基于焦点损失轻梯度提升机的电力系统暂态稳定评估新探

一、引言1.1研究背景与意义随着经济的飞速发展和社会的不断进步，电力系统作为现代社会的重要基础设施，其规模和复杂性日益增长。电力系统的安全稳定运行对于保障社会经济的正常运转、人们的日常生活以及工业生产的顺利进行至关重要。其中，电力系统暂态稳定评估是确保电力系统安全稳定运行的关键环节之一。电力系统在运行过程中，不可避免地会遭受各种大扰动，如短路故障、突然甩负荷、发电机跳闸等。这些扰动可能会导致系统中各发电机的转子角度和转速发生剧烈变化，如果系统不能在短时间内恢复到新的稳定运行状态，就可能引发系统振荡、电压崩溃甚至大面积停电等严重事故。例如，2003年美国东北部和加拿大联合电网发生的大面积停电事故，就是由于电力系统暂态失稳导致的，此次事故造成了巨大的经济损失和社会影响。因此，准确、快速地评估电力系统的暂态稳定性，对于及时采取有效的控制措施，保障电力系统的安全稳定运行具有重要意义。传统的电力系统暂态稳定评估方法主要包括时域仿真法和基于Lyapunov稳定定理的直接法。时域仿真法通过对电力系统的数学模型进行数值积分，求解系统在扰动后的动态响应，从而判断系统的暂态稳定性。这种方法的优点是能够准确地模拟电力系统的动态过程，评估结果可靠，但计算量巨大，计算时间长，难以满足在线评估的实时性要求。直接法则是通过构造Lyapunov函数，利用能量判据来判别系统的稳定性，不需要逐次积分，计算速度较快。然而，直接法对复杂模型缺乏有效的能量函数构造方法，且只能提供稳定的充分条件，评估结果往往较为保守。此外，传统评估方法还存在对系统参数依赖性强、难以处理大规模复杂电力系统等问题。近年来，随着机器学习技术的快速发展，其在电力系统暂态稳定评估领域得到了广泛的应用。机器学习方法能够从大量的历史数据中自动学习电力系统暂态稳定的特征和规律，无需建立复杂的数学模型，具有计算速度快、适应性强等优点。轻梯度提升机（LightGradientBoostingMachine，LightGBM）作为一种高效的机器学习算法，在处理大规模数据和高维特征时表现出了优异的性能。它采用了梯度提升框架，通过迭代训练多个弱分类器来构建一个强分类器，能够有效地提高模型的准确性和泛化能力。然而，在实际电力系统中，暂态稳定样本往往存在不平衡的问题，即稳定样本和不稳定样本的数量差异较大。这种样本不平衡会导致传统的LightGBM模型在训练过程中对少数类样本（不稳定样本）的关注不足，从而降低模型对不稳定样本的识别能力，影响评估结果的准确性。为了解决样本不平衡问题，提高电力系统暂态稳定评估的准确性，本文提出了一种基于焦点损失轻梯度提升机（FocalLossLightGradientBoostingMachine，FL-LightGBM）的暂态稳定评估方法。焦点损失函数能够根据样本的难易程度自动调整损失权重，对难以分类的样本赋予更高的权重，从而有效提升模型对少数类样本的学习能力。将焦点损失函数与LightGBM相结合，能够充分发挥两者的优势，提高模型在不平衡样本下的暂态稳定评估性能。本文的研究对于提高电力系统暂态稳定评估的准确性和可靠性，保障电力系统的安全稳定运行具有重要的理论意义和实际应用价值。1.2国内外研究现状电力系统暂态稳定评估方法的研究历程漫长且成果丰硕，随着电力系统的发展和技术的进步，评估方法也在不断演进。早期，时域仿真法是电力系统暂态稳定评估的主要方法。该方法通过对电力系统的详细数学模型进行数值积分，模拟系统在各种扰动下的动态响应过程。在19世纪60年代，这种方法就已被广泛应用，它能够精确地展示系统在暂态过程中的各种状态变量的变化情况，为电力系统的分析和研究提供了可靠的依据。然而，时域仿真法的计算量巨大，计算时间长，尤其是对于大规模复杂电力系统，其计算负担更为沉重，难以满足实时在线评估的要求。基于Lyapunov稳定定理的直接法是另一种传统的评估方法。该方法通过构造Lyapunov函数，利用能量判据来判别系统的稳定性，不需要对系统方程进行逐次积分，从而大大提高了计算速度。在20世纪70年代，直接法得到了深入研究和发展。但直接法在应用中也面临一些挑战，如对于复杂的电力系统模型，缺乏有效的能量函数构造方法，而且该方法只能提供稳定的充分条件，导致评估结果往往较为保守，可能会高估系统失稳的风险。随着机器学习技术的兴起，其在电力系统暂态稳定评估领域的应用逐渐受到关注。支持向量机（SVM）是较早应用于该领域的机器学习算法之一。