1.一种基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,包括:
获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳定状况,所述可解释子模型用于计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型的构建方法包括:从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器重新进行迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型的构建方法包括:获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。
2.如权利要求1所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,所述计算每一所述原始特征数据的重要程度,根据每一所述原始特征数据的重要程度提取关键训练特征数据,具体包括:根据每一所述原始特征数据在Catboost训练过程中的分割信息,通过以下公式计算每一所述原始特征数据的重要程度:将重要程度超过预设特征选择阈值的原始特征数据,作为所述关键训练特征数据;
其中,fIF为每一所述原始特征数据的重要程度、c1为每一所述原始特征数据对应的决策树中左叶子节点中目标的总权重、c2为每一所述原始特征数据对应的决策树中右叶子节点中目标的总权重、v1为每一所述原始特征数据对应的决策树中左叶子节点的计算值、v2为每一所述原始特征数据对应的决策树中右叶子节点的计算值。
3.如权利要求2所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,通过高斯过程以及POI提取函数构建所述贝叶斯优化模型,且所述贝叶斯优化模型所对应的目标函数为:maxW1*Accuracy+W2*Recall+W3*AUC;
其中,W1、W2以及W3均为权重系数;max为最大值函数;Accuracy为所述初始暂态稳定分类器的准确率;Recall为所述初始暂态稳定分类器的召回率;AUC为所述初始暂态稳定分类器ROC曲线下方的面积。
4.如权利要求3所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,通过以下公式计算所述准确率、召回率以及ROC曲线下方的面积;
式中:f11为稳定样本被准确评估为稳定样本的数目;f10为稳定样本被误判为不稳定样本的数目;f00为不稳定样本被准确评估为不稳定样本的数目;f01为不稳定样本被误判为稳+ ‑ +定样本的数目;n 是被预测为稳定样本的数目;n 是被预测为不稳定样本的数目;x表示被‑
预测为稳定的样本;x 表示被预测为不稳定的样本;i为自变量表示第i个稳定样本;j为自变量表示第j个不稳定样本。
5.如权利要求1所述的基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,所述计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型,具体包括:通过以下公式计算各所述关键训练特征数据的SHAP值:
根据各所述关键训练特征的SHAP值构建如下可解释子模型:
其中, 为关键训练特征数据的SHAP值;m表示第m个关键训练特征数据;M为所输入的关键训练特征数据的总个数;fx()为用于求取期望值的期望函数;S为关键训练特征数据所组成的集合;S′为S的子集;{m}表示第m个关键训练特征数据所对应的样本; 为暂态稳定评估子模型对于所有关键训练特征数据的期望值;f(x)为可解释子模型。
6.如权利要求1所述基于自动化和可解释机器学习的暂态稳定评估方法,其特征在于,还包括:将所述监测数据以及所述电力系统的暂态稳定状况,存储至所述暂态稳定数据库中,以使所述暂态稳定评估子模型根据更新后的暂态稳定数据库进行动态更新。
7.一种基于自动化和可解释机器学习的暂态稳定评估系统,其特征在于,包括数据提取模块、暂态稳定状况评估与解释模块、暂态稳定评估子模型构建模块以及可解释子模型构建模块;
所述数据提取模块,用于获取电力系统故障清除时刻的监测数据,并从所述监测数据中提取关键特征数据;
所述暂态稳定状况评估与解释模块,用于将所述关键特征数据输入至预设的自动化和可解释机器学习模型,以使所述自动化和可解释机器学习模型根据所述关键特征数据对所述电力系统进行暂态稳定状况评估,生成暂态稳定评估结果,并计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;其中,所述自动化和可解释机器学习模型包括暂态稳定评估子模型以及可解释子模型,所述暂态稳定评估子模型用于判断所述电力系统的暂态稳状况,所述可解释子模型计算各所述关键特征数据对于所述暂态稳定评估结果的贡献度;
所述暂态稳定评估子模型构建模块,用于从预设的暂态稳定数据库中获取原始特征数据;基于CatBoost算法构建初始暂态稳定分类器,并根据所述原始特征数据对所述初始暂态稳定分类器进行初步训练;计算每一所述原始特征数据的重要程度,并根据每一所述原始特征数据的重要程度提取关键训练特征数据;根据所述关键训练特征数据对所述初始暂态稳定分类器进行重新迭代训练,并在迭代训练时通过预设的贝叶斯优化模型对所述暂态稳定分类器的超参数进行自动调优;在确定所述初始暂态稳定分类器的准确率、召回率以及ROC曲线下方的面积均符合预设阈值标准时,生成已训练暂态稳定分类器,将所述已训练暂态稳定分类器作为所述暂态稳定评估子模型;
所述可解释子模型构建模块,用于获取各所述关键训练特征数据,计算各所述关键训练特征数据的SHAP值;根据各所述关键训练特征的SHAP值构建所述可解释子模型。