提出一种基于改进最大相关最小冗余判据(maximal relevance and minimal redundancy,mRMR)的暂态稳定评估特征选择方法。首先对标准mRMR方法进行改进,在最大相关、最小冗余判据中引入一个权重因子以细化对特征相关性和冗余性的度量。然...提出一种基于改进最大相关最小冗余判据(maximal relevance and minimal redundancy,mRMR)的暂态稳定评估特征选择方法。首先对标准mRMR方法进行改进,在最大相关、最小冗余判据中引入一个权重因子以细化对特征相关性和冗余性的度量。然后,考虑相量测量单元可以提供的故障后实测信息,构造由系统特征构成的原始特征集,将改进的mRMR应用于特征选择。通过增量搜索算法得到一组嵌套的候选特征子集,并使用支持向量机分类器验证各候选特征子集的分类性能,选择得到具有最大分类正确率的特征子集。基于新英格兰39节点系统和IEEE 50机测试系统的算例结果验证了所提特征选择方法的有效性。展开更多
文摘由于电力系统拓扑结构复杂多变,基于数据驱动的静态电压稳定评估通常存在模型泛化能力不足的问题。针对该问题,文中提出了一种基于迁移学习的智能静态电压稳定评估方案。基于最大相关最小冗余(Maximal Relevance Minimal Redundancy,MRMR)准则和shapley值构建S-MRMR特征选择框架,对离线生成的数据集进行数据降维;基于梯度提升分段线性回归树(Gradient Boosting With Piecewise Linear Regression Trees,GBDT-PL)算法构建静态电压稳定评估模型,提取电力系统运行特征与静态电压稳定指标间的映射关系;利用迁移学习对GBDT-PL模型进行实时更新,提高模型的泛化能力。在由电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果表明,文中所提方案对电力系统拓扑结构变化具有较强的鲁棒性,能够满足在线电压稳定评估的要求,为数据驱动方法实际应用于静态电压稳定评估提供了有益的参考。