SVM通过寻找一个最优分类超平面，将稳定样本和不稳定样本分开，从而实现暂态稳定评估。文献[具体文献]将SVM应用于电力系统暂态稳定评估，取得了一定的效果，在处理小样本问题时表现出较好的性能，能够有效地对暂态稳定状态进行分类。然而，SVM的性能对核函数的选择和参数设置较为敏感，不同的核函数和参数可能会导致评估结果的较大差异。随机森林（RandomForest）也是一种常用的机器学习算法，它由多个决策树组成，通过对多个决策树的预测结果进行综合来提高模型的准确性和稳定性。文献[具体文献]利用随机森林算法进行电力系统暂态稳定评估，通过对大量样本数据的学习，能够快速准确地判断系统的暂态稳定性。随机森林算法具有较好的泛化能力和抗干扰能力，但在处理高维数据时，可能会出现过拟合的问题。近年来，轻梯度提升机（LightGBM）因其高效的计算性能和出色的模型表现，在电力系统暂态稳定评估中得到了广泛应用。LightGBM采用了梯度提升框架，通过迭代训练多个弱分类器来构建一个强分类器，能够有效地处理大规模数据和高维特征。文献[具体文献]提出了一种基于LightGBM的电力系统暂态稳定评估方法，通过对电力系统的运行数据进行训练，该方法能够快速准确地评估系统的暂态稳定性，在实际应用中取得了良好的效果。然而，在实际电力系统中，暂态稳定样本往往存在不平衡的问题，即稳定样本和不稳定样本的数量差异较大。这种样本不平衡会导致传统的LightGBM模型在训练过程中对少数类样本（不稳定样本）的关注不足，从而降低模型对不稳定样本的识别能力，影响评估结果的准确性。为了解决样本不平衡问题，一些改进的方法被提出。焦点损失函数（FocalLoss）的引入为解决这一问题提供了新的思路。焦点损失函数能够根据样本的难易程度自动调整损失权重，对难以分类的样本赋予更高的权重，从而有效提升模型对少数类样本的学习能力。将焦点损失函数与LightGBM相结合，形成基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估方法，成为当前的研究热点之一。文献[具体文献]对FL-LightGBM在电力系统暂态稳定评估中的应用进行了研究，实验结果表明，该方法能够显著提高模型在不平衡样本下的性能，对不稳定样本的识别准确率有明显提升。除了上述方法，还有一些其他的研究方向。例如，将深度学习算法与电力系统暂态稳定评估相结合，利用深度神经网络的强大特征学习能力，自动提取电力系统暂态过程中的复杂特征，从而提高评估的准确性和效率。一些研究还尝试将多种机器学习算法进行融合，充分发挥不同算法的优势，以获得更好的评估效果。当前电力系统暂态稳定评估方法在不断发展和创新，但仍面临着一些挑战，如如何进一步提高评估方法在复杂工况和样本不平衡情况下的性能，如何更好地结合电力系统的物理特性和机器学习技术等。基于焦点损失轻梯度提升机的暂态稳定评估方法为解决这些问题提供了一种新的途径，具有重要的研究价值和应用前景。1.3研究内容与创新点1.3.1研究内容电力系统暂态稳定原理及特征分析：深入剖析电力系统暂态稳定的基本原理，研究在各种大扰动下系统的动态响应过程，分析影响暂态稳定的关键因素。通过对大量电力系统运行数据的分析，提取能够有效表征暂态稳定状态的特征量，构建暂态稳定特征集。例如，选取发电机的功角、转速、有功功率、无功功率，以及母线电压幅值、相角等作为特征量，并研究这些特征量在暂态过程中的变化规律。焦点损失轻梯度提升机模型构建：详细阐述轻梯度提升机（LightGBM）的算法原理，包括其梯度提升框架、决策树的构建方式以及模型的训练过程。深入研究焦点损失函数（FocalLoss）的原理，分析其如何根据样本的难易程度自动调整损失权重。将焦点损失函数引入LightGBM模型，构建基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估模型，详细设计模型的结构和参数设置，研究模型在不平衡样本下的学习能力和分类性能。模型性能分析与优化：利用大量的电力系统暂态稳定样本数据对FL-LightGBM模型进行训练和测试，全面分析模型的性能，包括准确率、召回率、F1值、精确率等评价指标。研究调制因子和权重因子等参数对焦点损失函数的影响，以及这些参数变化对FL-LightGBM模型性能的影响规律。通过实验对比，分析不同参数设置下模型的性能差异，找到最优的参数组合，对模型进行优化，提高模型在暂态稳定评估中的准确性和可靠性。