算，得到母线参与因子。
10.在本技术的一种实现方式中，计算支路参与因子以及发电机参与因子，具体为：确定待测支路的无功损耗以及所有支路中无功损耗的最大值；将所述待测支路的无功损耗与所有支路中无功损耗的最大值做相除运算，以得到所述待测支路的参与因子；确定待测发电机输出的无功功率以及所有发电机输出的无功功率的最大值；将所述待测发电机输出的无功功率与所述所有发电机输出的无功功率的最大值做相除运算，以得到所述待测发电机的参与因子。
11.在本技术的一种实现方式中，所述根据所述关键特征变量对训练样本集进行划分，具体为：利用改进的relief-f算法计算各初始特征变量权重值，并对所述权重值降序排列；设定第二预设阈值，确定相应关键特征变量；基于所述关键特征变量对所述训练样本集进行划分。
12.在本技术的一种实现方式中，所述将训练样本集输入决策树模型进行训练，具体为：将训练样本集输入决策树模型的根节点，并计算所述训练样本集的初始熵；计算所有所述关键特征变量划分所述训练样本集得到的属性熵；基于所述初始熵以及所述属性熵，依次计算信息增益以及信息增益率；根据所述信息增益率确定最终划分属性；利用所述最终划分属性对所述训练样本集进行划分，以得到训练样本子集；将所述训练样本子集传输到所述决策树模型的次级节点；重复上述过程，直至所述训练样本子集的初始熵为零，则决策树模型训练完成。
13.另一方面，本技术实施例还提供了一种基于改进relief-f算法的电压稳定裕度评估设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入
了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
14.此外，本技术实施例还提供一种基于改进relief-f算法的电压稳定裕度评估的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
15.本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估评估方法，通过在relief-f算法中引入惩罚因子，有效的解决了其无法辨识不同标签差异的固有问题，避免了系统电压稳定状态判断中易发生漏警、误警的情况，切实提高了relief-f算法的场景适用性。融合参与因子分析和改进relief-f算法的特征变量选取方法，从特征变量的物理意义和分类能力两个角度对其进行了优选，既可以剔除冗余特征变量，有效提高电压稳定裕度的评估速度，还可以去除负效力特征变量，切实提升评估准确性。通过决策树模型来评估系统电压稳定状态，不仅能准确获知系统当前状态，并且可以为系统运行人员展示系统状态评估的整个流程及机理，为其提供辅助决策依据，以便在系统状态失稳时针对越限状态变量采取相应控制措施避免事故进一步扩大。
附图说明
16.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1为本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估评估方法流程图；
18.图2为本技术实施例提供的决策树模型的训练过程图；
19.图3为本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估评估设备示意图。
具体实施方式
20.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.我国现行的电网调度运行模式主要依靠已有的安全运行规则，通过将各运行状态量与既定安全运行规则进行校核以判断系统当前运行状态，并采取相应控制措施以维持电力系统的安全稳定。但随着“碳达峰、碳中和”目标的提出及新型电力系统构建的要求，现有电网调度运行模式已难以满足新形势下电网运行的需求。一方面，现有系统安全运行规则主要依靠半人工模式对电网历史运行数据进行梳理、归纳及总结，不同运行人员对相同问
题的认知深度不同，个人经验导致所形成的规则存在差异性；另一方面，随着电网规模的快速扩张及新能源渗透率日渐提高，电网运行特性愈加复杂，受制于人的精力，系统运行人员无法及时、有效处理和分析系统复杂运行方式下产生的海量数据及知识。
22.人工智能技术的出现为解决电力系统稳定评估问题提供了新方向，但现有以人工神经网络为代表的求解模型绝大多数均为黑箱模型，即仅能通过模型输出获得系统当前稳定状态结果，但无法提取支撑该结果的稳定知识，供系统运行人员对系统状态进行校验，因此工程实际中对此类方法认可度不高，实用性有待提升。同时，现有稳定评估技术的准确性有待进一步优化，一旦发生状态漏判或误判等情况，如果不采取紧急控制措施极易造成系统电压失稳，进而导致大规模停电事故的发生。
23.本技术实施例提供了基于改进relief-f算法的电压稳定裕度评估方法、设备及介质，用以解决现有的电压稳定裕度评估方法容易发生误判的技术问题。
