基于CatBoost的新型电力系统两阶段轻量化暂稳智能评估方法

随着风能等新能源大规模并网,基于数据驱动的机器学习方法在新型电力系统暂态稳定评估(transient stability assessment,TSA)中表现出了极大的优势,但其存在模型可解释性不足、内部知识无法获取的问题。针对以上问题,文中基于能避免梯度偏差问题的CatBoost模型训练电力系统暂态稳定评估模型,设计粗判与精细两阶段评估结构有效提升模型精度;使用Tree-SHAP算法对模型进行事后解释,揭示模型决策的内在逻辑,并从中获取电力系统关键影响因素;最后基于关键影响因素重新训练两阶段智能评估模型,实现模型的轻量化。IEEE 39节点系统上的仿真结果表明,所提方法在保证模型维持较高性能的前提下,有效降低模型决策特征数目。