算例分析与验证：选取实际的电力系统算例，如IEEE标准测试系统或实际运行的地区电网，利用时域仿真法等传统方法获取暂态稳定样本数据。将这些数据用于训练和测试FL-LightGBM模型，并与其他传统的暂态稳定评估方法以及未改进的LightGBM模型进行对比分析。从评估准确率、计算速度、对不平衡样本的处理能力等多个方面进行比较，验证基于焦点损失轻梯度提升机的暂态稳定评估方法的优越性和有效性。同时，分析模型在不同噪声环境下的性能表现，研究模型的抗干扰能力。1.3.2创新点模型改进创新：首次将焦点损失函数与轻梯度提升机相结合，提出基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估方法。通过焦点损失函数自动调整样本损失权重，有效解决了电力系统暂态稳定样本不平衡问题，提升了模型对少数类样本（不稳定样本）的学习能力和识别准确率，这在现有研究中是较少见的改进方式。性能提升创新：通过对调制因子和权重因子等关键参数的深入分析，研究其对焦点损失函数和FL-LightGBM模型性能的影响规律，实现了对模型性能的精细化调控。与传统方法相比，能够更准确地评估电力系统的暂态稳定性，尤其是在样本不平衡的情况下，模型的评估性能得到了显著提升。指标选取创新：在构建暂态稳定特征集和评价指标时，综合考虑了电力系统的多种运行状态特征和实际工程需求，选取了更具代表性和有效性的特征量和评价指标。这些指标不仅能够全面反映电力系统暂态稳定的状态，而且在实际应用中更易于获取和计算，提高了评估方法的实用性和可操作性。二、相关理论基础2.1暂态稳定评估基础2.1.1暂态稳定的概念与原理暂态稳定，即电力系统暂态稳定，指的是电力系统受到大干扰后，各发电机保持同步运行并过渡到新的或恢复得到原来稳定运行状态的能力，通常指第一或第二摆不失步。在电力系统的实际运行中，同步运行稳定性、频率稳定性和电压稳定性是必须同时满足的稳定性要求，而暂态稳定作为同步运行稳定性的重要组成部分，对于电力系统的安全可靠运行起着关键作用。当电力系统遭受大扰动时，如短路故障、突然甩负荷、发电机跳闸等，系统的功率平衡会瞬间被打破。以短路故障为例，短路点会出现巨大的短路电流，导致系统电压急剧下降。这会使得发电机输出的电磁功率迅速减少，而原动机输入的机械功率在短时间内来不及调整，从而产生功率差额。这个功率差额会使发电机的转子受到不平衡转矩的作用，导致转子加速或减速，进而引起发电机功角的变化。如果系统不能在短时间内调整功率平衡，使发电机的功角恢复到稳定范围内，就会导致发电机失去同步，引发系统振荡。系统振荡时，系统中枢点电压、输电设备中的电流和电压会大幅度地周期性波动，严重时可能造成电力系统因不能继续向负荷正常供电而发生大面积停电事故，给社会经济带来巨大损失。2.1.2暂态稳定评估指标在电力系统暂态稳定评估中，常用的评估指标包括功角、电压、频率等，这些指标从不同角度反映了电力系统在暂态过程中的运行状态。功角是衡量发电机之间同步运行的重要指标，它表示发电机转子磁极轴线与同步旋转磁场轴线之间的夹角。在暂态过程中，功角的变化直接反映了发电机之间的相对运动情况。当系统受到大扰动时，功角会发生动态变化，如果功角不断增大且超过一定的临界值，就表明发电机之间可能失去同步，系统将发生暂态失稳。其计算通常基于发电机的电磁暂态模型，通过求解发电机的转子运动方程得到。在单机无穷大系统中，功角可以通过公式\delta=\delta_0+\int_{0}^{t}(\omega-\omega_0)dt计算，其中\delta为功角，\delta_0为初始功角，\omega为发电机的角速度，\omega_0为同步角速度。功角主要应用于分析系统的稳定性，判断发电机是否会失去同步，在电力系统规划和运行中，通过监测功角的变化来评估系统在不同运行方式下的暂态稳定性。电压也是重要的暂态稳定评估指标。在暂态过程中，系统电压的变化会影响到电力设备的正常运行，尤其是负荷端的电压稳定性。当系统发生故障时，可能会导致部分节点电压大幅下降，如果电压过低且持续时间过长，可能会引发负荷设备的损坏或系统电压崩溃。节点电压可以通过电力系统潮流计算得到，在暂态过程中，需要对系统的动态方程进行求解，以获取不同时刻各节点的电压值。