基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估.pdf

第6 0 卷第6 期2023年6 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.6Jun.15,2023基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估鲁广明,张璐路,马晶，魏亚威,李宏强,杨慧彪（1.中国电力科学研究院有限公司，北京10 0 192；2.国网宁夏电力有限公司电力科学研究院，银川7 50 0 0 2）摘要：在充分利用电网海量历史运行数据及大量仿真分析数据评估暂态稳定态势过程中，恰当的选择与稳定特征以及提取非正常态势关键影响特征是实现电网暂态稳定态势评估的基础。文中提出了一种基于时序特征选择的暂态稳定态势智能评估方法。给出了基于未来运行点的邻域样本在线生成方法及稳定态势等级描述，选择输电断面作为主要特征；基于时序邻域信息度量算法，依据累积贡献率对特征降序排列，并采用基于邻域互信息的计算并伴随基于SVM的特征子集搜索实现允余特征的剔除,形成稳定特征子集；在应用电网稳定特征子集进行态势评估场景中，采用改进的多尺度主元分析法对稳定相关信息进行提取，通过特征贡献率排序实现非正常态势关键影响特征识别。结合IEEE39节点算例系统，仿真结果验证了文中所提方法的有效性。关键词：电网暂态稳定态势评估；时序特征选择；邻域互信息；特征贡献率；改进MSPCA算法D0I:10.19753/j.issn1001-1390.2023.06.018中图分类号：TM93Intelligent transient stability situation assessment of powergrid based ontime-series feature selection and improved MSPCA algorithmLu Guangming,Zhang Lulu,Ma Jing,Wei Yawei,Li Hongqiang”,Yang Huibiao?(1.China Electric Power Research Institute,Beijing 100192,China.2.Power Research Institute of State Grid Ningxia Electric Power Co.,Ltd.,Yinchuan 750002,China)Abstract:In the process of making full use of the massive historical operation data and simulation analysis data of largepower grid to evaluate the transient stability situation,the proper selection of features closely related to stability and theextraction of key factors affecting the abnormal stability situation are the basis.In this paper,an intelligent stability situa-tion assessment based on time-series feature selection is proposed.The online generation method of neighborhood samplesbased on the future operation section and the stability situation levels are given,and then,the transmission section is de-termined as the main features.With the support of the neighborhood information measurement algorithm of the power gridtime-series data,the features are arranged in descending order according to the cumulative contribution rate,and then,the redundant features are eliminated by the calculation based on the temporal neighborhood mutual information and thefeature subset search based on SVM to form a stable feature subset.In the scenario of applying the feature subset,the