一种用于电力系统频率安全评估的集成式样本重加权与稀疏特征学习方法

《Journal of Modern Power Systems and Clean Energy》：An Integrated Sample Reweighting and Sparse Feature Learning Method for Frequency Security Assessment in Power Systems

　　

摘要：

随着可再生能源在电力系统中的整合程度不断提高，基于机器学习的频率安全评估方法越来越受到关注。然而，这类方法往往会被训练数据中的虚假相关性所误导，这不仅阻碍了稳定关系的识别，还限制了其在由可再生能源引发的各类异常运行条件下的泛化能力。为克服这一局限，本文提出了一种用于电力系统频率安全评估的集成式样本重加权与稀疏特征学习方法。具体而言，基于特征独立性的样本重加权方法通过调整样本权重来消除输入特征之间虚假相关性带来的干扰。随后，利用基于随机门的稀疏特征学习方法来评估在重新加权后的样本分布下各输入特征的单独影响。这一过程有助于识别出与频率安全具有稳定关联的特征。最后，使用这些经过筛选的稳健特征重构并训练频率安全评估模型，从而提升其在异常运行条件下的泛化能力。通过在可再生能源渗透率较高的多个系统中进行的实验，验证了所提出的SR-SFL方法的有效性。