对于一个包含n个节点的电力系统，节点电压的计算可以通过求解如下的潮流方程实现：P_i=V_i\sum_{j=1}^{n}V_j(Y_{ij}\cos\theta_{ij}-Y_{ij}\sin\theta_{ij})，Q_i=V_i\sum_{j=1}^{n}V_j(Y_{ij}\sin\theta_{ij}+Y_{ij}\cos\theta_{ij})，其中P_i、Q_i分别为节点i的有功功率和无功功率，V_i、V_j分别为节点i、j的电压幅值，Y_{ij}为节点导纳矩阵元素，\theta_{ij}为节点i、j之间的电压相角差。在实际应用中，通过监测关键节点的电压幅值和相位变化，来评估系统的电压稳定性，当电压低于一定阈值时，采取相应的控制措施，如投入无功补偿设备等。频率是电力系统运行的重要参数之一，在暂态过程中，系统频率的变化反映了系统有功功率的平衡情况。当系统发生功率缺额时，频率会下降；反之，当系统有功功率过剩时，频率会上升。如果频率变化过大或持续时间过长，会对电力系统中的设备造成损坏，影响系统的正常运行。系统频率的计算通常基于系统的功率平衡方程，通过监测系统中各发电机的出力和负荷的变化，来计算系统的频率。在一个简单的电力系统中，频率的变化率可以通过公式\frac{d\omega}{dt}=\frac{P_m-P_e-D(\omega-\omega_0)}{J}计算，其中\omega为系统频率对应的角速度，P_m为原动机输入的机械功率，P_e为发电机输出的电磁功率，D为负荷的频率调节效应系数，J为发电机的转动惯量，\omega_0为额定角速度。在实际运行中，通过监测系统频率的变化，及时调整发电机的出力，以维持系统的频率稳定。2.2焦点损失函数原理2.2.1焦点损失函数的提出背景在机器学习和深度学习领域，样本不平衡问题是一个常见且具有挑战性的问题。在电力系统暂态稳定评估中，同样面临着样本不平衡的困扰。实际运行中的电力系统，正常稳定运行的样本数量往往远多于暂态不稳定的样本数量。这种样本数量的巨大差异会导致传统的分类模型在训练过程中倾向于学习多数类（稳定样本）的特征，而对少数类（不稳定样本）的学习效果不佳。因为模型在训练时，通常以最小化整体损失为目标，多数类样本在损失计算中占据主导地位，使得模型对少数类样本的关注度降低，从而导致模型对少数类样本的识别能力较差。当遇到不稳定样本时，模型可能无法准确地判断其状态，进而影响电力系统暂态稳定评估的准确性。以电力系统中的故障数据为例，假设在一段时间内收集到的电力系统运行数据中，稳定样本有9000个，而不稳定样本仅有1000个。在使用传统的分类模型进行训练时，模型会花费大量的精力去拟合稳定样本的特征，因为这些样本数量多，对整体损失的影响大。而对于不稳定样本，由于其数量较少，模型在训练过程中对其特征的学习不够充分。当新的不稳定样本出现时，模型可能会将其误判为稳定样本，从而无法及时发现电力系统的潜在风险。焦点损失函数正是为了解决样本不平衡问题而提出的。它的核心思想是通过调整样本的损失权重，使得模型在训练过程中更加关注少数类样本和难以分类的样本。对于容易分类的样本，焦点损失函数会降低其损失权重，减少它们在训练过程中的贡献；而对于难以分类的样本和少数类样本，则会增加其损失权重，让模型更加注重学习这些样本的特征。这样，模型就能在样本不平衡的情况下，更好地学习到各类样本的特征，提高对少数类样本的识别能力，从而提升整体的分类性能。在电力系统暂态稳定评估中，焦点损失函数能够使模型更准确地识别出不稳定样本，及时发现电力系统的暂态失稳风险，为电力系统的安全稳定运行提供更可靠的保障。2.2.2焦点损失函数的数学表达式与含义焦点损失函数（FocalLoss）的数学表达式基于交叉熵损失函数进行改进，其公式为：FL(p_t)=-\alpha_t(1-p_t)^{\gamma}\log(p_t)其中，p_t表示模型预测当前样本属于正类（在电力系统暂态稳定评估中，可将不稳定样本视为正类）的概率。当样本为正类时，p_t=p；当样本为负类时，p_t=1-p，这里的p是模型预测样本为正类的概率值。\alpha_t是平衡正负样本的权重因子，用于调整正负样本在损失计算中的相对重要性。在样本不平衡的情况下，为了使模型更加关注少数类样本，通常会给少数类样本赋予较大的权重，给多数类样本赋予较小的权重。例如，在电力系统暂态稳定评估中，不稳定样本是少数类，可将\alpha_t设置为一个较大的值，如0.75，而稳定样本是多数类，将\alpha_t设置为0.25，这样可以增强模型对不稳定样本的学习能力。