24.下面通过附图对本技术实施例提出的技术方案进行详细的说明。
25.图1为本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估评估方法流程图。如图1所示，该方法主要包括以下步骤：
26.步骤101、根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则。
27.本技术实施例，采用预先训练的决策树模型来实现对电压稳定裕度的评估，是由于决策树模型具有可以兼顾评估结果准确性以及可解释性的优点。因此，事先要对决策树模型进行预训练，然后，根据训练完成的决策树模型的路径提取电压稳定裕度评估规则。
28.步骤102、将向量测量单元采集的实测数据与由决策树模型提取出来的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
29.本技术实施例中，要得出电压稳定裕度，需要根据由决策树模型提取出来的电压稳定裕度评估规则来确定，因此需要预先根据决策树模型进行电压稳定裕度规则的提取。
30.本技术实施例中，决策树模型的训练过程如图2所示，图2为本技术实施例提供的决策树模型的训练过程图，主要包括如下步骤：
31.步骤201、创建训练样本集。
32.本技术实施例中，在构建模型之前，首先需要获取相当数量的训练样本数据。本技术中，在电力系统初始运行点上逐步增加负荷，即可得到p-v曲线，然后将曲线的拐点定义为系统的最大功率传输点，即在此点增加负荷会导致系统逐步逼近失稳状态，因此可以把该拐点看作是系统的电压稳定极限水平。考虑到实际系统运行中需要保证运行状态远离稳定极限，本技术实施例中将系统实时运行点到最大功率传输点的距离，定义为系统的电压稳定裕度水平，以量化系统当前运行状态距稳定极限的程度。电压稳定裕度的计算公式如下：
[0033][0034]
其中，p
max
为系统的最大功率传输点，pi为系统的第i个运行点的功率，mi为运行点pi对应的电压稳定裕度。
[0035]
为保证系统运行人员在系统即将失稳的状态下有充足的时间采取控制措施保证系统稳定性，本技术中根据电压稳定裕度计算结果，将系统的电压稳定状态划分为三类区间，分别为正常状态区间(5％＜mi≤8％)、预警状态区间(1％＜mi≤5％)、紧急状态区间
(0％＜mi≤1％)。
[0036]
系统在正常状态区间运行时，系统电压状态稳定，无需采取控制措施。系统运行于预警状态区间时，系统有电压失稳的倾向和可能，系统运行人员此时应密切关注系统运行状态，并采取一定的控制措施，避免系统状态进一步恶化。而系统运行于紧急状态区间时，则表示此时系统已逼近失稳状态，如不采取紧急措施将会导致电压失稳，进而发生停电事故。
[0037]
本技术实施例中，兼顾静态电压稳定裕度在线评估的速度和准确度，分别在每个状态区间取等量且充裕的系统运行点，并将抽取的全部系统运行点创建训练样本集。
[0038]
步骤202、基于母线参与因子、支路参与因子、发电机参与因子以及各自的第一预设阈值，筛选初始特征变量。
[0039]
在本技术实施例中，由于影响电力系统电压稳定的主要原因是无功功率支撑不足，因此选取与无功功率密切相关的发电机、母线、支路等系统设备元件的相应状态变量作为原始特征变量，即各条母线的电压幅值和相角，各台发电机所能提供的无功功率以及各条支路损耗的无功功率。在本技术实施例中，各个原始特征变量的确定，需要经过相应的计算操作来完成，根据系统运行状态变量构建潮流方程，系统运行状态变量包括：母线电压的幅值和相角、发电机无功功率以及支路流过的无功功率等。
[0040]
进一步地，对所述潮流方程进行线性化、矩阵降阶、特征值计算等操作，可以得到潮流方程雅克比矩阵对应的一系列特征值λi，λi可以表示为：
[0041][0042]
其中，δv电压幅值增量，δq为无功功率增量。可以看出当λi很小时，无功功率的微小变化都会导致系统电压的剧烈波动。因此λi越小表示系统越接近电压失稳状态。基于此在λi中选取非零最小值进行母线参与因子计算，即量化各母线对系统电压稳定的贡献度，也就是说通过特征值λi可以得出特征值λi的左特征向量ξi以及右特征向量ηi。
[0043]
将前述左特征向量ξi以及右特征向量ηi进行相乘操作，即可得到母线参与因子，公式如下：
[0044]
p
ki
＝ξ
ki
η
ki
[0045]
其中，p
ki
为λi对应的系统状态下第k条母线的参与因子，ξ
ki
和η
ki
分别为λi的左、右特征向量的第k个元素。
[0046]
各条支路对系统电压稳定的影响由其无功功率损耗确定，计算公式如下：
[0047][0048]
其中，p
ji
为λi对应的系统状态下第j条支路的参与因子，δq
loss.j
为支路j的无功损耗，δq
loss.max
