本發(fā)明涉及電力系統(tǒng)熱穩(wěn)定安全域，具體涉及一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法及裝置。

背景技術：

1、隨著電力系統(tǒng)規(guī)模的不斷擴大和可再生能源的廣泛接入，電網(wǎng)的運行狀態(tài)變得越來越復雜，傳統(tǒng)的低維安全邊界方法在面對多變的實時運行情況時，難以滿足高效性和準確性的需求。在電力系統(tǒng)規(guī)劃設計、調度運行時，若采用的安全邊界模型存在較大的偏差，會直接影響調度人員的操作方案，進而造成資源的浪費，甚至危及系統(tǒng)的穩(wěn)定運行，建立能夠實時、準確反映電網(wǎng)在線狀態(tài)特性的安全邊界模型具有十分重要的實際意義。

2、目前，為了應對這些挑戰(zhàn)，研究者們提出了高維安全邊界的生成方法，旨在更全面地描述電網(wǎng)在復雜工況下的安全性?，F(xiàn)有的邊界生成方法往往依賴于歷史數(shù)據(jù)的離線分析，但由于電力系統(tǒng)的動態(tài)變化，傳統(tǒng)方法在應對在線狀態(tài)時存在較大的局限性。

3、因此，如何快速適應電網(wǎng)的實時狀態(tài)，精確生成高維安全邊界，成為當前研究的重要課題。

技術實現(xiàn)思路

1、為此，本發(fā)明提供一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法及裝置，通過集成學習和生成對抗網(wǎng)絡(gan)相結合，快速生成全網(wǎng)的高維安全邊界。在保證準確性的前提下，大幅提高高維安全邊界生成的效率，為電網(wǎng)的實時監(jiān)測、調度和決策提供了高效、可靠的技術支持。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術方案：一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法，包括：

3、通過歷史數(shù)據(jù)驅動策略及最小二乘法擬合策略進行計算，獲取全網(wǎng)設定支路的低維安全邊界，生成安全邊界集；

4、通過歷史數(shù)據(jù)及所述安全邊界集對adaboost.m2分類器進行訓練，生成越限風險預測模型；

5、將設定在線運行狀態(tài)輸入所述越限風險預測模型進行預測處理，輸出可能越限邊界及對應的越限風險值；

6、將所述可能越限邊界及對應的越限風險值輸入生成對抗網(wǎng)絡進行訓練處理，輸出綜合高維安全邊界。

7、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法的優(yōu)選方案，在獲取全網(wǎng)設定支路的低維安全邊界的過程中，根據(jù)支路潮流靈敏度的大小，確定支路的關鍵節(jié)點；根據(jù)所述關鍵節(jié)點，通過最小二乘法擬合策略，獲取支路的低維安全邊界；支路的低維安全邊界表達式為：

8、

9、式中，m為支路關鍵節(jié)點的個數(shù)；pi為i節(jié)點用功注入；j為支路；cj為j支路邊界對應常數(shù)項；為j支路的有功潮流上限；b為支路集；βij為j支路安全邊界i節(jié)點對應系數(shù)。

10、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法的優(yōu)選方案，通過對所述adaboost.m2分類器進行訓練，生成所述越限風險預測模型的步驟為：

11、對訓練樣本的樣本權重及錯誤標簽權重進行初始化；

12、設置最大迭代次數(shù)，并對每次迭代中的錯誤標簽權重和、錯誤標簽加權函數(shù)值和權重進行計算；

13、對每次迭代的弱假設進行計算；

14、對偽損失進行計算；若所述偽損失小于設定閾值，則對基分類器的權重進行計算；若所述偽損失不小于設定閾值，則進行最后一步處理；

15、通過迭代計算，對訓練樣本的錯誤標簽權重進行更新；

16、將置信度矩陣按所述基分類器的權重進行疊加，得到集成分類器的最終置信度矩陣；并根據(jù)所述最終置信度矩陣輸出最終選擇結果。

17、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法的優(yōu)選方案，在將所述可能越限邊界及對應的越限風險值輸入所述生成對抗網(wǎng)絡進行處理的過程中，將不同支路的所述可能越限邊界按照置信度比例進行擴張，生成真實數(shù)據(jù)；所述生成對抗網(wǎng)絡對所述真實數(shù)據(jù)進行學習處理，輸出所述綜合高維安全邊界。

18、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法的優(yōu)選方案，在通過所述生成對抗網(wǎng)絡進行訓練處理，輸出所述綜合高維安全邊界的過程中，訓練處理步驟為：

19、將生成器進行固定；通過隨機提升梯度策略，對判決器進行訓練提升，獲得提升后的判決器；

20、將所述提升后的判決器進行固定；通過隨機下降梯度策略，對所述生成器進行訓練提升；獲得提升后的生成器；

21、對所述升后的判決器及所述升后的生成器進行迭代博弈訓練；

22、當所述升后的判決器及所述升后的生成器達到“納什平衡”時，將所述升后的生成器生成的結果作為輸出，獲得所述綜合高維安全邊界。

23、本發(fā)明還提供一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成裝置，基于以上一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成方法，包括：