ex-traction of stability-related information(SRI)based on MSPCA algorithm is adapted,and the abnormal situation identifi-cation of key features is realized through the ranking of SRI contribution rate.The simulation results of IEEE 39-bus verifythe effectiveness of the proposed method.Keywords:power grid transient stability situation assessment,time-series feature selection,neighborhood mutual informa-tion,feature contribution rate,improved MSPCA algorithm基金项目：国家电网有限公司总部管理科技项目“跨区电网源荷不确定性安全风险在线评估与智能防御技术”（510 0-202135022A-0-0-00)文献标识码：A文章编号：10 0 1-139 0(2 0 2 3)0 6-0 12 5-0 90引言随着可再生能源集中/分布式并网运行、电力市场交易等规模的日益增加，电力系统运行呈现出强非线一12 5 一第6 0 卷第6 期2023年6 月15日性及随机性，给调控人员快速准确地实施电力系统暂态功角稳定分析评估与控制决策提出了更高的要求 1-3。与此同时,随着人工智能技术（Artificial Intelli-gence，A I)的快速发展,充分利用电力系统的海量数据资源,基于数据驱动方法提取暂态稳定关键特征，为电力系统暂态稳定性分析评估提供了新思路。为了准确掌控系统的运行状态及其趋势（态势），提出能够恰当反映系统运行情况的状态指标体系 41是关键一环，可以将刻画电网运行过程的稳定态势指标化、等级化，为实施相关调整提供清晰的控制方向及量化空间。文献 5提出了基于深度神经网络的电网安全态势感知评价体系，实现了对电网安全态势的超前感知。文献 6 提出了一种采用核主成分分析和近邻传播聚类算法的相量测量单元数据相干检测算法，用于检测同步发电机之间的相干性问题，实现了电力系统运行态势感知。文献 7 建立了不同层级的运行风险态势指标，开展了台风气象下电网运行风险的评估与预测。文献 8 提出了考虑时序相关性的数据驱动电-气综合能源系统态势感知方法，通过卷积神经网络模型对未来运行趋势预测。建立在人工智能技术基础上的电网暂态稳定态势评估，基于数据驱动方法提取暂态稳定关键特征，需要大量数据资源作为支撑。为了保证稳定态势评估有效性，输人特征要能够全面表征电网的运行状况。初始输入特征的选取对系统稳定态势评估过程至为关键。从目前已发表关于特征选择方法的研究成果来看，总体可以分为三种：过滤式（Filter）、包裹式（Wrapper）、嵌人式（Embedding）及组合方法 9-0)。鉴于特定故障后电网暂态稳定后果与稳态潮流之间的固定映射关系，可以考虑使用稳态潮流结果特征作为评估模型输入量，模型训练好之后进行在线评估时响应速度快。文献 12 提出了一种具有可解释性的特征选择方法，采用评估标准筛选出特征集合，确保预测结果具有较高的准确率。文献 13提出了一种基于模型-数据混合驱动的电网安全特征选择方法，在此基础上结合实际电网运行给出了应用案例。文献 14提出了基于累积贡献率的电压稳定裕度特征选择方法，采用沙普利加和解释理论结合累积贡献率增量计算方法，形成关键特征子集。针对连续运行的实际系统特征选择问题，文献 15提出了面向时序运行数据的微电网稳定运行评估模型和算法。文献 16 利用系统故障后的动态响应时序数据，提出了一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。文献 17 提一12 6 一电测与仪表Electrical Measurement&Instrumentation出了一种基于主成分分析法的电网暂态特征抽取算法。文中计及不同电网运行断面之间的时序演进规律,以电网输电断面为已知特征,采用一种基于邻域信息度量的附加特征筛选方法，在运行数据集中补选出与电网暂态稳定态势密切相关的特征，与输电断面特征一起组成特定故障下关系更为密切的特征集合。当将所得特征集合应用于未来态电网暂态稳定态势评估时，若遇到电网暂态稳定态势恶化场景，采用改进的多尺度主元分析法（Multi-scale Principal Component Anal-ysis，M SPCA)对非正常态势关键影响特征进行识别，提高态势评估结果可信度及可操作性，在追溯电网暂态失稳的潜在安全隐患及制定预防控制提升策略方面，为调度人员提供决策支持。1电网稳定评估数据集合的生成及态势等级描述电网暂态稳定态势评估所需数据主要分为两类：一类是基于广域测量系统、能量管理系统等采集存储的海量历史运行数据；另一类是采用具有潮流计算、时域仿真等功能的软件进行在线安全分析时产生的大量仿真数据。