.i为所有支路中无功功率损耗的最大值。
[0049]
各台发电机对系统电压稳定的影响由其输出的无功功率确定，计算公式如下：
[0050]
[0051]
其中，δq
g.i
为发电机i提供的无功功率；δq
gen.max.i
为所有发电机的无功功率最大值。
[0052]
在本技术实施例中，计算出各个设备的参与因子之后，分别对其进行降序排列，然后设定第一预设阈值对母线电压的幅值和相角、支路无功功率以及发电机无功功率等各状态变量进行筛选，并作为模型评估的初始特征变量。
[0053]
步骤203、基于改进的relief-f算法计算初始特征变量的权重值，并确定关键特征变量。
[0054]
本技术实施例中，考虑到决策树模型一旦选取到冗余特征变量或负效力特征变量会直接影响静态电压稳定评估结果的准确性和速度，因此利用特征选择算法进一步降维。同时考虑到现有特征选择算法无法衡量异类标签的差异，将其直接应用于电压稳定评估场景中易引发漏警或误警情况，场景适应性不高，因此本发明专利在relief-f算法中引入惩罚因子，提出了一种改进的relief-f算法：
[0055][0056]
其中，r为任一训练样本，hj为与r同属一类的样本，mj和nj为与r异类的样本，ωa为任一初始特征变量a的权重值，初始值为零，p(class(*))表示样本集中属于类别class(ri)的样本的比例，k1和k2分别为异类标签的惩罚因子，n为迭代计算的次数，m表示选取m个距离最近的样本，diffa(*)为样本距离函数：
[0057][0058]
其中，va(i1)和va(i2)分别表示样本i1和i2在特征变量a下的取值；va(ii)
max
和va(ii)
min
则分别表示所有样本在特征变量a下的最大值和最小值。
[0059]
本技术实施例中，惩罚因子的取值取决于样本r类别与其异类样本m、n类别的相对关系。当异类样本相对于样本r为漏警情况时，样本的误判会导致系统电压进一步失稳，因此为避免误警情况的发生应增加公式中该异类样本的迭代比重，即将惩罚因子设定为正值，进而使具备区分漏警能力的特征变量的权重值增大；而当异类样本相对于样本r为误警情况时，样本的误判并不会对系统电压稳定造成严重后果，因此无需设定惩罚因子以增加特征变量权重值在迭代计算中的权重。惩罚因子具体设置情况见表1：
[0060][0061]
表1改进relief-f算法的惩罚因子设置
[0062]
进一步地，利用改进的relief-f算法公式计算所有初始特征变量的权重值，然后对各个初始特征变量的权重值进行降序排列，通过设定阈值选取关键特征变量以构建静态电压稳定在线评估模型。
[0063]
步骤204、利用关键特征变量在决策树的根节点和每个子节点对训练样本集进行逐级划分，直到决策树到达叶节点。
[0064]
本技术实施例中，为了兼顾系统电压稳定状态评估结果的准确性和可解释性，采用决策树模型来构建电压稳定裕度评估模型。
[0065]
本技术实施例中，所述训练样本集存储于决策树模型的根节点中，然后选取任一所述关键特征变量对其进行划分，所得训练样本子集分别存储于下一级两个子节点中，重复此过程直到某个节点中全部训练样本同属一类，并将该节点作为叶节点。从根节点到任意一个叶节点的路径，清楚地展现了含有不同类别的训练样本的集合逐步细化为多个仅包含同类训练样本的子集的全流程。
[0066]
进一步地，首先将完整的训练样本集输入到根节点中，然后计算初始熵，计算过程如下：
[0067][0068]
其中，s为由4.2节得到的训练样本集，m＝3对应系统状态个数，pi为训练样本集s中属于类别i(i＝1，2，3)的训练样本占训练样本总数的比例。
[0069]
在此基础上，计算利用不同关键特征变量作为划分属性对训练样本集进行划分后的属性熵：
[0070][0071]
其中，a是任一前述关键特征变量，s
l
和sr是依据关键特征变量a将训练样本集划分后的两个训练样本子集，|s
l
|、|sr|以及|s|表示对应训练样本子集中样本的个数。
[0072]
本技术实施例中，将初始熵与属性熵做差即可量化各关键特征变量降低训练样本集混乱程度的能力，并将其定义为信息增益，信息增益的计算过程如下：
[0073]
gain(a)＝entropy(s)-entropya(s)
[0074]
然后，引入分裂信息，即可量化各关键特征变量的增益率，其中分裂信息的公式如下：
[0075][0076]
式中，k为划分属性能将训练样本划分成的类个数，si是由这个划分属性划分后的训练样本数。
[0077]
增益率的计算过程为：
[0078][0079]
分别计算所有关键特征变量的增益率，然后将最大增益率对应的关键特征变量作为根节点处训练样本的最终划分属性，然后利用最终划分属性对训练样本集进行划分，以得到最终训练样本子集。
[0080]