24、安全邊界集生成模塊，用于通過歷史數(shù)據(jù)驅動策略及最小二乘法擬合策略進行計算，獲取全網(wǎng)設定支路的低維安全邊界，生成安全邊界集；

25、越限風險預測模型生成模塊，用于通過歷史數(shù)據(jù)及所述安全邊界集對adaboost.m2分類器進行訓練，生成越限風險預測模型；

26、越限風險預測模型處理模塊，用于將設定在線運行狀態(tài)輸入所述越限風險預測模型進行預測處理，輸出可能越限邊界及對應的越限風險值；

27、綜合高維安全邊界獲取模塊，用于將所述可能越限邊界及對應的越限風險值輸入生成對抗網(wǎng)絡進行訓練處理，輸出綜合高維安全邊界。

28、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成裝置的優(yōu)選方案，所述安全邊界集生成模塊中，在獲取全網(wǎng)設定支路的低維安全邊界的過程中，根據(jù)支路潮流靈敏度的大小，確定支路的關鍵節(jié)點；根據(jù)所述關鍵節(jié)點，通過最小二乘法擬合策略，獲取支路的低維安全邊界；支路的低維安全邊界表達式為：

29、

30、式中，m為支路關鍵節(jié)點的個數(shù)；pi為i節(jié)點用功注入；j為支路；cj為j支路邊界對應常數(shù)項；為j支路的有功潮流上限；b為支路集；βij為j支路安全邊界i節(jié)點對應系數(shù)。

31、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成裝置的優(yōu)選方案，所述越限風險預測模型生成模塊中，生成所述越限風險預測模型的子模塊包括：

32、權重初始化子模塊，用于對訓練樣本的樣本權重及錯誤標簽權重進行初始化；

33、迭代次數(shù)設置及權重計算子模塊，用于設置最大迭代次數(shù)，并對每次迭代中的錯誤標簽權重和、錯誤標簽加權函數(shù)值和權重進行計算；

34、弱假設計算子模塊，用于對每次迭代的弱假設進行計算；

35、偽損失計算及判定子模塊，用于對偽損失進行計算；若所述偽損失小于設定閾值，則對基分類器的權重進行計算；若所述偽損失不小于設定閾值，則進行最后一步處理；

36、錯誤標簽權重更新子模塊，用于通過迭代計算，對訓練樣本的錯誤標簽權重進行更新；

37、越限風險預測模型生成子模塊，用于將置信度矩陣按所述基分類器的權重進行疊加，得到集成分類器的最終置信度矩陣；并根據(jù)所述最終置信度矩陣輸出最終選擇結果。

38、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成裝置的優(yōu)選方案，所述綜合高維安全邊界獲取模塊中，在將所述可能越限邊界及對應的越限風險值輸入所述生成對抗網(wǎng)絡進行處理的過程中，將不同支路的所述可能越限邊界按照置信度比例進行擴張，生成真實數(shù)據(jù)；所述生成對抗網(wǎng)絡對所述真實數(shù)據(jù)進行學習處理，輸出所述綜合高維安全邊界。

39、作為一種適應在線狀態(tài)電力系統(tǒng)高維安全邊界生成裝置的優(yōu)選方案，所述綜合高維安全邊界獲取模塊中，所述生成對抗網(wǎng)絡進行訓練處理的子模塊包括：

40、生成器固定及判決器提升子模塊，用于將生成器進行固定；通過隨機提升梯度策略，對判決器進行訓練提升，獲得提升后的判決器；

41、判決器固定及生成器提升子模塊，用于將所述提升后的判決器進行固定；通過隨機下降梯度策略，對所述生成器進行訓練提升；獲得提升后的生成器；

42、迭代博弈訓練子模塊，用于對所述升后的判決器及所述升后的生成器進行迭代博弈訓練；

43、綜合高維安全邊界輸出子模塊，用于當所述升后的判決器及所述升后的生成器達到“納什平衡”時，將所述升后的生成器生成的結果作為輸出，獲得所述綜合高維安全邊界。

44、本發(fā)明具有如下優(yōu)點：本發(fā)明通過歷史數(shù)據(jù)驅動策略及最小二乘法擬合策略進行計算，獲取全網(wǎng)設定支路的低維安全邊界，生成安全邊界集；通過歷史數(shù)據(jù)及所述安全邊界集對adaboost.m2分類器進行訓練，生成越限風險預測模型；將設定在線運行狀態(tài)輸入所述越限風險預測模型進行預測處理，輸出可能越限邊界及對應的越限風險值；將所述可能越限邊界及對應的越限風險值輸入生成對抗網(wǎng)絡進行訓練處理，輸出綜合高維安全邊界。本發(fā)明通過結合集成學習和生成對抗網(wǎng)絡(gan)技術有效提高了電網(wǎng)安全邊界生成的實時性、準確性和效率，克服了傳統(tǒng)低維安全邊界方法的局限性。通過基于adaboost.m2的越限風險預測模型，本發(fā)明能夠精確識別可能越限的多條邊界，減少誤判風險；同時，提出了“邊界訓練邊界”的創(chuàng)新概念，通過gan快速生成綜合多種越限情況的高維安全邊界，優(yōu)化了電網(wǎng)的實時監(jiān)測與調度決策，提高了電網(wǎng)的穩(wěn)定性和安全性，為電網(wǎng)的運行提供了更加可靠的技術支持。