这些数据资源构成了暂态稳定态势评估的基础条件。在此基础上，还需完成邻域样本生成、电网输电断面识别及确定态势评估等级三方面的研究工作。1.1基于未来运行点的邻域样本在线生成为了能够有效地实现对电力系统安全运行态势进行评估，以未来运行点的自动生成结果为核心的领域内，采用蒙特卡罗方法生成大量的、均匀分布随机电网运行状态，保证能够较好地覆盖未来运行断面。具体方法为：在一定范围内随机改变节点有功负荷和无功负荷、发电机有功出力和无功出力（或发电机端电压），通过潮流计算得到该方式下的潮流状态，为下一节基于邻域信息度量的电网稳定特征选择提供样本数据基础。1.2初始特征集合确定初始特征集合中所含元素主要包括两部分：输电断面特征（主要特征）和节点电压幅值、线路输送功率等（附加特征)。结合实际电网调度监控工作内容，以电网输电断面特征为已知特征，针对未来运行断面的自动生成结果，采用基于电气分区法可以实现该运行输电断面识别，以该类特征作为电网稳定态势评估的主要特征。除了主要特征外,还需未来运行断面的邻域潮流计算结果,包括线路输送的有功/无功功率、发电机发出的Vol.60 No.6Jun.15,2023第6 0 卷第6 期2023年6 月15日有功/无功功率、节点电压幅值/相角、节点负荷有功/无功等,这些特征作为初始特征集合中的附加特征。1.3电网稳定态势评价等级根据电力系统安全稳定导则、国家电网调度控制管理规程等规程规定对电网安全运行评价给出了具体要求。针对系统暂态功角稳定裕度，其评价等级及对应指标范围如表1所示。表1电网暂态稳定指标范围及其评价等级Tab.1Typical stability index and its assessmentlevel of power grid裕度指标正常暂态功角稳定裕度10%,100%0%,10%】2基基于邻域信息度量的电网稳定特征选择为了描述特征属性间及其与电网稳定态势间的关联影响程度，用于刻画随机变量不确定性的信息熵是一种有效度量工具。在线实际应用中，由于单时段运行点采样无法充分反映电网运行状态发展变化且易受过程噪声影响，引人滑动窗口作为基本分析单元。对于滑动窗口的高维时序运行数据，邻域信息度量方法 18 用于刻画特征之间的关联关系，该方法给出了时序邻域互信息等信息度量概念，引人最近最远邻特征选择方法，通过引人累计重要度贡献率来控制特征选择的规模，得到最终特征子集。2.1时序数据的邻域信息度量基本理论某时序信息系统 TS=（X,SC,T）,其中 X是非空有限对象集,SC为特征属性集合,T是有序时间集合。对任意变量xEX,取邻域半径0,对象的邻域粒定义为：(x)=(y e X|Ab(x,y)S)式中：为采取2 范数计算的距离度量,用于衡量,y的相似程度。对任意集合B,CCSC,则B与C的时序邻域联合信息熵计算表达式为：IXINE(B,C)=-T11ogTXB关于C的时序邻域条件计算表达式为：NE;(C(B)=-TXI1IXITZ10g16;(x=该式反映了已知属性集B的信息下关于属性集C的信息的不确定性。电测与仪表Electrical Measurement&Instrumentation集合B和集合C之间的时序邻域互信息为：XI1or(x,)1.18;(x,)/NMI(B;C)=1ogIXIxISBuc(x,)1反映了集合B和集合C之间的依赖程度，该互信息可以用来表示不同特征子集间的亢余性。2.2特征属性的集合度量指标对于任意待选特征E SC,取任意两个样本x、xj X(ji）,计算二者欧式距离d（x i,x），并进行最大、最小排序,各自取前N个,此处N0.5n,排序结果分别为nd.nadnd和fidad告警紧急-8,0%(1)(2)IXIoruc(x;)IVol.60 No.6Jun.15,2023(4)fnd则特征的最远平均距离和最近平均距离分别为：(5)i=1特征的对特征子集的贡献率由下式计算：NSig(ak二N2n.dak,neariaak将 Sig（）从大到小排序,并对排序后的特征编号为(1)(2)、(IscD，则前 M个特征的累积贡献率为：MRm=ZSig(ar)/ZSig(a)k-1选取适当的阈值r，当前M个特征的累积贡献率达到或超过阈值r时,可得特征子集SC=（(1),(2)，,a(M)。特征的穴余度定义为ISCI1s=1,+kRe（）刻画了特征与 SC中子集中其它特征的平均依赖程度,其值越大表明两者之间的穴余度也越大，该特征越倾向于不会被选中。2.3电网暂态稳定态势特征的三阶段选择根据电网稳定态势特征选择要求，文中将整个流程分为三个阶段；其中第一、二阶段属于特征选择的Filter过滤阶段，第三阶段属于Wrapper封装阶段。2.3.1第一阶段一基于特征累积贡献率的特征选择(3)输人：电网运行数据集X，初始特征集合F（输电断面特征）,最近最远邻个数N,邻域半径8，阈值r，类别属性集合C。一12 7 一ak,near=2n.dakISCI(6)(7)第6 0 卷第6 期2023年6 月15日输出：特征子集SC。