\gamma是调节易难样本权重的聚焦参数，其主要作用是控制对易分类样本和难分类样本的关注程度。当\gamma=0时，焦点损失函数就退化为传统的交叉熵损失函数，此时模型对所有样本一视同仁，没有区分易分类样本和难分类样本。当\gamma增大时，(1-p_t)^{\gamma}的值会随着p_t的增大而迅速减小，这意味着对于容易分类的样本（p_t接近1），其损失权重会被大幅降低；而对于难以分类的样本（p_t接近0），损失权重则相对较大，从而使模型更加关注难分类样本。在实际应用中，通常通过实验来确定\gamma的最佳取值，一般\gamma的取值范围在0到5之间，例如在一些研究中，\gamma取值为2时取得了较好的效果。在电力系统暂态稳定评估中，焦点损失函数的作用十分显著。对于那些容易被模型正确分类的稳定样本，由于p_t较大，(1-p_t)^{\gamma}的值较小，其损失权重降低，模型不会在这些样本上花费过多的精力。而对于不稳定样本，p_t相对较小，(1-p_t)^{\gamma}的值较大，损失权重增加，模型会更加关注这些样本的特征学习，从而提高对不稳定样本的识别准确率，更准确地评估电力系统的暂态稳定性。2.3轻梯度提升机（LightGBM）原理2.3.1LightGBM的基本框架与算法流程轻梯度提升机（LightGBM）是一种基于梯度提升框架的高效机器学习算法，在众多领域得到了广泛应用。其基本框架基于梯度提升决策树（GBDT），通过迭代地训练一系列弱分类器（决策树），并将它们的结果进行累加，从而构建出一个强大的预测模型。LightGBM的算法流程从数据输入开始。首先，需要准备包含特征和标签的训练数据集，以及用于评估模型性能的测试数据集。例如，在电力系统暂态稳定评估中，训练数据集中的特征可以包括发电机的功角、转速、有功功率、无功功率等，标签则为系统的暂态稳定状态（稳定或不稳定）。将这些数据输入到LightGBM模型中，模型会对数据进行预处理，包括对连续特征进行离散化处理，将其转化为直方图形式，以便后续的计算。在模型训练阶段，LightGBM会初始化一个预测值，通常为训练数据标签的平均值。然后进入迭代过程，每次迭代都会训练一个新的决策树。在构建决策树时，LightGBM采用了基于直方图的算法，它将连续的特征值离散化为固定数量的直方桶（默认256个），并计算每个桶的统计量。通过这种方式，极大地减少了寻找分裂点的计算复杂度。在每个节点分裂时，LightGBM会计算每个特征的分裂增益，选择增益最大的特征和对应的分裂点进行分裂，直到满足停止条件，如达到最大树深度、节点样本数小于某个阈值等。每棵决策树训练完成后，会根据其预测结果对当前的预测值进行更新，更新的方式是将决策树的输出乘以一个学习率（通常是一个较小的值，如0.1），然后累加到当前预测值上。这个过程不断迭代，直到达到预设的迭代次数或满足其他停止条件，如验证集上的损失不再下降等。当模型训练完成后，就可以进行结果输出。将测试数据集输入到训练好的模型中，模型会根据训练得到的决策树集合对测试数据进行预测，输出每个样本的预测标签或预测概率。在电力系统暂态稳定评估中，模型会输出每个测试样本对应的系统暂态稳定状态预测结果，判断系统是稳定还是不稳定。2.3.2LightGBM的核心技术与优势LightGBM拥有多项核心技术，这些技术赋予了它卓越的性能优势。其中，直方图算法是其关键技术之一。在传统的决策树算法中，如XGBoost，在寻找最佳分裂点时，需要对所有特征值进行预排序，然后遍历所有可能的分裂点来计算信息增益，这种方式计算量巨大且内存消耗高。而LightGBM的直方图算法则将连续的浮点特征值离散化为k个整数，并构造宽度为k的直方图。在遍历数据时，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点。这种方法大大减少了内存使用，因为它不需要额外存储预排序的结果，而且可以只保存特征离散化后的值，一般用8位整型存储即可，内存消耗可降低为原来的1/8。同时，计算代价也更小，预排序算法每遍历一个特征值就需要计算一次分裂的增益，而直方图算法只需要计算k次（k为直方桶的数量，可以认为是常数），直接将时间复杂度从O(n)降低到O(k)。另一个核心技术是leaf-wise生长策略。传统的决策树生长策略多为level-wise，即每层所有叶子同时分裂。这种策略不加区分地对待同一层的叶子，带来了很多没必要的开销，因为实际上很多叶子的分裂增益较低，没必要进行搜索和分裂。