基于Relief-FT的时间自适应TSA方法研究.docx

? ? 基于Relief-FT的时间自适应TSA方法研究 ? ? 徐 武，唐文权，文 聪，郭 兴 (云南民族大学电气信息工程学院，云南 昆明 650500) 1 引言 电力系统暂态稳定是指系统受到大扰动后能保持同步运行的能力，快速、准确评估暂态稳定状态是电力系统安全运行的迫切需求[1]。传统评估方法有时域仿真法和暂态能量函数法，时域仿真法通过求解模拟电力系统动态特性的高阶微分代数方程来实现，但由于计算量大，难以达到在线实时稳定评估；暂态能量函数法通过分析系统的能量函数来计算稳定指标，根据分析系统存储的能量得到工作点的稳定裕度，但针对大规模电力系统难以计算其不稳定平衡点[2]。 为实现快速准确暂态稳定评估，众多研究者提出了基于数据驱动的方法，如支持向量机，神经网络和决策树等方法[3]。在基于数据驱动方法的评估过程中，权衡评估过程的准确性和实时性是研究重点，通过考虑更多的参量数据能够提升评估的准确率，但评估时间也会增加，这对实现快速评估暂态稳定过程是不利的。暂态稳定评估(Transient Stability Assessment， TSA)方法的响应时间是固定的，由于定义了具有固定观测窗口的时间特征，需要在观测窗口内的所有测量值达到要求后进行TSA，观察窗口越长，TSA的准确率就会越高，但评估速度就会越慢，从而导致没有足够的时间让TSA进行补救行动。 本文提出了一种时间自适应暂态稳定评估方法，该方法通过考虑时间变化因素，对原始Relief-F算法进行了改进，减少了原始特征数据量，并改进了传统算法中由于时间变化导致算法性能较差的缺陷，再利用长短期记忆网络进行分析，通过对网络进行训练以满足检测要求，优化模型性能，最后通过PowerFactory软件对改进算法进行性能分析，实验结果表明，该方法在不影响评估精度的前提下，能够降低模型复杂度，提升评估的实时性。 2 时间自适应暂态稳定性评估 2.1 传统Relief-F的时间特征选择 原始特征集的构建是基于数据挖掘方法进行TSA的基础，特征集性能的优异直接决定系统的评估精度[4]。通过分析影响暂态稳定的主要因素，选取能反映系统动态的初始特征来构建TSA输入特征，包括发电机有功和无功功率、母线电压幅值和相位角、支路有功和无功功率以及负荷的有功和无功功率，构建的数据集在时间上最初的特征表现为 (1) 其中n为初始特征总数，T为观测窗口长度，xiT为T时刻的第i个特征。 根据基尔霍夫定律，上述特征之间存在一定的相关性，因此需要选择关键特征来降低特征维数、训练时间和特征冗余度[5]。Relief-F是一种高效特征排序算法，通过计算所有初始特征的重要性，然后按重要性降序对特征进行排序[6]。Relief-F的核心步骤是计算两个特征之间的差异，处理过程如下所示 (2) 其中R1和R2是原始数据集中的不同样本，a是样本中的一个特征。 2.2 基于Relief-FT的时间特征选择 Relief-F可以有效处理目标属性为连续值的回归问题，但不能分析时间序列等时间形式的特征，因此对Relief-F进行了改进，计算多变量时间特征的重要性，考虑了时间变化因素，改进算法称作为Relief-FT。改进后的样本之间在时间特征a上的差异公式可以改写为 (3) Relief-FT的分析过程见表1，其中m为用户自定义参数，确定整个过程的重复次数，P(C)为类C在所有样本中的比例。 Relief-FT时间特征选择算法如下所示： 输入：对于每个训练样本r∈R，一个向量的特征值a∈Α和长度的观察窗口T 输出：一个向量W∈R|Α|是重要性的评估特征a∈Α 1)将所有W设为0； 2)fori=1：m 3) 随机选取样本xi； 4)for每个类别C=class(xi) 5) 从类别C中选择k个最接近H的点； 6) 结束 7)for每个类别C≠class(xi) 8) 从类C中选择k个最接近M的点； 9) 结束 10)for每一个在Α中的a (4) 12) 结束 13)结束 通过计算所有初始特征的重要性，得出并将最重要的特征作为训练TSA模型的关键特征，其重要性特征的总和占所有重要特征总和95%的比例，在几乎保留全部原始特征信息的情况下有效降低了特征数量。 2.3 长短期记忆网络 长短期记忆网络(Long Short-Term Memory，LSTM)是基于递归神经网络得到的改进网络，可以学习和记忆多元时间序列中的长期依赖信息[7]。LSTM网络由遗忘门、输入门和输出门三个部分构成，并分别处理历史信息、输入信息和输出信息。将LSTM的存储单元合并历史信息和当前数据，实现特征提取[8]。通过这种方式获取特定时间戳ct的记忆状态并传递给下一个时隙，其数学表达式为 gt=Sigmoid(Wgxt+Ught-1+bg) (5) it=Si