一种基于Stacking集成策略的短期电压稳定性评估方法

一种基于stacking集成策略的短期电压稳定性评估方法
技术领域
1.本发明涉及电力技术领域，具体是一种基于stacking集成策略的短期电压稳定性评估方法。


背景技术：

2.准确及时的评估短期电压稳定性对于现代电力系统的安全稳定运行至关重要。传统的时域仿真法作为一种简洁的短期电压稳定评估方法，在分布式能源和高比例动态负载并网后，由于其自身波动性和复杂性导致该方法的精度不够理想，同时导致该方法的评估时间过于漫长，因此，要想单纯依赖时域仿真对短期电压稳定进行准确实时的在线评估是不可能实现的，而缺少准确实时评估现代电力系统的短期电压稳定性的评估方法，不利于现代电力系统安全稳定的运行。


技术实现要素：

3.本发明的目的在于解决现有技术中存在的问题，提供一种基于stacking集成策略的短期电压稳定性评估方法，将机器学习模型和深度学习评估模型相结合，能够更加准确实时评估现代电力系统短期电压稳定性。
4.本发明为实现上述目的，通过以下技术方案实现：
5.一种基于stacking集成策略的短期电压稳定性评估方法，首先，基于stacking集成策略，将机器和深度学习评估模型集成，构建集成机器和深度学习评估模型，选择adaboost、knn和bo-cnn-lstm作为集成机器和深度学习评估模型的基学习器，adaboost作为集成机器和深度学习评估模型的次学习器；然后，将短期电压数据输入集成机器和深度学习评估模型即可获知电力系统短期电压的稳定性。
6.优选的，集成机器和深度学习评估模型的构建方法包括步骤：
7.s1、获取原始数据集；
8.s2、对原始数据集进行数据预处理，处理之后的数据集按照比例被划分为训练集和测试集；
9.s3、构建集成机器和深度学习评估模型并进行模型训练，利用预处理数据样本的训练集训练得到三个基学习器，然后用基学习器对测试集进行评估，并将输出值作为次学习器的输入值，最终标签作为输出值，用于训练次学习器；
10.s4、使用评估准确率和均方根误差来对比模型的优劣性。
11.优选的，步骤s1中，原始数据集中的每一组数据均包括动态负载占比、故障持续时间、故障位置以及短期电压稳定与否。
12.优选的，步骤s1中，通过时域仿真确定整个电力系统的短期电压稳定与否。
13.优选的，步骤s2中，将短期电压稳定与否作为集成机器和深度学习评估模型的输出，其余三个特征指标作为输入，数据预处理包括数据均衡、数值转换和数据规范化。
14.优选的，采用svm-smote过采样方法削弱短期电压数据不均衡对评估精度的负面
影响；将故障位置和稳定与否数值化处理，以方便后续用于所提混合模型训练；采用最小-最大归一化避免数值差异的负面影响。
15.优选的，处理之后的数据集按照7:3的比例被划分为训练集和测试集。
16.优选的，步骤s3中，在使用三个基学习器进行评估的时候，采用五折交叉验证，以防止过拟合。
17.对比现有技术，本发明的有益效果在于：
18.1、本发明能够改善短期电压数据不均衡对短期电压稳定性评估的不利影响；将机器学习和深度学习的优势进行集成，集深度学习对非线性、复杂性的数据的内在潜在关系的深度挖掘优势；集机器学习在二分类评估问题上独特的评估优势，能够更加准确实时评估现代电力系统短期电压稳定性。
19.2、本发明选择svm-smote过采样方法平抑短期电压数据不平衡对于短期电压稳定评估的不利影响。
附图说明
20.图1是本发明的集成机器和深度学习评估模型示意图；
21.图2是初始数据集样本分布图；
22.图3是stacking多模型融合结构图；
23.图4是adaboost策略的示意图；
24.图5是cnn-lstm结构图。
具体实施方式
25.下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所限定的范围。
26.1、stacking集成策略
27.评估的“多样性”和“准确性”之间往往存在着矛盾，这是集成学习过程中必须解决的问题。stacking算法是一种集成学习的算法，通过将不同的分类算法进行融合以使其比组成它的基分类算法具有更高的准确率和更强的泛化性能。stacking多模型融合结构如图3所示。
28.2、机器学习评估模型
29.adaboost属于串行集成方法，其基本原理就是利用基础模型之间的依赖，给错分类别样本一个较大的权重来提升评估模型性能。
30.相较于其他算法，adaboost能更加充分有效地利用每一个基学习器，同时该算法不需要知道基学习器泛化能力的下界，使模型调整更加便捷。图4为adaboost策略的示意图。adaboost的最大优势就是可以将上一次评估错误的数据增大训练权重，从而提升adaboost的评估精确度。
31.3、贝叶斯优化的cnn-lstm深度学习评估方法
32.bo-cnn-lstm是cnn-lstm的改进模型。这种改进体现在确定cnn-lstm的训练次数、学习率、卷积核尺寸和神经元个数等超参数时方便高效，贝叶斯优化算法在确定超参数与
输出精确程度之间的函数关系时十分实用。
33.表1贝叶斯优化算法
[0034][0035]
评估模型结构如图5所示，主要由数据输入层，cnn卷积层、池化层、lstm层及分类输出层组成。基于贝叶斯优化cnn-lstm的stvs过程如下：
[0036]
1)将时域仿真获取的短期电压数据集，输入cnn卷积层，利用宽卷积核自适应提取数据集特征；
