暫態(tài)穩(wěn)定分析是電網(wǎng)安全防控需要考慮的重要問題。近年來，SCADA和WAMS中采集的
數(shù)據(jù)日益豐富和完善，為暫態(tài)穩(wěn)定分析帶來了前所未有的豐富條件。如何有效利用這些量
測數(shù)據(jù)，不斷提升暫態(tài)穩(wěn)定分析功能，是亟需解決的問題。

解決的問題

利用數(shù)據(jù)挖掘方法進(jìn)行暫態(tài)穩(wěn)定分析時(shí)，所用數(shù)據(jù)集普遍存在失穩(wěn)樣本少的樣本不均衡問
題。由于數(shù)據(jù)挖掘分類器沒有絕對(duì)把握，其應(yīng)用始終存在局限性。因此，增強(qiáng)分類器對(duì)失
穩(wěn)樣本的識(shí)別能力，并對(duì)其預(yù)測結(jié)果的可信度進(jìn)行研究，就顯得尤為重要。針對(duì)此，文章
提出一種基于改進(jìn)Bootstrap抽樣的SVM組合分類器，以提高分類器對(duì)失穩(wěn)樣本的判準(zhǔn)率，
并對(duì)SVM輸出結(jié)果的可信度進(jìn)行了定義和評(píng)價(jià)，提出基于可信度的SVM組合分類器與傳統(tǒng)
方法相配合的應(yīng)用模式。

重點(diǎn)內(nèi)容及創(chuàng)新點(diǎn)

本文提出了用于暫態(tài)穩(wěn)定預(yù)測的SVM組合分類器及其可信度評(píng)價(jià)方法。采用改進(jìn)的
Bootstrap抽樣得到多個(gè)均衡的數(shù)據(jù)子空間，在失穩(wěn)樣本較少時(shí)能夠更“偏向”失穩(wěn)樣本；
利用多個(gè)SVM分類器組合的方式，提高分類器的準(zhǔn)確率和整體可信度；定義了SVM分類
器輸出結(jié)果的可信度指標(biāo)，通過對(duì)對(duì)穩(wěn)定和失穩(wěn)預(yù)測結(jié)果的可信度設(shè)置不同閾值，能夠不
同程度地提高模型對(duì)穩(wěn)定和失穩(wěn)樣本的判準(zhǔn)率。該方法還能與傳統(tǒng)的判穩(wěn)方法相配合，共
同實(shí)現(xiàn)暫態(tài)穩(wěn)定的快速準(zhǔn)確判斷。

結(jié)論

文章提出一種基于SVM的組合分類器及其可信度評(píng)價(jià)方法用于電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測。首先
采用改進(jìn)的Bootstrap抽樣得到多個(gè)均衡的數(shù)據(jù)子空間，然后隨機(jī)抽取一定數(shù)量的特征進(jìn)一步
壓縮數(shù)據(jù)，利用壓縮后的數(shù)據(jù)訓(xùn)練生成多個(gè)SVM模型，并利用SVM的概率輸出進(jìn)行結(jié)果集成
，最終得到預(yù)測結(jié)果和可信度量測。利用新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)得到的3400個(gè)樣本和美國
東北電力協(xié)調(diào)委員會(huì)48機(jī)140節(jié)點(diǎn)系統(tǒng)上20800個(gè)樣本進(jìn)行算例分析，結(jié)果表明：所提出的
SVM組合模型具有較高的預(yù)測準(zhǔn)確率，對(duì)失穩(wěn)樣本的判準(zhǔn)率有明顯提升，同時(shí)SVM的組合模
型具有更高的可信度；通過對(duì)穩(wěn)定和失穩(wěn)預(yù)測結(jié)果設(shè)定不同的可信度閾值，能夠?qū)崿F(xiàn)對(duì)遠(yuǎn)離穩(wěn)
定邊界故障的快速準(zhǔn)確篩選。