（1)初始化：对电网运行数据集X进行完成初始特征集筛选，预选出关键断面特征子集SC；(2)根据式(7)计算每个特征的累积贡献率,将累积贡献率达到或超过阈值r时的特征加人到特征子集SC;2.3.2第二阶段一基于特征穴余度的特征剔除根据式(8)计算时序邻域互信息，将满足下式的特征从SC中剔除。argmax Re(a(k)=a(k)2.3.3第三阶段一基于SVM的特征子集搜索本阶段进一步优化已有特征子集，以支持向量机作为分类器，针对前二阶段形成的子集SC中的所有特征：每次从SC中剔除一个预选特征后计算准确率,将准确率最高的特征子集保留下来，以此类推。当两次选择的准确率达到精度门槛值或者到达次数上限，则停止选择，输出特征子集结果。图1给出了基于邻域信息度量的电网暂态稳定特征选择流程图。主要包括：基于邻域信息度量的特征过滤阶段（对应2.3.1节内容）和特征选择的双重封装阶段（对应2.3.2 和2.3.3节内容）。基于未来96 点负荷预测结果，采用蒙特卡罗方法生成每点的邻域潮流样本，将节点有功、节点无功、节点电压模值和节点电压相角作为初始特征X采用基于电网分区的输电断面识别，获取运行断面特征，并加入到特征子集SC对每个特征的贡献率Sig降序排列，将大于值的特征加入到特征子集SC中计算各特征的时序邻域互信息，将满足下式（8）的特征从SC中剔除利用SVM算法对特征进行训练，根据准确率最高原则选择子集，直到满足精度条件或计算次数要求1/图1基于邻域信息度量的暂态稳定特征选择流程图Fig.1 Flow chart of powergrid transient stability featureselection based on neighborhood information一12 8 一电测与仪表Electrical Measurement&Instrumentation3基于改进MSPCA的非稳态势下关键特征识别第2 节形成的特征子集SC中元素对电网暂态稳定态势等级的影响程度是不同的，即某些关键特征对暂态稳定态势的发展有较大影响，是该状态等级所特有的变异信息。文中将与电网暂态稳定态势密切相关的信息简称为稳定相关信息（Stability-Related Informa-tion，SRI),该类信息将随着态势等级的不同而不同，并构成了用于区分不同态势等级的重要特征,因此可以认为这部分信息即为SRI。SC中其它对将电网稳定ISCI1ZNMI(a(n,a(.)TSC1-1.1k(9)一基于邻域信息度量的特征过滤阶段1特征选择的双重封装阶段1一一一一1Vol.60 No.6Jun.15,2023态势关系不大的过程信息简称为稳定无关信息（Stabil-ity-UnrelatedInformation，SU I），它们属于所有态势等级所共有的特征信息。可以看出SRI为 SC的子集,是对特征子集进一步的识别与凝练。3.1电网稳定态势相关信息SRI的提取为了能有效评估电网暂态稳定态势，文中基于MSPCA算法 19提取不同态势等级下的SRI,同时结合滑动窗口模式 2 0,形成滑动窗口多尺度主元分析算法，在不同尺度上基于滑动窗口主元分析实现模型更新，从而实现关键影响因素定位追溯。为了便于算法描述，将前述生成的态势评估特征子集 SC记为 X=Xi,X,X%1T e RNex,共有 C个等级,Nc为样本总数，J为特征属性数。对X进行标准化预处理后,每个X，可由一组子基向量进行线性表达。一般地,将X的第i个子基向量表示为：Ncpi=Zai.x,=xrfin=1引人一个共同基向量Pg，用以描述多个数据集之间所蕴含的共同潜在变量关联关系。为此可以建立如下的优化模型：max R=max (p,xr).pp,=1s.t.3LaxX=1将两个等式约束和目标函数,通过拉格朗日函数法,建立一个新的拉格朗日函数F：CCF=Z(p,xa)-(plpg-1)-Zx(axx-1)C=(12)式中入。和入。为拉格朗日乘子。基于KKT最优解条件，可得最优解为CZ(xT(xx)-X)Pg=gPgc=1对式(13)进行SVD分解，根据特征值由大到小排(10)(11)c=1(13)第6 0 卷第6 期2023年6 月15日序后得到对应的特征向量集合为共同基向量Pg以两个数据集为例进行说明共同子空间的构成，如图2 所示。201816141210864205图2 二维数据集在不同基向量下投影示意图Fig.2SSchematic diagram of two-dimensional data setprojection under different basis vectors由图2 所示，数据集datal与data2在基向量Pg1方向上投影幅值相近，而在Pg2上投影相差较大,则Pgl可以看作为数据集datal与data2的共同子空间。得到共同基向量P.后,将X向P.中的每个子基向量作投影计算，得到沿各个子基方向的信息幅值，记幅值相近的子基向量集合为共同子空间P。；幅值相差较大的记为P则构成了SRI空间。通过共同基向量空间P.