北京交通大学吴俊勇等：用于电力系统暂态稳定预测的支持向量机组合分类器及其可信度评价

暂态稳定分析是电网安全防控需要考虑的重要问题。近年来，SCADA和WAMS中采集的
数据日益丰富和完善，为暂态稳定分析带来了前所未有的丰富条件。如何有效利用这些量
测数据，不断提升暂态稳定分析功能，是亟需解决的问题。

解决的问题

利用数据挖掘方法进行暂态稳定分析时，所用数据集普遍存在失稳样本少的样本不均衡问
题。由于数据挖掘分类器没有绝对把握，其应用始终存在局限性。因此，增强分类器对失
稳样本的识别能力，并对其预测结果的可信度进行研究，就显得尤为重要。针对此，文章
提出一种基于改进Bootstrap抽样的SVM组合分类器，以提高分类器对失稳样本的判准率，
并对SVM输出结果的可信度进行了定义和评价，提出基于可信度的SVM组合分类器与传统
方法相配合的应用模式。

重点内容及创新点

本文提出了用于暂态稳定预测的SVM组合分类器及其可信度评价方法。采用改进的
Bootstrap抽样得到多个均衡的数据子空间，在失稳样本较少时能够更“偏向”失稳样本；
利用多个SVM分类器组合的方式，提高分类器的准确率和整体可信度；定义了SVM分类
器输出结果的可信度指标，通过对对稳定和失稳预测结果的可信度设置不同阈值，能够不
同程度地提高模型对稳定和失稳样本的判准率。该方法还能与传统的判稳方法相配合，共
同实现暂态稳定的快速准确判断。

结论

文章提出一种基于SVM的组合分类器及其可信度评价方法用于电力系统暂态稳定预测。首先
采用改进的Bootstrap抽样得到多个均衡的数据子空间，然后随机抽取一定数量的特征进一步
压缩数据，利用压缩后的数据训练生成多个SVM模型，并利用SVM的概率输出进行结果集成
，最终得到预测结果和可信度量测。利用新英格兰10机39节点系统得到的3400个样本和美国
东北电力协调委员会48机140节点系统上20800个样本进行算例分析，结果表明：所提出的
SVM组合模型具有较高的预测准确率，对失稳样本的判准率有明显提升，同时SVM的组合模
型具有更高的可信度；通过对稳定和失稳预测结果设定不同的可信度阈值，能够实现对远离稳
定边界故障的快速准确筛选。