基于XGBoost的电力系统暂态稳定预测方法

作     者：陈明华 刘群英 张家枢 陈树恒 张昌华 CHEN Minghua;LIU Qunying;ZHANG Jiashu;CHEN Shuheng;ZHANG Changhua

作者机构：电子科技大学自动化工程学院四川省成都市611731 

出 版 物：《电网技术》 (Power System Technology)

年 卷 期：2020年第44卷第3期

页      面：1026-1034页

核心收录：

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0807[工学-动力工程及工程热物理] 0802[工学-机械工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家自然科学基金(No.51677020) 中国博士后基金(No.2015M572457) 中央高校基本业务费(No.ZYGX2016J209) 

主　　题：PMU 暂态稳定预测 XGBoost模型 特征重要度 模型解释 

摘      要：目前,基于人工智能法对电力系统进行暂态稳定预测,是通过对电力系统中相量测量单元(phasormeasurement unit,PMU)采集的大量样本离线训练,得到一个分类器,而预测模型往往是一个黑箱模型,使得模型解释型较差。根据电力系统故障中发电机的运行特征构建基于极限梯度提升(extreme gradient boosting,XGBoost)的暂态稳定预测模型,该模型采用串行集成多棵回归树,可计算得到暂态稳定特征重要度排序和决策图,从而可直观地挖掘特征与暂态稳定性之间的关系,并且在预测精度和运算速度的权衡上具有极大优势。在新英格兰10机39节点系统上测试,结果表明所构建的XGBoost暂态稳定预测模型相比随机森林、支持向量机和神经网络等方法在计算速度和预测精度方面具有明显优势,并且可以根据特征重要度进行特征选择来剔除冗余变量以加快训练速度。最后,提出一种针对某一具体故障而解释预测结果的算法,进一步提高了模型的解释性。