暫態(tài)穩(wěn)定分析是電網安全防控需要考慮的重要問題。近年來，SCADA和WAMS中采集的
數據日益豐富和完善，為暫態(tài)穩(wěn)定分析帶來了前所未有的豐富條件。如何有效利用這些量
測數據，不斷提升暫態(tài)穩(wěn)定分析功能，是亟需解決的問題。

解決的問題

利用數據挖掘方法進行暫態(tài)穩(wěn)定分析時，所用數據集普遍存在失穩(wěn)樣本少的樣本不均衡問
題。由于數據挖掘分類器沒有絕對把握，其應用始終存在局限性。因此，增強分類器對失
穩(wěn)樣本的識別能力，并對其預測結果的可信度進行研究，就顯得尤為重要。針對此，文章
提出一種基于改進Bootstrap抽樣的SVM組合分類器，以提高分類器對失穩(wěn)樣本的判準率，
并對SVM輸出結果的可信度進行了定義和評價，提出基于可信度的SVM組合分類器與傳統(tǒng)
方法相配合的應用模式。

重點內容及創(chuàng)新點

本文提出了用于暫態(tài)穩(wěn)定預測的SVM組合分類器及其可信度評價方法。采用改進的
Bootstrap抽樣得到多個均衡的數據子空間，在失穩(wěn)樣本較少時能夠更“偏向”失穩(wěn)樣本；
利用多個SVM分類器組合的方式，提高分類器的準確率和整體可信度；定義了SVM分類
器輸出結果的可信度指標，通過對對穩(wěn)定和失穩(wěn)預測結果的可信度設置不同閾值，能夠不
同程度地提高模型對穩(wěn)定和失穩(wěn)樣本的判準率。該方法還能與傳統(tǒng)的判穩(wěn)方法相配合，共
同實現暫態(tài)穩(wěn)定的快速準確判斷。

結論

文章提出一種基于SVM的組合分類器及其可信度評價方法用于電力系統(tǒng)暫態(tài)穩(wěn)定預測。首先
采用改進的Bootstrap抽樣得到多個均衡的數據子空間，然后隨機抽取一定數量的特征進一步
壓縮數據，利用壓縮后的數據訓練生成多個SVM模型，并利用SVM的概率輸出進行結果集成
，最終得到預測結果和可信度量測。利用新英格蘭10機39節(jié)點系統(tǒng)得到的3400個樣本和美國
東北電力協(xié)調委員會48機140節(jié)點系統(tǒng)上20800個樣本進行算例分析，結果表明：所提出的
SVM組合模型具有較高的預測準確率，對失穩(wěn)樣本的判準率有明顯提升，同時SVM的組合模
型具有更高的可信度；通過對穩(wěn)定和失穩(wěn)預測結果設定不同的可信度閾值，能夠實現對遠離穩(wěn)
定邊界故障的快速準確篩選。