周惠怡，劉頌凱，張 磊，張雅婷，毛 丹，晏光輝

（1.三峽大學(xué)電氣與新能源學(xué)院，宜昌 443002；2.佛山電力設(shè)計院有限公司，佛山 528000）

隨著現(xiàn)代電力系統(tǒng)的快速發(fā)展，系統(tǒng)規(guī)模逐漸擴大，新能源滲透率不斷升高，電力電子元件動態(tài)特性愈加復(fù)雜，這對電力系統(tǒng)安全穩(wěn)定運行提出巨大挑戰(zhàn)[1]。系統(tǒng)運行人員若無法快速、準(zhǔn)確地判斷電力系統(tǒng)的實時運行狀態(tài)，并采取相應(yīng)的控制措施，則系統(tǒng)可能會出現(xiàn)連鎖故障甚至大停電事故[2]。為了及時掌握電力系統(tǒng)運行態(tài)勢，降低因暫態(tài)失穩(wěn)造成的經(jīng)濟損失和社會影響，制定實時可靠的暫態(tài)穩(wěn)定評估方案是保障電力系統(tǒng)安全穩(wěn)定運行的有效途徑[3-4]。

目前，電力系統(tǒng)暫態(tài)穩(wěn)定評估研究方法主要包括機理分析法及機器學(xué)習(xí)法。傳統(tǒng)的機理分析法，即時域仿真法[5-6]和能量函數(shù)法[7-8]局限于數(shù)據(jù)處理速度不足，難以達(dá)到現(xiàn)代電力系統(tǒng)暫態(tài)穩(wěn)定評估的實時性需求。

隨著同步相量測量單元PMU（phasor measure?ment unit）和廣域測量系統(tǒng) WAMS（wide area mea?surement system）在電力系統(tǒng)中的發(fā)展與應(yīng)用，電力系統(tǒng)運行數(shù)據(jù)的收集和積累變得更加方便快捷。大量的量測數(shù)據(jù)為基于機器學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估研究奠定了堅實的基礎(chǔ)。文獻(xiàn)[9]通過集成學(xué)習(xí)和多目標(biāo)規(guī)劃來泛化單個極限學(xué)習(xí)機ELM（extreme learning machine）訓(xùn)練的隨機性，提高了暫態(tài)穩(wěn)定評估結(jié)果的可靠性。文獻(xiàn)[10]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò) ICNN（improved convolutional neural net?work）構(gòu)建電力系統(tǒng)暫態(tài)穩(wěn)定評估模型，提高了模型的泛化能力。文獻(xiàn)[11]基于支持向量機SVM（support vector machine）和決策函數(shù)實現(xiàn)電力系統(tǒng)暫態(tài)穩(wěn)定評估，解決了機器學(xué)習(xí)方法保守性不足的問題。文獻(xiàn)[12]基于生成對抗網(wǎng)絡(luò)GAN（generative adversarial network）構(gòu)建暫態(tài)穩(wěn)定評估方案處理電力系統(tǒng)數(shù)據(jù)缺失問題。

上述基于機器學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估研究一般側(cè)重于提高評估準(zhǔn)確率Acc（accuracy），較少考慮誤分類問題，即對失穩(wěn)樣本的漏判和對穩(wěn)定樣本的誤判，而該誤分類事件可能產(chǎn)生不可預(yù)測的嚴(yán)重后果。其中，相較于暫態(tài)穩(wěn)定評估誤判事件，漏判事件可能導(dǎo)致更嚴(yán)重的后果，對電力系統(tǒng)運行、人民生活及社會經(jīng)濟的影響更具災(zāi)難性。因此，對機器學(xué)習(xí)模型的漏判率FPR（false pasitive rate）進(jìn)行限制，制定考慮誤分類約束的電力系統(tǒng)暫態(tài)穩(wěn)定評估研究是十分必要的[13-14]。

針對誤分類問題，本文從數(shù)據(jù)和算法兩方面來分析誤分類事件產(chǎn)生的原因。在數(shù)據(jù)方面，由于電力系統(tǒng)中失穩(wěn)情況很少發(fā)生，導(dǎo)致用于暫態(tài)穩(wěn)定研究的失穩(wěn)樣本及穩(wěn)定樣本間存在嚴(yán)重的類別分布失衡問題，使訓(xùn)練好的模型偏向于穩(wěn)定樣本，從而造成誤分類事件；在算法方面，一般機器學(xué)習(xí)方法并不具備對漏判和誤判情況區(qū)別考慮的能力，因而不能有效的限制模型的FPR。