[0037]
2)提取后的特征经过最大池化层的池化操作，降低数据维度，并保留主要的特征信息；
[0038]
3)再将降维后的特征数据作为lstm层的特征输入，用以训练神经网络并自动学习数据集特征；
[0039]
4)利用bptt(反向传播通过时间)算法将训练误差反向传播，逐层逐步更新模型参数；
[0040]
5)使用softmax激活函数，将短期电压稳定进行分类，完成stvs。
[0041]
实施例：如附图1所示，本发明所述是一种基于stacking集成策略的短期电压稳定性评估方法，首先，基于stacking集成策略，将机器和深度学习评估模型集成，构建集成机器和深度学习评估模型，选择adaboost、knn和bo-cnn-lstm作为集成机器和深度学习评估模型的基学习器，adaboost作为集成机器和深度学习评估模型的次学习器；然后，将短期电压数据输入集成机器和深度学习评估模型即可获知电力系统短期电压的稳定性。
[0042]
本评估方法主要设计流程：
[0043]
1、本方法验证所使用的数据是使用pscad 3.6电力系统仿真软件搭建ieee39节点电网算例，通过时域仿真获得的，原始数据集如表2所示。
[0044]
表2原始数据集
[0045][0046]
如表2所示，本发明对电力系统的动态负载占比、故障持续时间以及故障位置分别
进行了如下设置：
[0047]
1)将每个母线上感应电动机负载比例分别指定为80％，85％，90％，95％和100％，对应表格中动态负载占比的0.8，0.85，0.9，0.95和1；
[0048]
2)开始时域仿真时，电力系统需要时间进入稳定状态，在2s时添加扰动，在添加扰动之后的0.12s，0.14s，0.16s，0.18s，0.2s，0.22s时将其清除；
[0049]
3)在母线的不同位置设置三相短路故障，对于某一传输线支路，从一个端子开始，分别在整个长度的0％，20％，40％，60％和80％的位置设置故障。
[0050]
其中，故障均设置为最为严重的三相短路故障，在以上所设置的仿真条件下，通过时域仿真一共可以得到5100个短期电压数据样本。依据国家电网安全稳定计算技术规范中电压判稳准则，确定数据样本的标签，稳定为0，不稳定为1，其中稳定数据样本和不稳定数据样本数量分别为4113和987，图2所示这两类是不平衡的数据样本。
[0051]
2、stacking集成方法
[0052]
stacking不仅可以集成多个机器学习评估模型，本发明考虑将机器和深度学习评估模型集成，从而验证其有效性和优越性。其具体混合方法包括四个部分：原始数据样本获取、数据预处理、模型训练和评估(如图1所示)。
[0053]
第一部分：本发明对ieee39节点算例建模，按第一步流程所示设置不同的电力系统动态负载占比、故障持续时间以及故障位置进行时域仿真，时域仿真得到的各母线电压依据国家电网安全稳定计算技术规范中电压判稳准则，最终确定整个电力系统的短期电压稳定与否。得到的初始数据集如表2所示。
[0054]
第二部分：在所得数据集中，只将短期电压稳定与否作为所提混合模型的输出，其余三个特征指标作为输入。本发明的数据预处理包括数据均衡、数值转换和数据规范化。采用svm-smote过采样方法削弱短期电压数据不均衡对评估精度的负面影响；将故障位置和稳定与否数值化处理，以方便后续用于所提混合模型训练；采用最小-最大归一化避免数值差异的负面影响。处理之后的数据集按照7:3的比例被划分为训练集和测试集。
[0055]
第三部分：在模型训练部分，基于stacking混合集成评估模型有三个基学习器，利用预处理数据样本的训练集训练得到三个基学习器，然后用基学习器对测试集进行评估，并将输出值作为次学习器的输入值，最终标签作为输出值，用于训练次学习器。在第二个阶段，直接由三个基学习器所获得结果输入次学习器中容易发生过拟合现象，因此在使用三个基学习器进行评估的时候，采用五折交叉验证，以防止过拟合。
[0056]
考虑短期电压稳定数据样本具有强关联性、非线性和复杂性的特点，同时选用的基、次学习器应该具备相关数据处理能力，且满足相关性和泛化能力的要求，各个学习器的选择依据如下：
[0057]
深度学习领域中，cnn的卷积层可用于提取输入数据的特征，池化层用于降维减参，在处理关联性和复杂性并存的短期电压稳定数据具有独特的优势，同时引进贝叶斯对网络模型超参数进行自动调参，不仅使得这一优势进一步扩大，而且也使得处理数据的过程变得更加简洁和高效。在传统机器学习领域，k近邻算法(k nearest neighbor,knn)通过衡量样本之间的相似性，依据多数类来决定样本所属类别，在处理非线性的分类问题时拥有比较好的性能；自适应提升树(adaptive boosting,adaboost)通过不断加大分类错误的数据样本的权重以避免过拟合，具有更高的评估效率和准确率，且泛化能力强、不易过拟
合。
[0058]
综上所述，本发明选择adaboost、knn和bo-cnn-lstm作为基学习器，adaboost作为次学习器。
[0059]
第四部分：对于所有评估模型的评估结果，使用评估准确率和均方根误差(rmse)来对比模型的优劣性，
[0060]
为验证本发明有益效果，利用时域仿真得到的短期电压数据样本，和现有的评估方法进行对比验证，结果表明本方法的评估准确度高达96.74％，和现有几种常见评估方法相比，其评估精度相对来说是最高的。