而LightGBM采用的leaf-wise生长策略，每次从当前所有叶子中选择增益最大的叶子进行分裂。这种策略可以使模型在相同树的复杂度下，更快地减少损失，提高模型的准确性。以一个简单的数据集为例，使用level-wise策略构建的决策树可能会在一些增益较低的节点上进行分裂，导致树的结构较为复杂，但对模型性能提升有限；而使用leaf-wise策略，会优先选择增益最大的叶子进行分裂，使得树能够更有效地拟合数据，提高模型的预测能力。然而，leaf-wise策略也存在一定的风险，它可能导致树的不平衡，进而导致过拟合。为了控制这种风险，LightGBM引入了max-depth和min-data-in-leaf参数来控制树的深度和叶子节点的最小数据量。LightGBM还采用了基于梯度的单边采样（Gradient-basedOne-SideSampling,GOSS）技术。在梯度下降过程中，数据集中的样本对模型的贡献程度不同，梯度较大的样本通常对模型的影响较大，而梯度较小的样本对模型的影响相对较小。GOSS通过保留梯度值较大的样本（这些样本通常对模型贡献较大），随机采样梯度较小的样本，从而减少了训练样本的数量。这样在计算信息增益的时候只利用剩下的具有高梯度的数据就可以了，相比遍历所有特征值节省了不少时间和空间上的开销，同时由于保留了重要样本，模型仍能拟合关键特性，保证了模型的性能。互斥特征捆绑（ExclusiveFeatureBundling,EFB）技术也是LightGBM的一大特色。在实际应用中，数据集中的特征往往存在一定的稀疏性，即很多特征在大部分样本中不会同时出现，这些特征被称为互斥特征。EFB利用稀疏特征的互斥性，将不同时出现的特征捆绑到一起，形成一个新的特征。这种方法有效地降低了特征维度，减少了计算开销和存储需求，尤其在处理稀疏数据时效果显著，提升了模型的训练效率。这些核心技术使得LightGBM在处理大规模数据和高维特征时具有明显的优势。它具有更快的训练速度，相比传统的梯度提升算法，LightGBM的计算效率提升了近20倍；更低的内存消耗，能够处理更大的数据集；更好的准确性，在复杂的数据集和高维度数据上表现更出色；同时还支持并行化训练，可以有效地利用多核CPU进行加速，适用于各种复杂的机器学习任务，如电力系统暂态稳定评估等。三、基于焦点损失轻梯度提升机的暂态稳定评估模型构建3.1FL-LightGBM模型框架设计3.1.1融合焦点损失与LightGBM的思路在电力系统暂态稳定评估中，样本不平衡问题严重影响了模型的性能。传统的LightGBM算法在处理这类不平衡数据时，由于其基于常规的损失函数进行训练，容易忽视少数类样本（不稳定样本）的特征学习，导致对不稳定样本的识别能力不足。为了解决这一问题，将焦点损失函数（FocalLoss）引入LightGBM算法中。焦点损失函数的核心在于能够根据样本的分类难易程度自动调整损失权重。在电力系统暂态稳定评估的场景下，对于那些容易被正确分类的稳定样本，其预测概率p_t通常较高，焦点损失函数会通过(1-p_t)^{\gamma}这一调制因子降低其损失权重，减少它们在模型训练过程中的贡献，避免模型在这些样本上过度学习。例如，当一个稳定样本被模型预测为稳定的概率p_t=0.9，且聚焦参数\gamma=2时，调制因子(1-p_t)^{\gamma}=(1-0.9)^{2}=0.01，这意味着该样本的损失权重被大幅降低。而对于难以分类的不稳定样本，其预测概率p_t较低，焦点损失函数会增大其损失权重，使得模型更加关注这些样本的特征学习。比如，当一个不稳定样本被预测为稳定的概率p_t=0.1时，调制因子(1-p_t)^{\gamma}=(1-0.1)^{2}=0.81，相比于容易分类的样本，其损失权重显著增加。在将焦点损失函数融入LightGBM时，主要是在模型的训练过程中，用焦点损失函数替换传统的损失函数。在每次迭代训练决策树时，根据样本的真实标签和模型的预测结果，计算焦点损失。通过最小化焦点损失来更新模型的参数，使得模型在训练过程中能够更加有效地学习到不稳定样本的特征，从而提高模型在不平衡样本下对电力系统暂态稳定状态的评估能力。3.1.2FL-LightGBM的整体架构FL-LightGBM模型的整体架构主要由数据输入层、特征工程层、焦点损失LightGBM核心层以及结果输出层组成，具体架构如图1所示。