一种基于改进随机森林的电力系统电压稳定评估方法

技术领域

本发明涉及电力系统电压维稳的技术领域，尤其涉及一种基于改进随机森林的电力系统电压稳定评估方法。

背景技术

随着大量新兴负荷的接入以及可再生能源比重的逐步增加，现今的电力系统复杂性逐步提高，传统电力系统安全稳定分析愈发困难，系统的安全稳定运行必将面临巨大的考验。传统的系统安全稳定性分析主要依赖于运行人员的个人经验，一旦判断失误，则意味着给系统的安全运行带来负面影响，可能导致不必要的经济损失，甚至造成大面积停电事故。

随着机器学习技术发展，“随机森林”算法由于对“有偏数据”具有不敏感性，而常被用于电力系统电压稳定评估问题中。然而对于能源互联网这种更为庞大且具有多元和互联性质的能源网络，传统随机森林方法具有很高的局限性，如基于Bagging思想的训练样本选取方法随机性过强，极易破坏样本集数据结构，导致基决策树学习能力差，进而造成随机森林学习模型无法满足电压稳定评估业务的实际需求。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于改进随机森林的电力系统电压稳定评估方法解决现有的系统安全稳定性分析人工依赖性强，经济损失高的问题。

为解决上述技术问题，本发明提供如下技术方案：

本发明实施例提供了一种基于改进随机森林的电力系统电压稳定评估方法，包括：

基于P-V曲线分析结果及电压稳定状态区间构建基决策树的训练样本子集；

基于所述训练样本子集中各节点中属性的信息增益率，构建侯选属性集并以随机选取的方式确定各节点最终的分裂属性；

根据所述分裂结果利用绝对多数投票法并结合策略构建随机森林学习模型；

通过所述随机森林学习模型综合考虑规则覆盖度，并根据各个基决策树可靠度规则情况实现电压稳定的评估。

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述基决策树的训练样本子集包括：

所述基决策树训练样本是基于P-V曲线分析结果及电压稳定区间而生成的，其样本总数，表示为：

N

其中，N

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：还包括：训练样本集d分为A

其中，N

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：构建侯选属性集包括：在随机森林的决策树中引入扰动，针对每个决策树，从根节点开始，依次计算各个节点中属性的信息增益率；

对所述信息增益率进行降序排序，基于设定的阈值，选取最优属性的侯选属性，并利用最优属性和其侯选属性构建基决策树的属性集。

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述信息增益率的计算包括：

初始信息熵；

计算属性信息熵；

将样本集的初始信息熵和属性信息熵相减，量化该属性降低训练样本混乱程度的能力，计算信息增益；

在计算信息增益的基础上，引入分裂信息的概念计算各个属性的信息增益率。

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：所述初始信息熵，表示为：

其中，d为基于P-V曲线分析所生成的样本集，c为样本集中样本的类别数目，R

所述属性信息熵，表示为：

其中，v为任意一个关键特征变量属性，d

所述信息增益，表示为：

G(v)＝E(d)-E

所述分裂信息，表示为：

/>

其中，DpI(v)为属性v的分裂信息；

所述信息增益率，表示为：

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：选用绝对多数投票法结合策略构建随机森林学习模型，包括：

绝对多数投票法，表示为：

Rslt(x)＝ctg

其中，Rslt(x)为随机森林最终给出的分类结果，ctg

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：计算出覆盖度最高的评估规则包括：

随机森林学习模型构建完成后，即可根据其结构提取面向电压稳定的评估规则，覆盖度最高的评估规则，表示为：

其中，

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：计算所述规则的可靠度，表示为：

其中，

作为本发明所述的基于改进随机森林的电力系统电压稳定评估方法的一种优选方案，其中：实现电压稳定的评估，包括：根据所述规则的覆盖度和可靠度，基于归一化理论的计算规则得分，表示为：

