《Energies》：Multi-Parameter Sensitivity Analysis and Engineering Configuration Optimization Strategies for Sheath Protectors in 220 kV Cable Systems Based on Overvoltage Characteristic Analysis
编辑推荐：
随着新能源并网规模的增加，电力系统中低频率振荡的风险显著上升，严重影响系统安全与稳定。通过稳态运行特征识别低频率振荡风险迫在眉睫。本文首先分析了影响低频率振荡的特征，并利用暂态仿真构建了低频率振荡数据集。其次，采用随机森林（Random Forest, RF）
随着新能源并网规模的增加，电力系统中低频率振荡的风险显著上升，严重影响系统安全与稳定。通过稳态运行特征识别低频率振荡风险迫在眉睫。本文首先分析了影响低频率振荡的特征，并利用暂态仿真构建了低频率振荡数据集。其次，采用随机森林（Random Forest, RF）算法进行特征选择，提出了一种基于遗传算法优化的卷积神经网络（Genetic Algorithm optimized Convolutional Neural Network, GA-CNN）的低频率振荡风险识别模型。第三，通过结合皮尔逊相关系数（Pearson Correlation Coefficient, PCC）和RF算法消除冗余特征并筛选重要特征，提出了一种基于梯度提升回归树（Gradient Boosting Regression Tree, GBRT）的低频率振荡频率识别模型，并使用网格搜索（Grid Search）进行超参数优化。最后，通过基于不同运行工况下低频率振荡数据集的消融实验和对比实验验证了所提方法的有效性。
**论文解读文章**
**研究背景与问题**
随着新能源大规模接入电力系统，低频率振荡风险急剧增加，其影响因素多样且相互耦合，使得传统基于故障后波形观测的识别方法（如Prony算法、特征值分析）难以满足高比例新能源电力系统时变性的需求。现有模型驱动方法在大扰动下分析误差大，而数据驱动方法虽广泛应用，但直接训练高维数据缺乏先验知识且耗时长。因此，亟需融合物理机理与数据驱动方法，通过系统的稳态运行条件提前预测低频率振荡风险与频率，以提升识别精度并适应实际工程需求。
**研究内容与结论**
研究人员基于PSASP 7.82.04构建了含风电的区域电网仿真模型（节点7和8风电额定有功功率75 MW，节点9和10火电额定有功功率80 MW，节点3和4负荷额定有功功率120 MW和60 MW），通过拉丁超立方采样生成400个运行场景，配置三相短路故障并记录电压波形。利用Prony分析提取阻尼比和振荡频率，构建包含18个可调输入特征（如电压幅值、功角、联络线电抗、励磁参数KIV、负荷功率、火电功率、新能源功率等）的数据集。
首先，基于机理分析和RF算法筛选电压相关特征（选出U4、U5、U1、U8、U6五个重要性>0.6的特征），结合7个非电压特征，构建12维输入，提出GA-CNN模型进行低频率振荡风险二分类（阻尼比≤0标记为有风险）。通过设计考虑召回率优先的多目标适应度函数（融合准确率、精确率、召回率和F1分数），优化学习率、权重衰减、丢弃率、卷积通道数等9个超参数。对比实验表明，采用12维特征相比全18维或仅7维特征，平均准确率、精确率、召回率和F1分别提升16.1%、12.6%、5.6%和9.7%；GA-CNN相比XGBoost、RF及未优化CNN，在召回率和F1上进一步改善，更符合实际工程中漏检代价高的需求。
其次，针对有风险样本，采用PCC检测冗余特征（6对特征相关系数>0.95），结合RF的基尼系数排序，保留5个高相关特征，构建GS-GBRT模型识别振荡频率。消融实验证明，特征筛选和网格搜索超参数优化分别降低了识别误差；对比SVR和RF，GS-GBRT在RMSE、MAE和sMAPE指标上均最优。
论文发表在《Energies》。
**关键技术方法**
研究人员主要使用了以下关键技术方法：拉丁超立方采样生成400个多工况仿真场景；Prony分析提取阻尼比和振荡频率；随机森林算法计算置换重要性或基尼系数进行特征选择；皮尔逊相关系数检测特征冗余；遗传算法优化卷积神经网络的超参数，设计包含召回率惩罚项的多目标适应度函数；梯度提升回归树结合网格搜索实现频率回归预测。所有实验在Python 3.11.9环境中运行，基于scikit-learn等库实现。
**研究结果**
**5.1 低频率振荡风险识别实验**
**5.1.1 风险识别实验过程**：将400个样本按6:2:2划分为训练集、验证集和测试集。采用RF算法对11个电压相关特征计算置换重要性，选择U4、U5、U1、U8、U6（重要性均>0.6）与7个非电压特征（共12维）作为CNN输入。构建GA优化框架，种群大小10，进化代数6，精英保留数2，优化9个超参数（学习率、权重衰减等），最佳组合如表3所示。
**5.1.2 输入特征选择对比实验**：采用5折交叉验证，比较全18特征、仅7非电压特征和12选定特征三种输入。结果（表4）表明，12特征方案的平均准确率、精确率、召回率和F1分别为最高，且混淆矩阵（图6）中误报和漏报样本数最少，验证了特征选择的有效性。
**5.1.3 风险识别模型对比实验**：固定输入为8维（类似设置），比较XGBoost、RF、未优化CNN和GA-CNN。结果（表6）显示GA-CNN的召回率和F1最优，准确率和精确率略降但更均衡；混淆矩阵（图7）表明GA-CNN漏检样本最少。
**5.2 低频率振荡频率识别实验**
**5.2.1 频率识别实验过程**：从有风险样本中提取154个训练、51个验证和52个测试样本。PCC检测得到6对冗余特征（表7），结合RF基尼系数（树数500，最小叶节点样本1）筛选出5个特征（图8，基尼系数>0.09）。对GBRT的6个超参数（学习率、树数等）进行网格搜索，最优值见表8。
**5.2.2 消融实验**：比较仅GBRT、GBRT+特征筛选、GBRT+特征筛选+网格搜索三种情况（表9）。引入特征筛选和后继超参数优化逐步降低了RMSE、MAE和sMAPE；散点图（图9）显示最终模型预测值更贴近真实值。
**5.2.3 频率识别模型对比实验**：与SVR和RF对比（表10），GS-GBRT在三个误差指标上均最小，散点图（图10）中绝大多数点靠近对角线，表明其优越的识别性能。
**讨论与结论**
论文在结论部分总结：基于新电力系统低频率振荡影响因素分析，提出了数据驱动的风险识别与频率识别方法。一方面，利用机理分析和RF算法进行特征选择，构建GA-CNN模型，通过设计合理适应度函数优化超参数，提升了性能；另一方面，结合PCC与RF算法消除冗余并筛选重要特征，构建结合GBRT模型和网格搜索优化的频率识别方法。基于多工况暂态仿真数据集的对比与消融实验验证了所提方法性能显著优于其他方法。未来工作将进一步探索影响低频率振荡的关键因素并构建高性能模型，同时基于PMU数据和实际电网扰动实验验证方法实用性。