及其子空间Pg、P的形成结果,将X进行重新列写为三部分,明确SRI的元素构成,表达如下：X=X+X=XP,PI+XP,PI+X(I-P,P)-X+X(14)式中X为不同态势等级中的共有信息SUI,对区分态势状态的作用不大；而X，为不同态势等级所特有的SRI,对区分态势等级评价有重要作用。3.2基于SRI特征贡献率及多元线性回归的非正常态势基于特征子集对未来态电网进行稳定态势评估，若遇到态势告警甚至紧急场景时,需要进一步明确SRI信息。文中通过计算每个特征对评价指标的贡献率，并将较大贡献率的特征变量确定为导致电网暂态稳定态势恶化的关键特征变量。当电网运行在非正常态势时,以正常态势*为参考，分别计算各个特征对评价指标的贡献率。进行电网运行安全相关信息SRI的非正常态势原因识别步骤如下：(1）对特征子集SC进行标准化处理；电测与仪表Electrical Measurement&Instrumentation(2）计算x的得分向量：ti=xP:(3)计算SRI与态势等级c中的距离d：d=/P=xp/P=/p (16)个Pgl:datal*data2Pg21015Vol.60 No.6Jun.15,2023(15)式中为x的第j个特征变量，p为P的第j个列向量。(4)第j个特征对评价指标的特征贡献率入,为：A=_i(17)2025式中C,为正常态势下全部特征数据中该变量的贡献均值。贡献率较大者即为导致稳定态势非正常的关键原因变量；(5)当第i个特征为主要特征，即输电断面特征时，仍需进一步识别引起该断面特征的附加特征，采用多元线性回归法 13建立输电断面特征与发电机输出功率等附加特征之间的关联关系，即可明确所对应的附加特征属性。4算例分析以IEEE39节点算例系统，说明本文所提电网稳定态势评估流程及进行有效性验证。该算例系统包括线路34条、发电机10 台和负荷19个。为了产生稳定态势评估需要的多个时序运行点潮流数据，以某省电网2 0 2 2 年9月份典型日负荷曲线为参考构建IEEE39系统的日负荷曲线，得到以15min为间隔的96 点日负荷曲线。基于每15min负荷情况，对发电机出力进行重新分配，从而得到各机组日有功出力计划，进行各运行点的潮流计算；若某运行点的潮流计算不收敛,则调整发电计划和负荷数据，保证各个运行点的潮流结果收敛。基于每15min为间隔的运行点潮流结果,采用蒙特卡罗方法在一定范围内随机改变节点有功负荷和无功负荷、发电机有功出力和无功出力（或发电机端电压），并完成相应的潮流计算，得到运行点下的邻域潮流状态。图3给出了基于未来9 6 点负荷预测的邻域样本生成结果曲线。对上述所得大量运行点潮流断面,采用暂态稳定计算软件，得到稳定裕度指标，并给出稳定等级。文中采用预想故障设置如下：在t=0s时刻,选择BUS23-BUS24作为故障线路,在靠近BUS23节点处发生三相短路接地故障,故障持续时间0.2 s,共得到450 0 个样本,其中稳129 一第6 0 卷第6 期2023年6 月15日定样本有36 2 8 个，不稳定样本8 7 2 个。随机选取30 8 6个稳定样本和6 35个不稳定样本组成训练集，剩余542个稳定样本和2 37 个不稳定样本组成测试集。75007000*一运行点负荷邻域样本负燕650060005500500045004000有35003000250020000102030405060708090运行点图3基于未来96 点负荷预测的邻域样本生成Fig.3 Neighborhood sample generation based on future96-point load forecasting4.1电网稳定特征选择结果基于1.1节方法生成的大量运行点潮流，通过电气分区后得到关键输电断面，将其输送有功作为主要特征，加入特征子集SC；同时选取有功负荷及无功负荷、有功电源功率及无功电源功率、节点电压幅值及对应的相角作为附加特征,加人到SC中。图4给出了特征子集结果。+30+37252-398线路有功特征线路无功特征节点电压特征一输电断面特征三相短路故障处图4IEEE39节点系统的特征子集选择子集结果Fig.4IFeatures selection subset of IEEE 39-bus system采用邻域信息度量算法对初始特征集合进行三阶段筛选后，最终形成的特征子集中包含2 4个特征，即：断面特征5个、线路有功特征7 个、线路输送无功特征4个、以及节点电压特征8 个，按上述顺序对其编号为从1到2 4。从选择结果来看，这些特征大多分布在故一130 一电测与仪表Electrical Measurement&Instrumentation障元件位置附近，符合电网运行认知。为了验证所提特征选择方法的效果，图5给出了以上算法的不同特征数目下评估的准确性变化关系对比。对7 7 9 个测试样本进行有效性验证,并将文中所提方法与卡方检验算法、相关系数法、Relief算法等特征选择结果进行比较分析表2 给出了选择2 4个稳定特征时的评估准确性结果对比。