(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111406653.6 (22)申请日 2021.11.24 (71)申请人 国网天津市电力公司电力科 学研究 院 地址 300384 天津市西青区海 泰华科四路8 号 申请人 国网天津市电力公司 　 国家电网有限公司 (72)发明人 王天昊　刘伟　鄂志君　马世乾　 董紫珩　侯恺　李振斌　刘颂　 范瑞卿　王珍珍　马钢　于光耀　 杨帮宇　王坤　宋国辰　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 代理人 王来佳(51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 20/00(2019.01) G06Q 10/04(2012.01) (54)发明名称 一种基于回归学习与特征挖掘的电网在线 风险计算方法 (57)摘要 本发明涉及一种基于回归学习与特征挖掘 的电网在线风险计算方法， 包括以下步骤： 步骤 1、 基于离线建模的数据收集； 步骤2、 基于多目标 粒子群的特征变量的选择； 步骤3、 基于改进蚁群 算法选择SVM模型最适参数； 步骤4、 结合训练模 型的关键参数建立回归向量机模 型， 使用特征筛 选后的模型驱动获取的数据输入回归模型进行 一次离线训练； 步骤5、 根据步骤2的结果对系统 运行状态进行特征筛选并输入复用网络即可获 取相应状态下的节点停电风险； 再根据节点风险 与状态概率进行加权求和， 获得年化期望风险指 标。 本发明所覆盖的运行状态更加全面， 能更充 分反映系统不确定信息， 使评估 结果更具有系统 全局性。 权利要求书4页 说明书17页 附图3页 CN 114240069 A 2022.03.25 CN 114240069 A 1.一种基于回归学习与特征挖掘的电网在线风险计算方法， 其特征在于： 包括以下步 骤： 步骤1、 基于 离线建模的数据收集， 获得测试 数据集和训练数据集； 步骤2、 基于多目标粒子群的特征变量的选择， 以最小化特征数量和预测误差为目标， 去除冗余； 步骤3、 基于改进蚁群算法选择SVM模型最适参数， 以进一步降低预测误差， 提升风险评 估精度； 步骤4、 结合训练模型的关键参数建立回归向量机模型， 使用特征筛选后的模型驱动获 取的数据输入回归模型进行一次离线训练， 进而快速建立系统运行状态与风险的关联关 系； 步骤5、 在线应用阶段， 根据步骤2的结果对系统运行状态进行特征筛选并输入复用网 络即可获取相应状态下 的节点停电风险； 再根据节点风险与状态概率进行加权求和， 获得 年化期望风险指标。 2.根据权利要求1所述的一种基于回归学习与特征挖掘的电网在线风险计算方法， 其 特征在于： 所述 步骤1的具体步骤 包括： (1)输入已知结构的电力系统相关的发电机可靠性参数、 发电机设备出力、 年负荷曲线 的运行相关的参数， 基于元件的可修复强迫失效二态模型建立系统元件不确定因素概率模 型， 依照公式(1)建立元件不可用率U， 并依据该不确定因素概率模型和负荷需求年化曲线 使用蒙特卡洛法进行系统状态抽样， 生成运行状态集 合； 其中， 以年计量的MT TF和MTTR分别为故障前运行小时数和故障修复小时数； (2)对每个运行状态进行最优潮流计算， 以运行状态的节点注入能量、 节点电压幅值、 相角的关键电气信息作为输入数据， 以节点负荷损失作为数据标签； 所得的潮流结果与历 史信息进行比对修 正， 综合建立状态大 数据库； 输入数据由最优潮流计算获得或直接通过量测装置获取， 包括发 电机节点的有功出 力、 电压幅值、 电压相角， 以及源于历史负荷曲线的用能需求， 构成如下 形式的输入 [PG1,PG2…UG1,UG2…qG1,qG2…LD1,LD2…]                     (2) 以最小化供能风险为目标的最优潮流计算过程构建如下 目标函数 等式约束 Pi(V,q)‑Pload,i+LCi＝0,i∈ND Qi(V,q)‑Qload,i＝0,i∈ND                  (4) 不等式约束权　利　要　求　书 1/4 页 2 CN 114240069 A 2式中， LC为节点负荷削减的功率； 下标i,k分别为节点编号与传 输线路编号； 集合ND、 NG、 L分别代表负荷节 点集合、 发电机节点集合、 传输线路组成的集合； P、 Q分别为节 点的有功功 率与无功功率， Pload、 Qload为相应节点的有功负荷与无功负荷， PG、 QG分别是节点的有功出 力、 无功出力； V、 θ分别指电压幅值与电压相角， 相 量Ui为节点电压； T表示线路段的实际潮 流， Tmax则为线路的容量上限； Pi、 Qi与Tk是节点电压幅值V与节点电压相角 θ 的函数， 通过交 流电力系统的潮流方程可 得； 最优潮流通过matpower工具包进行求解， 求取每个状态下的负荷损失量， 同时保存潮 流计算的电压相角、 电压幅值等结果， 比对P MU量测单元采集的有关状态下的数据再次进 行 潮流信息的修 正， 形成完整的电力系统运行 数据‑负荷损失风险大 数据库； (3)依据负荷损失情况将数据分为有风险数据集和无风险数据集的两类； (4)从两类数据集中提取等量的数据， 再按照7:3的比例重新分配为测试数据集与训练 数据集， 从而 使得每个数据集中的有风险状态数量与无风险状态数量大致相当。 3.根据权利要求1所述的一种基于回归学习与特征挖掘的电网在线风险计算方法， 其 特征在于： 所述 步骤2的具体步骤 包括： (1)在通用的SVM回归模型中， 输入训练集的原始特征数据； 并根据训练集数据维度k， 建立单位 容量大小的k维超立方体空间； (2)在单位体积超立方体的部分顶点位置上随机生成粒子， 粒子坐标作为特征选择的 保留指示位过滤训练集， 从而为每个粒子建立对应的特征训练集； 粒子在某一维度上 的坐 标vi,j取值为1(或0)， 表示第j维度的变量被/不被选作特 征变量； (3)输入每一个粒子坐标指示的特 征训练集， 训练得到不同的回归 模型； (4)适应度评估： 以训练后回归模型在训练集上表现出的预测误差作为评价当前粒子 的适应度要素， 另一要素为粒子 到原点的欧式距离， 适应度函数为 二者的加权和， 如下式； 其中， 多项式第一部分为粒子群对应的回归器平均误差， 第二个多项式||F||表示特征 指示变量的模长， 即粒子 到原点的欧氏距离； w1,w2分别是两 部分的权 重； (5)根据适应度对粒子进行排序， 本问题中以适应度函数最小的粒子坐标对应为最优 历史位置， 计入历史最优位置与 所有粒子的综合最优历史位置权重r1,r2的形式求和， 用于 更新粒子 速度v、 粒子位置s； 权　利　要　求　书 2/4 页 3 CN 114240069 A 3