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，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把握，其應(yīng)用始終存在局限性。因此，增強(qiáng)分類器對失
穩(wěn)樣本的識別能力，并對其預(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，以提高分類器對失穩(wěn)樣本的判準(zhǔn)率，
并對SVM輸出結(jié)果的可信度進(jìn)行了定義和評價，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。

重點內(nèi)容及創(chuàng)新點

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價方法。采用改進(jìn)的
Bootstrap抽樣得到多個均衡的數(shù)據(jù)子空間，在失穩(wěn)樣本較少時能夠更“偏向”失穩(wěn)樣本；
利用多個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)，通過對對穩(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價方法用于電力系統(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)點系統(tǒng)得到的3400個樣本和美國
東北電力協(xié)調(diào)委員會48機(jī)140節(jié)點系統(tǒng)上20800個樣本進(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，對失穩(wěn)樣本的判準(zhǔn)率有明顯提升，同時SVM的組合模
型具有更高的可信度；通過對穩(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)對遠(yuǎn)離穩(wěn)
定邊界故障的快速準(zhǔn)確篩選。