图1FL-LightGBM模型架构图数据输入层负责接收电力系统的相关数据，这些数据包括各种运行状态下的特征量以及对应的暂态稳定状态标签。例如，特征量可以涵盖发电机的功角、转速、有功功率、无功功率，以及母线的电压幅值、相角等。这些数据是模型进行学习和评估的基础，通过数据输入层将其引入到模型中。特征工程层对输入的数据进行预处理和特征提取。在这个过程中，会对原始数据进行清洗，去除噪声和异常值，以保证数据的质量。接着，会进行特征选择和特征变换等操作。对于连续型特征，可能会进行归一化处理，使其具有相同的尺度，便于模型学习；对于离散型特征，可能会采用独热编码等方式进行编码，将其转化为适合模型处理的形式。此外，还会根据电力系统的专业知识和经验，提取一些能够有效表征暂态稳定状态的特征，如发电机功角的变化率、频率的偏差等。焦点损失LightGBM核心层是模型的关键部分。它基于传统的LightGBM算法框架，将焦点损失函数融入其中。在训练过程中，通过迭代的方式构建多个决策树。每个决策树的构建过程中，利用基于直方图的算法寻找最优的分裂点，以划分样本空间。同时，根据焦点损失函数计算每个样本的损失权重，对难以分类的样本和少数类样本赋予更高的权重，使得模型在训练时更加关注这些样本，从而提升模型对暂态不稳定样本的学习能力。随着迭代的进行，不断调整决策树的参数，使得模型的预测能力逐渐增强。结果输出层则根据焦点损失LightGBM核心层的预测结果，输出电力系统暂态稳定状态的评估结果。模型会输出每个样本对应的预测标签，判断该样本对应的电力系统状态是稳定还是不稳定。有些情况下，还会输出预测的概率值，以表示模型对预测结果的置信程度。这些结果可以为电力系统的运行和调度提供重要的参考依据，帮助运行人员及时了解系统的暂态稳定状况，采取相应的控制措施。三、基于焦点损失轻梯度提升机的暂态稳定评估模型构建3.2模型参数设置与优化3.2.1关键参数的确定在基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估模型中，存在多个关键参数，这些参数的取值对模型性能有着重要影响。学习率（learning_rate），又称为收缩率（shrinkage_rate）或eta，是模型训练过程中的一个关键参数，其默认值通常为0.1。学习率决定了每次迭代时模型更新的步长大小。当学习率设置过大时，模型在训练过程中可能会跳过最优解，导致无法收敛，使模型的损失函数无法有效降低，评估准确率难以提升。例如，若将学习率设置为1，模型在每次迭代时的更新幅度较大，可能会在最优解附近来回振荡，无法找到最佳的模型参数。相反，若学习率设置过小，模型的训练速度会变得极为缓慢，需要更多的迭代次数才能收敛，这不仅会增加训练时间，还可能导致模型陷入局部最优解。比如，将学习率设置为0.001，模型每次更新的幅度很小，可能需要成千上万次的迭代才能达到较好的训练效果，这在实际应用中是不高效的。因此，学习率的取值需要在训练速度和收敛效果之间进行权衡，一般可在0.01-0.3的范围内进行调整，通过实验来确定最优值。树的深度（max_depth）和叶子节点数（num_leaves）也是影响模型性能的重要参数。树的深度控制着每棵决策树的最大层数，它限制了树的生长程度。当树的深度过大时，模型的复杂度会显著增加，容易导致过拟合，即模型在训练集上表现良好，但在测试集或实际应用中对新数据的泛化能力较差。例如，若将树的深度设置为20，决策树可能会过度拟合训练数据中的噪声和细节，对未见过的数据预测准确性下降。而树的深度过小时，模型的表达能力受限，可能无法充分学习到数据中的复杂模式，从而造成欠拟合，使模型的评估准确率较低。比如，将树的深度设置为3，决策树可能过于简单，无法捕捉到电力系统暂态稳定数据中的关键特征。叶子节点数则表示每棵树上的叶子节点数量，它与树的深度密切相关，且应满足1<num_leaves<=131072的约束。一般来说，num_leaves的值应小于2^(max_depth)，增大叶子节点数会增加模型复杂度，提高模型在训练集上的准确性，但同时也增加了过拟合的风险；减小叶子节点数会限制模型表达能力，可能导致欠拟合。在实际应用中，可根据数据集的大小和复杂程度，对树的深度和叶子节点数进行合理调整，如对于简单的数据集，树的深度可设置为5-8，叶子节点数设置为20-50；对于复杂的数据集，树的深度可适当增加到10-15，叶子节点数设置为50-100。除了上述参数，还有其他一些参数也会对模型性能产生影响。