基于上述分析，本文提出了一種考慮誤分類約束的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法。首先，通過自適應(yīng)綜合過采樣ADASYN（adaptive synthetic sam?pling）算法[15]對輸入數(shù)據(jù)進(jìn)行過采樣，以改善失穩(wěn)樣本和穩(wěn)定樣本間的類別不平衡問題；然后，利用群體最大信息系數(shù)PMIC（population maximal infor?mation coefficient）[16]探索電力系統(tǒng)運行變量與暫態(tài)穩(wěn)定指標(biāo)之間的相關(guān)性，篩選相關(guān)性較強的關(guān)鍵特征，以降低輸入數(shù)據(jù)的維度，提高評估模型的計算速率，并降低模型過擬合風(fēng)險；最后，基于傘式奈曼-皮爾遜NP（Neyman-Pearson）分類器[17]構(gòu)建電力系統(tǒng)暫態(tài)穩(wěn)定評估模型，該模型集成多類融入NP準(zhǔn)則的分類器，具有優(yōu)先限制FPR的特性，可靈活處理電力系統(tǒng)的誤分類問題。

1 電力系統(tǒng)暫態(tài)穩(wěn)定樣本集建立

1.1 基于ADASYN的電力系統(tǒng)樣本生成

由于現(xiàn)代電力系統(tǒng)的穩(wěn)定性不斷提高，系統(tǒng)在大多數(shù)情況下保持穩(wěn)定運行狀態(tài)，極少出現(xiàn)暫態(tài)失穩(wěn)情況[18]。因此，用于電力系統(tǒng)暫態(tài)穩(wěn)定評估研究中穩(wěn)定樣本數(shù)量遠(yuǎn)多于不穩(wěn)定樣本，導(dǎo)致嚴(yán)重的類別不平衡問題，造成暫態(tài)穩(wěn)定評估模型的評估性能和泛化能力下降，進(jìn)而出現(xiàn)誤分類情況。為此，本文引入ADASYN對少數(shù)類失穩(wěn)樣本進(jìn)行過采樣，以改善樣本分布失衡問題，提高模型評估性能。其基本原理如下。

給定含有p個少數(shù)類失穩(wěn)樣本和q個多數(shù)類穩(wěn)定樣本的數(shù)據(jù)集。

1.2 基于PMIC的電力系統(tǒng)關(guān)鍵特征選擇

雖然PMU可采集豐富的電力系統(tǒng)運行特征數(shù)據(jù)，但若將其全部作為評估模型的輸入，不僅不能提高機器學(xué)習(xí)模型的性能，還增大了模型的學(xué)習(xí)難度，甚至導(dǎo)致維數(shù)災(zāi)害；此外，大量無關(guān)特征會影響模型的泛化性能，導(dǎo)致模型出現(xiàn)過擬合風(fēng)險。為了解決上述問題，本文引入基于PMIC的特征選擇方法對電力系統(tǒng)運行特征進(jìn)行數(shù)據(jù)降維。該方法首先利用PMIC分析電力系統(tǒng)運行特征與暫態(tài)穩(wěn)定指標(biāo)之間的相關(guān)性，并獲取相應(yīng)的相關(guān)性系數(shù)，即PMIC值；然后，篩選出與暫態(tài)穩(wěn)定指標(biāo)相關(guān)性較強的關(guān)鍵特征作為傘式NP分類器的輸入數(shù)據(jù)，剔除其余弱相關(guān)特征和無關(guān)特征，以達(dá)到降低傘式NP分類器輸入數(shù)據(jù)維度，提高其計算效率的目的。其基本原理如下。

2 基于傘式NP分類器的暫態(tài)評估模型

傘式NP分類器的基本思想是利用NP準(zhǔn)則對傳統(tǒng)分類器，包括隨機森林RF（random forest）、自適應(yīng)增強ADA（AdaBoost）算法和SVM進(jìn)行優(yōu)化，獲取相應(yīng)的NP分類器為NP-RF、NP-ADA和NP-SVM，并通過設(shè)置合理的FPR閾值來限制各NP分類器的FPR。傳統(tǒng)分類器與NP分類器對比如圖1所示，由圖1可知，與傳統(tǒng)分類器相比，NP分類器具有更低的FPR；基于傘式NP分類器構(gòu)建電力系統(tǒng)暫態(tài)穩(wěn)定評估模型，可顯著提高模型對失穩(wěn)樣本的判別率，使系統(tǒng)運行人員可以準(zhǔn)確的把握系統(tǒng)運行狀態(tài)，及時采取相應(yīng)的控制措施來避免大停電事故。

