(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110725764.7 (22)申请日 2021.06.29 (65)同一申请的已公布的文献号 申请公布号 CN 113452018 A (43)申请公布日 2021.09.28 (73)专利权人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路麓山门 (72)发明人 刘绚　鲁文格　于宗超　褚旭　 刘懂　 (74)专利代理 机构 长沙新裕知识产权代理有限 公司 43210 专利代理师 刘加 (51)Int.Cl. H02J 3/00(2006.01)H02J 3/38(2006.01) G06F 30/27(2020.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 111/06(2020.01) G06F 113/04(2020.01) 审查员 易海艳 (54)发明名称 一种电力系统备用不足风险场景辨识方法 (57)摘要 一种电力系统备用不足风险场景辨识方法， 包括以下步骤： S1： 选取影响正负备用的样本特 征， 构建初始样本集； S2： 筛选互信息较大的样本 特征作为训练样本 特征， 构建训练样本集； S3： 构 建决策树模 型， 根据训练样本集在各个训练样本 特征划分下的基尼指数确定决策树模型的最优 划分特征； S4： 采用交叉验证法选取最优 叶节点 最小样本数； S5： 生成带纠错机制的决策树序列； S6： 对决策树序列进行剪枝， 生成最优的带纠错 编码的决策树序列； S7： 对带纠错机制的决策树 模型进行评估； S8： 利用评估后的决策树模型进 行电力系统备用不足风险场景辨识。 本发明能实 现对电力系统可能出现的正、 负备用不足风险进 行预判， 从而保证电力系统的安全。 权利要求书4页 说明书12页 附图2页 CN 113452018 B 2022.05.06 CN 113452018 B 1.一种电力系统备用不足风险场景辨识方法， 其特 征在于， 包括以下步骤： S1： 根据历史数据构建样本集合， 选取影响正负备用的样本特征， 得到候选的样本特征 集合； 设置样本集合中各样 本的正、 负备用不 足风险类别标记， 根据候选的样本特征集合和 风险类别标记构建初始样本集； S2： 根据初始样本集， 利用互信息法分别计算各个样本的样本特征X和风 险类别标记Y 之间的互信息， 筛 选互信息较大的样本特 征作为训练样本特 征， 构建训练样本集D； S3： 基于训练样本特征和训练样本集D构 建基于CA RT准则的决策树模型， 采用连续型特 征数据处理方法对取值为连续值的训练样本特征进行离散处理， 根据训练样本集D在各个 训练样本特 征划分下的基尼指数确定决策树模型的最优划分特 征； S4： 基于步骤S2构建的训练样本集D和步骤S3构 建的基于CART准则的决策树模型， 采用 交叉验证法选取最优叶节点 最小样本数； S5： 利用步骤S2构建的训练样本集D对步骤S3构建的基于CART准则的决策树模型进行 训练从而生成二分类决策树Ts1， 并利用步骤S4获得的最优叶节点最小样本数对决策树模型 进行参数设置， 经 过多次训练生成带纠错机制的决策树序列Tst＝{Ts1,Ts2,…,Tsn}； S6： 采用迭代式后剪枝法对步骤S5生成的决策树序列Tst进行剪枝， 最终生成最优的带 纠错编码的决策树序列Top； S7： 根据最优的带纠错机制的决策树序列Tops， 对带纠错机制的决策树模型进行评估， 采用预测精度、 查准率、 查全率和F1度量对决策树模型进 行评估； F1度量表 示查准率和查全 率综合评估的指标， 其中， Pre表示 查准率， Rec表示 查全率； S8： 利用评估后的决策树模型进行电力系统备用不足风险场景辨识。 2.如权利要求1所述的电力系统备用不足风险场景辨识方法， 其特征在于： 所述步骤S1 中， 根据正负备用不足的功率计算公式选取影响正负备用的样本特 征， 方法如下： 正备用不足的功率计算公式： 负备用不足的功率计算公式： 公式(1)和(2)中， 表示火电机 组发电功率上限， 表示火电机组发电功率下限， PDt为负荷， Pl,t为联络线功 率， 为新能源功率概率预测值， 为电力系统正备用容量， 电力系统负备用容量， 是计算出的正备用不 足功率值， 是计算出的负备用不 足 功率值； 新能源功率 概率预测值包括 风电功率 概率预测值和光伏 功率概率预测值； 选取火电机组发电功率上限、 火电机组发电功率下限、 负荷、 联络线功率、 风电功率不 同置信度水平下 的概率预测 值、 光伏功率不同置信度水平下 的概率预测 值、 电力系统正备 用容量、 电力系统负备用容 量为样本特 征。 3.如权利要求1或2所述的 电力系统备用不足风险场景辨识方法， 其特征在于： 所述步 骤S1中， 设置样本集 合中各样本的正、 负备用不足风险类别标记的方法如下： 当样本正备用不足功率值大于0时， 则该样本正备用不足风险类别标记为1， 否则为0； 当样本负备用不足功率 值大于0时， 则该样本负备用不足风险类别标记为1， 否则为0 。权　利　要　求　书 1/4 页 2 CN 113452018 B 24.如权利要求1或2所述的 电力系统备用不足风险场景辨识方法， 其特征在于： 所述步 骤S2中， 样本特 征X和风险类别标记Y之间的互信息量计算公式如下： 其中， p(x,y)是变量X和变量Y的联合概率分布函数， 而p(x)是变量X的边缘概率分布函 数； p(y)分别是变量Y的边缘概率分布函数， I(X； Y)表示变量X和变量Y的互信息量； 互信息 用来评价 一个事件的出现对于另一个事 件的出现所贡献的信息量。 5.如权利要求1或2所述的 电力系统备用不足风险场景辨识方法， 其特征在于： 所述步 骤S3， 包括以下步骤： S3‑1： 对于取值为离散值的训练样本特征， 根据训练样本集D计算在某个训练样本特征 a划分下的样本集Dv的基尼值Gi ni(Dv)； 对于某一训练样本特征a， 设训练样本集D在训练样本 特征a上的取值集合为v， Dv表示训 练样本集D中取值 为av的样本集， Dv中含有样本类别数为 n； 基尼值Gi ni(Dv)计算公式如下： 其中， pk表示样本集Dv中第k类样本所占的比例； S3‑2： 根据基尼值Gini(Dv)计算训练样本集D在训练样本 特征a划分下的基尼指数Gini_ index(D,a)， 计算公式如下： v表示训练样本集D在训练样本特征a上的取值集合； Dv表示训练样本集D中取值为av的 样本集； S3‑3： 对于取值为连续值的训练样本特征， 采用一种连续型特征数据处理方法对连续 值的训练样本特 征进行处 理， 处理方法如下： 对于训练样本集D和连续的训练样本特征a， 设定训练样本特征a在训练样本集D上有m 个不同取值， 对 取值进行升序排列， 为{a1,a2,…,am}， 基于某个划分点s将训练样 本集D划分 为两个子集 和 分别包含划分点s两边的样本； 对于连续的训练样本特征a， 包含 m‑1个 元素的候选划分点 集合为： ai表示所述升序排列的第i个值， ai+1表示所述升序排列的第i+1个值； S3‑4： 根据公式(6)产生的候选划分点集合Sa， 根据公式(7)分别 计算m‑1个候选划分点 的基尼指数： 式中， 表示连续的训练样本特 征a基于划分点s划分下的样本集DS的基尼值；权　利　要　求　书 2/4 页 3 CN 113452018 B 3