进一步地，将最终训练样本子集分别传递给次级节点，再次计算各关键特征变量的增益率，并选取各节点处的划分属性，重复此过程直到节点中训练样本同属一类，即初始
熵为0，并将此节点作为叶节点，当全部路径都达到即可认为决策树模型构建完成。
[0081]
本技术实施例中，决策树模型构建完成之后，可以根据决策树的路径提取电压稳定评估规则。系统运行人员可以将向量测量单元采集的实测数据与所提取的规则进行匹配，以评估系统处于何种电压稳定状态。
[0082]
本技术实施例提供的一种基于改进relief-f算法的电压稳定裕度评估评估方法，通过在relief-f算法中引入惩罚因子，然后通过改进后的relief-f算法确定关键特征变量，有效的解决了relief-f算法无法辨识不同标签差异的固有问题，避免了漏警、误警情况的发生，切实提高了relief-f算法在静态电压稳定评估场景中的适用性。融合参与因子分析和改进relief-f算法的关键特征变量选取方法，从变量的物理意义和分类能力两个角度对特征变量进行了优选，既可以剔除冗余特征变量，有效提高电压稳定裕度的评估速度，还可以去除负效力特征变量，切实提升评估结果的准确性。利用决策树模型对电力系统静态电压稳定状态进行评估，不仅可以得到准确的评估结果，并且可以为系统运行人员展现系统的失稳机理，为其提供辅助决策依据，以便针对越限状态变量采取相应的控制措施。
[0083]
以上是本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估方法，基于同样的发明构思，本技术实施例还提供了基于改进relief-f算法的电压稳定裕度评估设备，图3为本技术实施例提供的基于改进relief-f算法的电压稳定裕度评估评估设备示意图，如图3所示，该设备主要包括：至少一个处理器301；以及，与至少一个处理器通信连接的存储器302；其中，存储器302存储有可被至少一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够完成：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；
[0084]
将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
[0085]
除此之外，本技术实施例还提供了基于改进relief-f算法的电压稳定裕度评估的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；
[0086]
将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
[0087]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0088]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0089]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0090]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0091]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0092]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0093]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。
技术特征：1.基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，所述方法包括：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。2.根据权利要求1所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，所述决策树模型的训练过程为：基于母线参与因子、支路参与因子、发电机参与因子以及各自的第一预设阈值，筛选初始特征变量；在relief-f算法中引入惩罚因子，并基于所述改进relief-f算法计算所述初始特征变量的权重值；基于所述权重值确定关键特征变量；根据所述关键特征变量在决策树模型各级节点对训练样本集进行逐级划分，并将划分后得到的训练样本子集输入决策树模型的次级节点进行训练，直到节点中训练样本同属一类。3.根据权利要求2所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，获取训练样本集的过程为：在系统初始运行点进行p-v曲线分析，确定所述p-v曲线的最大功率传输点；基于所述最大功率传输点，计算电压稳定裕度；基于所述电压稳定裕度，划分电压稳定状态区间；其中，所述电压稳定状态区间包括：正常状态区间、预警状态区间、紧急状态区间；在每个电压稳定状态区间内随机抽取等量运行点作为训练样本。