圖1 傳統(tǒng)分類器與NP分類器對比Fig.1 Comparison between traditional and NP classifiers

2.1 NP準(zhǔn)則

NP準(zhǔn)則的基本思路是根據(jù)兩種不同誤分類（漏判和誤判）對分類結(jié)果的重要性，通過設(shè)置一類誤分類的閾值來優(yōu)先限制此類誤分類率，在此基礎(chǔ)上，最小化另一類誤分類概率，以降低分類結(jié)果所產(chǎn)生的不利影響。本文將NP準(zhǔn)則引入電力系統(tǒng)暫態(tài)穩(wěn)定評估領(lǐng)域，由于對穩(wěn)定樣本的誤判和對失穩(wěn)樣本的漏判所產(chǎn)生的代價不同，以優(yōu)先限制FPR為基礎(chǔ)，同時盡量降低誤判率，實現(xiàn)對電力系統(tǒng)暫態(tài)穩(wěn)定評估誤分類的靈活約束。

2.2 傘式NP分類器訓(xùn)練流程

圖2為傘式NP分類器訓(xùn)練流程，由圖2可知，采用五折交叉驗證法將電力系統(tǒng)暫態(tài)穩(wěn)定樣本集劃分為訓(xùn)練集和測試集，對傘式NP分類器進(jìn)行訓(xùn)練，建立電力系統(tǒng)關(guān)鍵運行特征與暫態(tài)穩(wěn)定指標(biāo)之間的映射關(guān)系。具體訓(xùn)練流程如下。

圖2 傘式NP分類器訓(xùn)練流程Fig.2 Training process of umbrella NP classifier

2.3 模型評價指標(biāo)

電力系統(tǒng)暫態(tài)穩(wěn)定是指電力系統(tǒng)受到大擾動后，各發(fā)電機保持同步運行并恢復(fù)至穩(wěn)態(tài)運行情況的能力[19]。因此，可利用擾動后各發(fā)電機轉(zhuǎn)角差來表征系統(tǒng)的暫態(tài)穩(wěn)定性[20]，即

式中，Δδmax為擾動后任意2臺功角差的最大值。若σ>0，則系統(tǒng)穩(wěn)定，暫態(tài)穩(wěn)定標(biāo)簽為1；若σ<0，則系統(tǒng)失穩(wěn)，暫態(tài)穩(wěn)定標(biāo)簽為0。

針對電力系統(tǒng)暫態(tài)穩(wěn)定評估問題，定義混淆矩陣表示模型對測試樣本的分類性能如表1所示。其中，TP、TN分別為預(yù)測正確的穩(wěn)定樣本和失穩(wěn)樣本數(shù)量；FN為預(yù)測錯誤的穩(wěn)定樣本數(shù)量；FP為預(yù)測錯誤的失穩(wěn)樣本數(shù)量。

表1 混淆矩陣Tab.1 Confusion matrix

Acc是評價模型分類性能的常用指標(biāo)，但不能反映對不同類別樣本的重視程度[21]。由于對失穩(wěn)樣本的誤判會造成更嚴(yán)重的后果，應(yīng)更加重視模型識別失穩(wěn)樣本的能力。因此，除Acc外，本文還引入FPR和平衡分?jǐn)?shù)F1值來更全面地評價暫態(tài)穩(wěn)定評估模型的性能。其中Acc、FPR和F1的值可表示為

3 暫態(tài)穩(wěn)定評估流程

針對電力系統(tǒng)暫態(tài)穩(wěn)定評估誤分類問題，本文提出了如圖3所示的考慮誤分類約束的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法，該方法主要包括離線、更新和應(yīng)用3個階段。

圖3 暫態(tài)穩(wěn)定評估流程Fig.3 Flow chart of transient stability assessment

3.1 離線階段

（1）通過電力系統(tǒng)仿真軟件PSS/E進(jìn)行暫態(tài)仿真，獲取包含電力系統(tǒng)運行特征和暫態(tài)穩(wěn)定指標(biāo)的原始數(shù)據(jù)庫。

