一种数据驱动的暂态电压稳定评估方法及其可解释性研究

将数据驱动方法用于电力系统暂态电压稳定评估可以较好地兼顾预测速度与准确性,但存在模型泛化能力不佳及可解释性差等问题。利用系统故障后采集的物理量作为输入特征,基于支持类别特征的梯度提升(gradient boosting with categorical features support,Catboost)算法构建暂态电压稳定评估模型。在模型训练中采用排序提升的方法避免预测偏移问题,提升准确性;使用对称决策树以提高计算效率;同时考虑数据的类别不平衡特性,采用代价敏感手段提高模型的分类性能。为了提高模型的可解释性,提出基于SHAP理论的暂态电压稳定评估归因分析框架,通过计算Shapley值的平均绝对值大小得到暂态电压稳定特征重要性排序,并根据每个特征的边际贡献,进一步量化不同输入特征对模型输出结果的影响。在新英格兰10机39节点系统上的测试结果表明,所提方法比其他机器学习算法具有更高的预测准确性与更快的预测速度,基于Shapley值的归因分析方法能够有效地解释输入特征对暂态电压稳定的影响以及机器学习模型对样本的预测结果。

基于知识图谱的配电网故障辅助决策研究

调度决策知识存在于调度规程等文本文件、数据库以及专家经验中,调度员在故障处理时需要依赖大量的专业知识支撑、历史和实时电网态势感知,并根据情况变化在短时间内做出最优决策。针对调度知识复杂,调度决策实时性高等需求,提出了一种基于知识图谱的配电网故障辅助决策方法,利用电网调度规则、故障预案以及人工经验知识构建包含调度知识、故障处理知识、业务流程知识的故障调度知识图谱,构建以电网拓扑结构形成的知识表征,将故障预案及故障处理案例以事件簇形式进行关联。结合人工智能标记语言(artificial intelligence markup language,AIML)和图算法,实现配电网调度故障的辅助知识问答、案例匹配以及业务推荐等,通过故障反馈信息和实时决策场景完成多目标的配电网重构策略生成。最后,研发了具有友好交互性的故障调度辅助决策应用系统,并已在湖南长沙市配电网在线投运,验证了所提推荐算法及交互策略的有效性,表明该系统能够给调控人员提供快速、智能、准确的辅助决策支持。