基于XGBoost的电力系统暂态稳定预测方法

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。