（2）基于ADASYN對仿真樣本進(jìn)行數(shù)據(jù)過采樣，自適應(yīng)地合成少數(shù)類失穩(wěn)樣本，改善穩(wěn)定樣本與失穩(wěn)樣本的分布失衡問題。

（3）利用PMIC挖掘電力系統(tǒng)運行變量與暫態(tài)穩(wěn)定指標(biāo)間的相關(guān)性，篩選出與電力系統(tǒng)暫態(tài)穩(wěn)定指標(biāo)高度相關(guān)的關(guān)鍵特征。

（4）基于五折交叉驗證法將樣本集分為訓(xùn)練集和測試集。使用訓(xùn)練集訓(xùn)練傘式NP分類器，建立電力系統(tǒng)輸入特征與暫態(tài)穩(wěn)定指標(biāo)的映射關(guān)系?；趥闶絅P分類器在測試集上的性能測試結(jié)果對其進(jìn)行參數(shù)調(diào)整，以獲得性能最佳的模型。

3.2 更新階段

對于現(xiàn)代電力系統(tǒng)而言，系統(tǒng)工況會因計劃維護(hù)、經(jīng)濟調(diào)度和最優(yōu)潮流等可能的運行需求而發(fā)生變化，離線數(shù)據(jù)庫不可能涵蓋所有的運行工況，實時可靠的電力系統(tǒng)暫態(tài)穩(wěn)定評估難以得到保障。因此，為了適應(yīng)電力系統(tǒng)運行工況的變化，提高評估模型的泛化能力，本文設(shè)計了暫態(tài)穩(wěn)定評估模型的更新階段，其具體過程如圖4所示。

圖4 模型更新機制Fig.4 Model update mechanism

通常，可從電力公司獲取電力系統(tǒng)潛在的運行工況列表；然后，根據(jù)工況列表生成相應(yīng)的樣本集來訓(xùn)練一系列的候選暫態(tài)穩(wěn)定評估模型，以降低訓(xùn)練好的模型在應(yīng)用時遇到未知工況的概率。

當(dāng)電力系統(tǒng)出現(xiàn)新的運行工況時，應(yīng)立即判斷其是否包含在離線數(shù)據(jù)中。若已包含在離線數(shù)據(jù)中，則選擇對應(yīng)訓(xùn)練好的模型進(jìn)行暫態(tài)穩(wěn)定評估；否則，將對暫態(tài)穩(wěn)定評估模型進(jìn)行重構(gòu)，訓(xùn)練新的暫態(tài)穩(wěn)定評估模型。隨著模型更新過程的執(zhí)行，遭遇未知工況的概率逐漸降低，模型的泛化能力不斷提升。

3.3 應(yīng)用階段

當(dāng)從WAMS服務(wù)器接收到所選關(guān)鍵特征的實時PMU量測數(shù)據(jù)時，訓(xùn)練好的暫態(tài)穩(wěn)定評估模型將立即給出評估結(jié)果。如果電力系統(tǒng)當(dāng)前的運行狀態(tài)被評估為穩(wěn)定，系統(tǒng)將繼續(xù)被監(jiān)測；否則，將向系統(tǒng)運行人員發(fā)出報警信號。

4 算例分析

為驗證本文所提暫態(tài)穩(wěn)定評估方法的可行性，采用新英格蘭10機39節(jié)點系統(tǒng)和仿真軟件PSS/E提供的1 648節(jié)點系統(tǒng)進(jìn)行算例分析。編程語言為R，計算機配置為Intel（R）Core（TM）i5-9300H CPU/16.0 GB RAM。使用電力系統(tǒng)仿真軟件PSS/E進(jìn)行電力系統(tǒng)暫態(tài)穩(wěn)定樣本生成。