技术特征：
1.一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：首先，基于stacking集成策略，将机器和深度学习评估模型集成，构建集成机器和深度学习评估模型，选择adaboost、knn和bo-cnn-lstm作为集成机器和深度学习评估模型的基学习器，adaboost作为集成机器和深度学习评估模型的次学习器；然后，将短期电压数据输入集成机器和深度学习评估模型即可获知电力系统短期电压的稳定性。2.根据权利要求1所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：集成机器和深度学习评估模型的构建方法包括步骤：s1、获取原始数据集；s2、对原始数据集进行数据预处理，处理之后的数据集按照比例被划分为训练集和测试集；s3、构建集成机器和深度学习评估模型并进行模型训练，利用预处理数据样本的训练集训练得到三个基学习器，然后用基学习器对测试集进行评估，并将输出值作为次学习器的输入值，最终标签作为输出值，用于训练次学习器；s4、使用评估准确率和均方根误差来对比模型的优劣性。3.根据权利要求2所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：步骤s1中，原始数据集中的每一组数据均包括动态负载占比、故障持续时间、故障位置以及短期电压稳定与否。4.根据权利要求2所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：步骤s1中，通过时域仿真确定整个电力系统的短期电压稳定与否。5.根据权利要求2所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：步骤s2中，将短期电压稳定与否作为集成机器和深度学习评估模型的输出，其余三个特征指标作为输入，数据预处理包括数据均衡、数值转换和数据规范化。6.根据权利要求5所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：采用svm-smote过采样方法削弱短期电压数据不均衡对评估精度的负面影响；将故障位置和稳定与否数值化处理，以方便后续用于所提混合模型训练；采用最小-最大归一化避免数值差异的负面影响。7.根据权利要求1或6所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：处理之后的数据集按照7:3的比例被划分为训练集和测试集。8.根据权利要求2所述的一种基于stacking集成策略的短期电压稳定性评估方法，其特征在于：步骤s3中，在使用三个基学习器进行评估的时候，采用五折交叉验证，以防止过拟合。

技术总结
本发明公开了一种基于Stacking集成策略的短期电压稳定性评估方法，主要涉及电力技术领域；首先，基于Stacking集成策略，将机器和深度学习评估模型集成，构建集成机器和深度学习评估模型，选择ADAboost、KNN和BO-CNN-LSTM作为集成机器和深度学习评估模型的基学习器，ADAboost作为集成机器和深度学习评估模型的次学习器；然后，将短期电压数据输入集成机器和深度学习评估模型即可获知电力系统短期电压的稳定性；本发明将机器学习模型和深度学习评估模型相结合，能够更加准确实时评估现代电力系统短期电压稳定性。力系统短期电压稳定性。力系统短期电压稳定性。


技术研发人员：王骥飞 董芝良 邢天宇 薛滂 景艳阳
受保护的技术使用者：内蒙古工业大学
技术研发日：2023.07.27
技术公布日：2023/10/15