6000MW/山550050007580.85.9095运行点26281271817-162115?4145133132+34+332Vol.60 No.6Jun.15,2023文中方法卡方检验法：0.950.90.85C0.8SHAP值算法0.7502468810 12 14 16 18 20 22 24特征数量图5不同特征选择方法准确率对比Fig.5 Comparison of accuracy rate of different featureselection methods表2 不同特征选择方法的评估结果对比Tab.2Comparison of prediction accuracy result ofdifferent feature selection methods特征选择算法准确率/%29卡方检验算法38相关系数法9mRMR算法SHAP值算法243623121920L2210?omRMR算法相关系数法误判率/%94.683.2793.884.8196.861.7897.761.13文中所提算法97.90由图5和表2 给出的结果可以看出，在选择特征数量为2 4时本文所提方法均具有较大的优势，在尽量降低特征维数的前提下稳定评估准确性得到了较好的+35保证。通过和改进mRMR算法、基于SHAP值算法的评估结果相比,本文算法具有较高的准确性，体现出在数据输入及特征度量算法方面具有一定的优势。在提取特征进行暂态稳定评估过程中，测试样本在总样本中所占比例的高低对评估结果有很大影响。图6 给出了不同比例下（测试样本在总样本中所占比例从10%到40%）的评估准确率、漏判率及误判率结果变化趋势。从图中可以看出，当训练样本比例下降、测试样本增高时,评估准确率有明显的下降,此时基于所选择特征进行暂态稳定态势评估的结果将趋于恶化。漏判率/%2.051.311.361.111.260.84第6 0 卷第6 期2023年6 月15日1021009896949290888684828010152025303540总样本中测试样本所占比例/%图6 不同测试样本比例下评价结果Fig.6Evaluation results under different test sample ratios4.2非正常态势关键影响特征提取结果分析为了能够对不正常态势的关键影响因素进行追溯,验证第3节方法的有效性,基于图3给出的未来96点负荷预测的邻域样本生成结果曲线，将高峰负荷阶段时的节点3、节点4、节点7、节点8 和节点12 的负荷随机施加增量，以模拟非正常运行方式下稳定态势评估及其关键影响特征提取，各点负荷曲线如图7 所示。选取涵盖态势等级正常、告警和紧急的10 0 个样本作为连续运行的测试样本数据，评价过程中指标阈值8取0.8 5。图8 展示了各个态势等级评价结果情况。表3进一步给出了实际态势等级与评估结果对比情况900800二。节点4负荷一一节点12 负荷节点3负荷一一节点8 负荷700一节点7 负荷60050040030020010000102030405060708090100图7 部分节点负荷后的各节点负荷曲线Fig.7 Load curves of each node after adjustmentof some nodes1.210.80.60.40.200102030405060708090100样本点图8 正常及紧急态势评价指标结果Fig.8 Situation assessment indicators of normaland emergency situation电测与仪表Electrical Measurement&Instrumentation表3实际态势等级与评估结果对比口误判率漏判率准确率Tab.3Comparison of actual situation leveland evaluation results态势等级实际情况（样本）正常1 40正常向紧急过渡41 50紧急51 70紧急向正常过渡71 80正常81 100从图8 中可以看出，从过程开始到41个样本、第8210 0 个样本，评价指标大于阈值，表示这段时间系统一直运行于正常态势下；而在50 7 2 个样本之间，系统稳定态势等级为紧急态势。从42 个样本开始到49个样本以及7 3 8 1个样本期间,系统运行于状态转换期间，可以将等级划为告警阶段。针对电网处于紧急态势等级时，需要进一步查找导致运行状态非正常的原因。由图8 和表3可知,在将处于52 7 0 之间，对评价指标贡献率较大的特征变量即为非正常态势关键影响特征因素。对紧急态势起始样本进行非正常态势追溯，图9给出了状态等级为“紧急”时的部分特征对评价指标的贡献率值。14斤121086420024681012141618202224特征评你指标图9紧急态势起始时特征贡献率结果值Fig.91Result of feature contribution rate at the beginning可以看出，第4、8、18 和2 0 号特征的贡献率远大于其他特征，可以确定它们是导致系统稳定态势进入紧急等级的关键影响因素。图9中所对应的关键影响特征中含有一个断面特征（线路9-39和线路3-4构成的断面），为了进一步明确其多对应的节点功率特征,采用多元线性回归算法，可以得到各变量的拟合系数，如表4所示。