4.1 數(shù)據(jù)集生成

新英格蘭10機39節(jié)點系統(tǒng)包括39條母線，10臺發(fā)電機和46條傳輸線路；PSS/E提供的1 648節(jié)點系統(tǒng)包括1 648條母線，313臺發(fā)電機和2 294條傳輸線路；考慮80%、85%、???、120%共計9種負(fù)荷水平，設(shè)置三相短路故障，故障位置位于傳輸線路的0、50%、90%處，故障持續(xù)時間為0.1 s、0.15 s、0.2 s，仿真時間為6 s。對于新英格蘭10機39節(jié)點系統(tǒng)，總共生成4 522個樣本，其中穩(wěn)定樣本3 768個，失穩(wěn)樣本754個；對于1 648節(jié)點系統(tǒng)，總共生成11 492個樣本，其中穩(wěn)定樣本9 577個，失穩(wěn)樣本1 915個。首先，通過ADASYN對上述樣本進(jìn)行過采樣，使失穩(wěn)樣本與穩(wěn)定樣本數(shù)量相等，對于新英格蘭10機39節(jié)點系統(tǒng)，共生成7 536個樣本；對于1 648節(jié)點系統(tǒng)，共生成19 154個樣本。然后，利用PMIC進(jìn)行特征選擇，對于新英格蘭10機39節(jié)點系統(tǒng)，選取30個關(guān)鍵特征作為傘式NP分類器的輸入數(shù)據(jù)；對于1 648節(jié)點系統(tǒng)，選取500個關(guān)鍵特征作為傘式NP分類器的輸入數(shù)據(jù)。最后，采用五折交叉驗證法，隨機選取上述樣本的80%作為訓(xùn)練集，其余20%作為測試集對傘式NP分類器進(jìn)行性能測試。

4.2 特征選擇的意義

為驗證本文所提基于PMIC的特征選擇方法的有效性，選取不同數(shù)量的輸入特征對NP-RF模型進(jìn)行性能測試。其中，模型在新英格蘭10機39節(jié)點系統(tǒng)中的測試結(jié)果如圖5所示；在1 648節(jié)點系統(tǒng)中的測試結(jié)果如圖6所示。在圖5中，當(dāng)特征數(shù)量為30時，模型Acc為96.14%，訓(xùn)練時間為23.38 s，之后再增加輸入特征，模型Acc無顯著變化，但模型訓(xùn)練時間明顯增加。在圖6中，當(dāng)特征數(shù)量為500時，模型Acc為95.12%，訓(xùn)練時間為140.26 s，之后再增加輸入特征對模型Acc也無明顯提升。由此可知，在模型輸入與暫態(tài)穩(wěn)定分析無關(guān)或相關(guān)性較弱的特征時，對其評估性能的提升十分有限，但模型的訓(xùn)練耗時會大幅增加。因此，為了減少計算資源的浪費，使用本文所提基于PMIC的特征選擇方法對電力系統(tǒng)運行特征進(jìn)行數(shù)據(jù)降維很有意義。

圖5 新英格蘭10機39節(jié)點系統(tǒng)中模型性能隨特征數(shù)量變化關(guān)系Fig.5 Relationship between model performance and number of features in New England 10-machine 39-bus system

圖6 1 648節(jié)點系統(tǒng)中模型性能隨特征數(shù)量變化關(guān)系Fig.6 Relationship between model performance and number of features in 1 648-bus system

4.3 模型性能測試

為測試傘式NP分類器（NP-RF、NP-ADA、NPSVM）的評估性能。設(shè)置FPR閾值α及違規(guī)率δ默認(rèn)值分別為0.02和0.05，測試結(jié)果如表2所示。

表2 傘式NP分類器性能測試結(jié)果Tab.2 Performance test results of umbrella NP classifiers%

由表2可以看出，在新英格蘭10機39節(jié)點系統(tǒng)和1 648節(jié)點系統(tǒng)中，NP-RF、NP-ADA和NP-SVM Acc均大于90%，F(xiàn)PR均小于2%，F(xiàn)1值均大于90%；對于新英格蘭10機39節(jié)點系統(tǒng)，NP-ADA的Acc最高，為97.36%，而NP-RF的FPR最低，為0.21%；對于1 648節(jié)點系統(tǒng)，NP-RF兼具最高的Acc為95.12%和最低的FPR為0.91%。系統(tǒng)運行人員可根據(jù)實際的需求選擇合適的NP分類器對電力系統(tǒng)進(jìn)行暫態(tài)穩(wěn)定評估。

為驗證傘式NP分類器在限制FPR方面的有效性，將其與傳統(tǒng)分類器RF、ADA、SVM進(jìn)行對比，RF、ADA、SVM均使用默認(rèn)參數(shù)，測試結(jié)果如圖7和圖8所示。

圖7 在新英格蘭10機39節(jié)點系統(tǒng)上的FPR測試結(jié)果Fig.7 Test results of FPR on New England 10-machine 39-bus system

圖8 在1 648節(jié)點系統(tǒng)上的FPR測試結(jié)果Fig.8 Test results of FPR on 1 648-bus system