其中，

计算随机森林中各个基决策树的规则得分，将得分按照降序进行排列，通过设定的阈值，提取随机森林的关键规则，实现电压稳定的评估。

与现有技术相比，本发明的有益效果：本发明基于随机森林的电力系统电压稳定评估模型，对系统运行状态进行离线分析，能够选择人工或半自动方式处理海量数据的难题，提升了运行部门的自动化水平，还能够为经济调度优化模型构建电压稳定约束条件提供可靠支撑。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的一种基于改进随机森林的电力系统电压稳定评估方法的基决策树属性筛选流程图；

图2为本发明一个实施例所述的一种基于改进随机森林的电力系统电压稳定评估方法的模型构建流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～2，为本发明的一个实施例，该实施例提供了一种基于改进随机森林的电力系统电压稳定评估方法，包括：

S1:基于P-V曲线分析结果及电压稳定状态区间构建基决策树的训练样本子集；

更进一步的，基决策树的训练样本子集包括：

基决策树训练样本是基于P-V曲线分析结果及电压稳定区间而生成的，其样本总数，表示为：

N

其中，N

应说明的是，在电压稳定评估中N

具体的，还包括：训练样本集d分为A

其中，N

S2:基于训练样本子集中各节点中属性的信息增益率，构建侯选属性集并以随机选取的方式确定各节点最终的分裂属性；

更进一步的，构建侯选属性集包括：在随机森林的决策树中引入扰动，针对每个决策树，从根节点开始，依次计算各个节点中属性的信息增益率；

对信息增益率进行降序排序，基于设定的阈值，选取最优属性的侯选属性，并利用最优属性和其侯选属性构建基决策树的属性集。

应说明的是，在属性筛选环节中引入了扰动，能够保证所选取属性具有良好的分类能力。

更进一步的，信息增益率的计算包括：

初始信息熵；

计算属性信息熵；

将样本集的初始信息熵和属性信息熵相减，量化该属性降低训练样本混乱程度的能力，计算信息增益；

在计算信息增益的基础上，引入分裂信息的概念计算各个属性的信息增益率。

应说明的是，信息增益越大表示样本集熵降低的越多，即代表该属性分类能力越强；在计算信息增益的基础上，引入分裂信息的概念以计算各个属性的信息增益率，可以避免过拟合问题。

具体的，初始信息熵，表示为：

其中，d为基于P-V曲线分析所生成的样本集，c为样本集中样本的类别数目，R

具体的，属性信息熵，表示为：

其中，v为任意一个关键特征变量属性，d

具体的，信息增益，表示为：

G(v)＝E(d)-E

具体的，分裂信息，表示为：

其中，DpI(v)为属性v的分裂信息；

具体的，信息增益率，表示为：

S3:根据分裂结果利用绝对多数投票法并结合策略构建随机森林学习模型；

更进一步的，选用绝对多数投票法结合策略构建随机森林学习模型，包括：

绝对多数投票法，表示为：

Rslt(x)＝ctg

其中，Rslt(x)为随机森林最终给出的分类结果，ctg

S4:通过随机森林学习模型综合考虑规则覆盖度，并根据各个基决策树可靠度规则情况实现电压稳定的评估。

更进一步的，计算出覆盖度最高的评估规则包括：

随机森林学习模型构建完成后，即可根据其结构提取面向电压稳定的评估规则，覆盖度最高的评估规则，表示为：

其中，

更进一步的，计算规则的可靠度，表示为：

其中，

更进一步的，实现电压稳定的评估，包括：根据规则的覆盖度和可靠度，基于归一化理论的计算规则得分，表示为：

其中，

应说明的是，

实施例2

参照图1～2，为本发明的一个实施例，通过对某电网电力系统进行评估，验证本发明的有益效果。

根据基决策树训练样本选取方法、基决策树属性筛选方法以及可靠评估模型对电力系统电压稳定进行评估，评估数据如表1所示：

表1评估数据

通过表1可以看出，本发明基于随机森林的电力系统电压稳定评估模型，对系统运行状态进行离线分析，能够选择人工或半自动方式处理海量数据的难题，提升了运行部门的自动化水平，还能够为经济调度优化模型构建电压稳定约束条件提供可靠支撑。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。