一 131 一Vol.60 No.6Jun.15,2023评价结果（样本）1 4142 4950 7273 8182 100of emergency situation第6 0 卷第6 期2023年6 月15日表4输电断面特征与附加特征之间的拟合系数Tab.4Fitting coefficient between transmission sectionfeatures and additional features附加特征拟合系数/p.u.Pt30.578PLA0.653PL70.490PLs0.593PL120.784Pc10.7645结束语文中提出了一种基于时序特征选择与改进MSPCA算法的电网暂态稳定态势智能评估方法，主要完成了如下工作：(1)在特征选择的输入数据方面：以电网未来运行点潮流在线生成样本作为输人，采用基于时序数据的邻域信息理论结合SVM算法形成特征子集，更符合电网运行趋势，具有更高的准确性；(2)在非正常态势关键影响因素识别方：采用改进MSPCA算法对电网稳定态势相关信息SRI的提取，实现了电网非正常态势时的关键影响征识别；(3)算例仿真分析结果表明验证了文中所提出的特征选择及非正常态势关键影响特征识别方法在电力系统稳定态势评估中的有效性。在后续研究中,在特征选择输人数据方面将进一步考虑暂态过程中动态特征量对评估结果的影响；另外，针对评估结果中存在的漏判/误判问题，需深人研究补救策略，探索如何将模型驱动方法引入数据驱动过程从而实现评估算法的优化改进。参考文献【1刘晟源，林振智，李金城，等电力系统态势感知技术研究综述与展望 J电力系统自动化，2 0 2 0，44（3）：2 2 9-2 39.Liu Shengyuan,Lin Zhenzhi,Li Jincheng,et al.Review and prospectof situation awareness technologies of power systemJ.Automation ofElectric Power Systems,2020,44(3):229-239.2耿华，何长军，刘浴霜，等新能源电力系统的暂态同步稳定研究综述 J.高电压技术，2 0 2 2，48（9）：336 7-338 3.Geng Hua,He Changjun,Liu Yushuang,et al.Overview on transientsynchronization stability of renewable-rich power systems J.High Volt-age Engineering,2022,48(9):3367-3383.3徐政电力系统广义同步稳定性的物理机理与研究途径 J电力自动化设备，2 0 2 0，40（9）：3-9.Xu Zheng.Physical mechanism and research approach of generalizedsynchronous stability for power systemsJ.Electric Power Automation一132 一电测与仪 表Electrical Measurement&InstrumentationEquipment,2020,40(9):3-9.【4刘瑞叶，李卫星，李峰，等电网运行异常的状态特征与趋势指标J.电力系统自动化，2 0 13，37（2 0：47-53.Liu Ruiye,Li Weixing,Li Feng,et al.State features and tendency indi-附加特征拟合系数/p.u.Pc20.734Pc80.893Pc100.678U250.23U43.08Q4.140.453Vol.60 No.6Jun.15,2023ces embodying abnormal operation of power systems J.Automation ofElectric Power Systems,2013,37(20):47-53.5】于群，李浩，屈玉清基于深度神经网络和内外部因素的大电网安全态势感知研究 J电测与仪表，2 0 2 2，59(2)：16-2 3.Yu Qun,Li Hao,Qu Yuqing.Research on security neural situationawareness network and internal of large power grid based on deep andexternal factors J.Electrical Measurement&Instrumentation,2022,59(2):16-23.6 王艳松，高鑫，胡彩娥，等基于核主成分分析和AP聚类算法的电力系统态势感知技术 J电测与仪表，2 0 2 2，59（1）：2 5-36.Wang Yansong,Gao Xin,Hu Cai e,et al.Power system situationcomponent awareness technology based on kernel principal analysis andAP clustering a