由圖7和圖8可知，對于新英格蘭10機39節(jié)點系統(tǒng)，NP-RF、NP-ADA、NP-SVM的FPR相比于RF、ADA、SVM，分別降低了0.94%、1%、0.42%；對于1 648節(jié)點系統(tǒng)，NP-RF、NP-ADA、NP-SVM的FPR相比于RF、ADA、SVM，分別降低了0.64%、1.07%、0.54%?？傮w而言，相比于傳統(tǒng)分類器，傘式NP分類器具有更低的FPR，在限制暫態(tài)穩(wěn)定評估漏判事件方面更具有優(yōu)勢。

4.4 FPR閾值設(shè)置

為測試FPR閾值α對傘式NP分類器Acc和FPR的影響，本文將FPR閾值α分別設(shè)置為0.01、0.03、0.05、0.07、0.09，并進(jìn)行暫態(tài)穩(wěn)定評估測試，測試結(jié)果如圖9和圖10所示。

圖9 FPR閾值在新英格蘭10機39節(jié)點系統(tǒng)測試結(jié)果Fig.9 Test results of FPR threshold on New England 10-machine 39-bus system

圖10 FPR閾值在1648節(jié)點系統(tǒng)測試結(jié)果Fig.10 Test results of FPR threshold on 1648-bus system

由圖9和圖10可知，通過設(shè)置不同F(xiàn)PR閾值可將傘式NP分類器的FPR限制在不同范圍內(nèi)，且傘式NP分類器的Acc也隨FPR閾值變化而變化。當(dāng)閾值α為0.05時，傘式NP分類器Acc達(dá)到最高，但此時分類器的FPR也有所提高。在實際應(yīng)用中，系統(tǒng)運行人員可根據(jù)需求調(diào)節(jié)FPR閾值參數(shù)，實現(xiàn)Acc和FPR的靈活約束。

4.5 魯棒性測試

為進(jìn)一步分析傘式NP分類器對電力系統(tǒng)拓?fù)渥兓聂敯粜?，通過改變系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)來增加幾種新的運行場景。設(shè)定新英格蘭10機39節(jié)點系統(tǒng)：7號發(fā)電機退出運行為場景1；線路6-11和線路15-16退出運行為場景2；5號發(fā)電機和線路17-27退出運行為場景3。設(shè)定1 648節(jié)點系統(tǒng)：線路6-10退出運行為場景4；51號發(fā)電機和線路89-92退出運行為場景5；137號發(fā)電機和線路55-76退出運行為場景6。設(shè)置FPR閾值α及違規(guī)率δ為默認(rèn)值，測試結(jié)果如表3和表4所示。

表3 新場景下Acc測試結(jié)果Tab.3 Test results of Acc in new scenarios%

表4 新場景下FPR測試結(jié)果Tab.4 Test results of FPR in new scenarios %

由表3和表4可知，雖然電力系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)發(fā)生變化，傘式NP分類器的Acc仍然維持在90%以上，且FPR均低于2%。綜上所述，傘式NP分類器對電力系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化具有較強的魯棒性。

5 結(jié)論

本文提出一種考慮誤分類約束的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法，在新英格蘭10機39節(jié)點系統(tǒng)及1 648節(jié)點系統(tǒng)上進(jìn)行了算例分析，得到如下結(jié)論：

（1）針對電力系統(tǒng)樣本分布不平衡問題，將ADASYN算法用于數(shù)據(jù)過采樣，改善穩(wěn)定樣本與失穩(wěn)樣本的分布，提高傘式NP分類器評估性能；

（2）針對電力系統(tǒng)運行特征高維的特性，將PMIC算法用于數(shù)據(jù)降維，篩選出與暫態(tài)穩(wěn)定指標(biāo)高度相關(guān)的關(guān)鍵特征作為傘式NP分類器的輸入，有效地提高了模型的計算效率；

（3）針對電力系統(tǒng)暫態(tài)穩(wěn)定評估誤分類問題，采用基于NP準(zhǔn)則的傘式NP分類器構(gòu)建暫態(tài)穩(wěn)定評估模型，可有效限制模型的FPR，顯著提高模型對失穩(wěn)樣本的判別率，確保電力系統(tǒng)安全穩(wěn)定運行；

（4）針對實際電力系統(tǒng)運行工況復(fù)雜多變的特性，設(shè)計了模型更新機制，提高暫態(tài)穩(wěn)定評估模型的泛化能力。