武汉大学周挺、杨军等:如何通过含噪声的不平衡数据集实现大电网暂

发布时间：2019-06-25 21:25:28 来源：自考网

1 研究意义

由于电力系统长期处于稳定运行状态，可用于模型训练的不稳定样本数量远远少于稳定样本数量，使得模型对失稳样本特征学习不够充分，导致失稳样本的评估准确率低于稳定样本。此外，通过广域量测系统获得的实际电力系统数据往往含有一定水平的噪声，这会给模型带来过拟合的可能，从而使模型泛化能力下降。

2 主要内容

1）利用基于决策树的集成学习模型LightGBM实现暂态稳定评估。

图2 GBDT框架

图3 直方图算法

图4 带深度限制的Leaf-wise生长方式

LightGBM是GBDT的一种高效实现形式，采用直方图算法、带深度限制的Leaf-wise生长策略等方式大幅提高了计算效率。同时，含有噪声的数据会在真实值附近的小范围内波动，当模型逼近能力很强以致于学习到这些波动时，就会造成过拟合的问题。应用直方图算法，对于每一维特征，处于一定区间内的值都会被划分进同一个“桶”，从而获得同样的索引，因此可以显著改善噪声引起的过拟合现象。

2）对LightGBM的损失函数进行修改，给失稳样本赋予更高的权重，这意味着在训练过程中失稳样本具有更大的错分类代价，从而平衡样本数量差异带来的影响。同时在损失函数中加入正则化项进一步避免出现过拟合。

图5 电力系统暂态稳定评估流程

3）仿真验证与分析

图6 南卡罗莱纳州500节点电网评估结果

表1 新英格兰39节点系统评估召回率

召回率是反映机器学习模型对正类样本（此处即失稳样本）识别能力的指标。由表1和图6分别给出了两个不同电网上的测试结果。除改进LightGBM外，多种模型的召回率均随噪声增大而有较大程度的下降。由于类别严重不平衡的含噪声高维数据更符合真实的电力系统运行数据，SVM等传统模型在实际的大电网暂态稳定评估中难以得到应用。改进LightGBM模型在这种条件下仍然能保持较高的召回率，因此具有更高的实际应用价值。

后续研究方向

当电力系统的运行方式和拓扑结构发生变化，之前训练得到的模型可能不再可用，因此如何利用迁移学习等技术使模型具有继承性和更广泛的适应性，是未来研究的重点。同时，如何构造拓扑不变特征用于模型学习，也是一个值得探究的方向。

参文格式

周挺，杨军，周强明，等．基于改进Light GBM的电力系统暂态稳定评估方法[J]. 电网技术，2019，43(6): 1931-1940．

Zhou Ting, Yang Jun, Zhou Qiangming, et al. Power system transient stability assessment method based on modified Light GBM[J]. Power System Technology, 2019，43(6): 1931-1940 (in Chinese).

武汉大学周挺、杨军等:如何通过含噪声的不平衡数据集实现大电网暂

北京大学第三医院张幼怡课题组发现急性心肌缺血潜在标志物MIF的

自考生课外阅读什么类型的书好

自学考试能源管理本科考什么？

能源管理专业自考专科有什么课程？

自考有能源专业没？

能源管理自考本科学什么？