[发明专利]贝叶斯优化LightGBM的暂态稳定评估方法

说明书

本发明公开了一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：获取电力系统的暂态稳定数据集；用暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。本发明可快速准确的对多重复杂不确定因素“组合数爆炸”下的暂态稳定状态进行评估，有利于实现电力系统暂态稳定的在线评估。

技术领域

本发明涉及一种电力系统暂态稳定评估方法，尤其涉及一种贝叶斯优化LightGBM的暂态稳定评估方法。

背景技术

随着风电、光伏等可再生能源大规模并网，其波动性、随机性、低惯性特性使得电力系统在暂态稳定评估与控制方面面临着巨大的挑战。众所周知，电力系统事故的早期阶段往往伴随着暂态故障，一旦调度员无法对暂态故障做出适当的决策并及时干预扰动，系统的暂态稳定水平可能会被破坏，甚至发展成一个随后的级联故障，这将导致大规模停电事故的发生。由于暂态事故发展速度快，响应时间短，故障后仅仅依靠调度人员的经验难以在极短的时间内做出正确的判断和决策。因此，迫切需要开发一种既快速又准确、能够实现实时在线的暂态稳定评估工具。

目前，对于暂态稳定评估，相关专家学者提出了3种研究方法，分别是时域仿真法、直接法和人工智能法。在离线暂态稳定评估中，时域仿真法是最成熟和可靠的方法。然而，时域仿真存在计算量大、运算耗时长等固有缺陷，只适用于离线仿真分析。直接法可实现较高的精度，可直接法的适应性较差，得到的结果也是趋于保守的。

近年来，在研究领域，人工智能技术被探索运用于暂态稳定评估，例如决策树、极限学习机、支持向量机、随机森林、XGBoost、深度信念网络以及卷积神经网络。然而，决策树容易过拟合；在处理大规模电力系统数据时，极限学习机对输入特征的提取能力受到限制；支持向量机容易对噪音敏感，对大数据的处理能力也较弱；随机森林可以处理高维度数据样本，然而计算量较大；XGBoost的分类性能弱于LightGBM；深度信念网络和卷积神经网络有较好的特征提取能力和泛化能力，可自动地确定网络的最佳参数的问题仍然没有得到有效解决。

发明内容

本发明的目的是提供一种贝叶斯优化LightGBM的暂态稳定评估方法，该方法可以对多重复杂不确定因素“组合数爆炸”下的电力系统暂态稳定状态实现快速预测，通过贝叶斯优化的LightGBM挖掘输入物理特征与故障后电力系统运行状态的映射关系，实现对暂态稳定状态的快速评估。

本发明通过下述技术方案实现：

一种贝叶斯优化LightGBM的暂态稳定评估方法，包括以下步骤：

S1：获取电力系统响应轨迹数据，选取电力系统暂态稳定状态的离线或在线监测数据得到暂态稳定数据集；

S2：用步骤S1中的暂态稳定数据集内的数据训练贝叶斯优化的LightGBM，得到LightGBM的最佳参数，进而得到训练好的LightGBM；

S3：在线获取电力系统故障后用于评估该电力系统暂态稳定的数据，对获取的数据进行预处理并输入步骤S2中已经训练好的LightGBM中，得到电力系统故障后的电力系统暂态稳定评估结果。