4.根据权利要求2所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，所述基于所述母线参与因子、支路参与因子、发电机参与因子以及各自的第一预设阈值，筛选初始特征变量，具体为：基于系统运行状态变量构建潮流方程；其中，所述系统运行状态变量包括：母线电压的幅值和相角、发电机无功功率以及支路流过的无功功率；对所述潮流方程依次进行线性化、矩阵降阶以及特征值分析，计算得到对应最小非零特征值；基于所述最小非零特征值，计算各条母线的参与因子、各条支路的参与因子以及各台发电机的参与因子数值；对各参与因子分别降序排列，设定各自的第一预设阈值以筛选所述初始特征变量。5.根据权利要求4所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，计算各条母线的参与因子，具体为：对所述潮流方程进行线性化、矩阵降阶以及特征值分析，以得到所述潮流方程降阶雅克比矩阵对应的最小非零特征值；计算所述最小非零特征值的左特征向量以及右特征向量；将所述左特征向量以及所述右特征向量进行相乘运算，以得到母线参与因子。
6.根据权利要求4所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，计算各条支路的参与因子以及各台发电机的参与因子，具体为：确定待测支路的无功损耗以及所有支路中无功损耗的最大值；将所述待测支路的无功损耗以及所有支路中无功损耗的最大值做相除运算，以得到所述待测支路的支路参与因子；确定待测发电机输出的无功功率以及所有发电机输出的无功功率最大值；将所述待测发电机输出的无功功率以及所述所有发电机输出的无功功率最大值做相除运算，以得到所述待测发电机的参与因子。7.根据权利要求2所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，所述根据所述关键特征变量在决策树模型各级节点对训练样本集进行逐级划分，具体为：利用改进的relief-f算法计算各初始特征变量权重值；对所述各初始特征变量按照权重值进行降序排列；设定第二预设阈值，确定相应初始特征变量作为关键特征变量；基于所述关键特征变量对所述训练样本集进行划分。8.根据权利要求2所述的基于改进relief-f算法的电压稳定裕度评估方法，其特征在于，所述将划分后得到的训练样本子集输入决策树模型的次级节点进行训练，具体为：将训练样本集输入决策树模型的根节点，并计算所述训练样本集的初始熵；计算所有所述关键特征变量划分所述训练样本集得到的属性熵；基于所述初始熵以及所述属性熵，依次计算信息增益以及信息增益率；根据所述信息增益率确定最终划分属性；利用所述最终划分属性对所述训练样本集进行划分，以得到训练样本子集；将所述训练样本子集传输到所述决策树模型的次级节点；重复上述过程，直至所述训练样本子集的初始熵为零，则决策树模型训练完成。9.基于改进relief-f算法的电压稳定裕度评估设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。10.基于改进relief-f算法的电压稳定裕度评估的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的relief-f算法划分，所述惩罚因子用于识别异类标签以弥补relief-f算法固有缺陷，增强场景适应性；
将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。
技术总结本申请公开了一种基于改进Relief-F算法的电压稳定裕度评估方法、设备及介质，以解决现有方法在评估系统电压稳定裕度状态时易发生误判，进而造成系统电压失稳的技术问题。该方法包括：根据预训练的决策树模型的路径结构提取电压稳定裕度评估规则；其中，用于构建所述决策树模型的训练样本集，通过引入了惩罚因子的Relief-F算法进行划分，惩罚因子用于识别异类标签以弥补Relief-F算法固有缺陷，增强场景适应性；将向量测量单元采集的实测数据与由决策树模型提取的所述电压稳定裕度评估规则进行匹配，得出系统当前电压稳定状态。本申请实现了对不同类别标签差异的辨识，切实提高了Relief-F算法在电力系统静态电压稳定评估场景中的适用性，提升了电压稳定裕度评估的准确性。性。性。
技术研发人员：孟祥飞 赵龙 田鑫 杨思 高效海 杨斌 王男 张丽娜 付一木 魏佳 魏鑫 张玉跃 张栋梁 袁振华 程佩芬 邱轩宇 石冰珂 王耀 王辰 李哲 曾凡斐 刘志鹏
受保护的技术使用者：国家电网有限公司
技术研发日：2022.07.12
技术公布日：2022/11/1