例如，lambda_l1和lambda_l2分别用于控制L1和L2正则化的强度，它们可以防止模型过拟合。当lambda_l1和lambda_l2的值较大时，模型的复杂度会受到更强的约束，有助于减少过拟合，但可能会导致模型欠拟合；当它们的值较小时，模型的复杂度约束较弱，可能会出现过拟合现象。一般可从较小的值（如0.01或0.1）开始尝试，通过实验确定最优值。min_gain_to_split限制了分裂节点的最小增益，若该值设置过大，模型可能无法充分分裂节点，导致模型欠拟合；若设置过小，模型可能会生成过于复杂的树，增加过拟合的风险。3.2.2参数优化方法为了找到FL-LightGBM模型的最优参数组合，提高模型性能，可采用多种参数优化方法。网格搜索（GridSearch）是一种常见的参数优化方法。它会遍历用户指定的参数值组合，通过交叉验证评估每个参数组合下模型的性能，从而找到最优的参数组合。在使用网格搜索时，首先需要定义一个参数网格，指定每个参数的取值范围。例如，对于学习率，可设置取值范围为[0.01,0.05,0.1]；对于树的深度，可设置为[5,10,15]；对于叶子节点数，可设置为[30,50,100]。然后，网格搜索会对这些参数值的所有组合进行穷举搜索，依次训练模型并计算其在交叉验证中的性能指标（如准确率、召回率、F1值等）。最后，选择性能指标最优的参数组合作为模型的最优参数。其优点是简单直观，能够保证找到指定参数范围内的最优解。但缺点是计算量巨大，当参数数量较多或取值范围较大时，搜索空间会呈指数级增长，导致计算时间过长，对计算资源的需求较高。随机搜索（RandomSearch）与网格搜索不同，它不是对所有参数组合进行穷举搜索，而是在指定的参数分布范围内随机选择参数组合进行评估。在随机搜索中，需要为每个参数定义一个概率分布，如均匀分布或随机整数分布。例如，对于学习率，可定义其在0.01-0.3之间服从均匀分布；对于树的深度，可定义其在3-20之间服从随机整数分布。然后，随机搜索会从这些分布中随机采样一定数量的参数组合，训练模型并评估其性能。通过多次随机采样和评估，选择性能最优的参数组合。随机搜索的优点是计算效率较高，能够在较短的时间内找到接近最优解的参数组合，尤其适用于参数空间较大的情况。但其缺点是不能保证找到全局最优解，存在一定的随机性。贝叶斯优化（BayesianOptimization）是一种基于概率模型的参数优化方法。它通过构建一个代理模型（通常是高斯过程模型）来近似目标函数（即模型性能与参数之间的关系），并根据已有的实验结果（即已评估的参数组合及其对应的性能）来更新代理模型。在每次迭代中，贝叶斯优化会根据代理模型选择一个新的参数组合进行评估，这个参数组合通常是在探索（尝试新的参数空间）和利用（选择可能使目标函数最优的参数）之间进行平衡。例如，通过计算期望改进（ExpectedImprovement）指标来选择下一个要评估的参数组合，期望改进指标衡量了在当前代理模型下，选择某个参数组合能够带来的性能提升的期望。贝叶斯优化的优点是能够利用先验信息动态选择参数，在较少的迭代次数内找到较好的参数组合，尤其适用于复杂的、高维的参数空间。但其缺点是实现相对复杂，需要一定的数学基础和编程能力，并且对初始参数的设置较为敏感。在本FL-LightGBM模型中，考虑到电力系统暂态稳定评估数据的复杂性和参数空间的大小，选择贝叶斯优化方法进行参数优化。具体应用过程如下：首先，定义FL-LightGBM模型的参数空间，包括学习率、树的深度、叶子节点数、lambda_l1、lambda_l2等参数的取值范围。然后，使用贝叶斯优化库（如BayesianOptimization）构建优化器，将模型的训练和评估过程封装成一个目标函数，该目标函数接受参数组合作为输入，并返回模型在验证集上的性能指标（如F1值）。接着，通过优化器进行多次迭代优化，每次迭代中，优化器根据代理模型选择一个新的参数组合，将其应用到FL-LightGBM模型中进行训练和验证，然后根据验证结果更新代理模型。经过一定次数的迭代后，优化器会找到一组最优的参数组合，将其应用到FL-LightGBM模型中，以提高模型在电力系统暂态稳定评估中的性能。3.3暂态稳定特征集的选择与处理3.3.1特征选取原则与方法在电力系统暂态稳定评估中，从海量的电力系统运行数据中准确选取有效的暂态稳定特征是构建高性能评估模型的基础。这些特征应能够准确反映电力系统在暂态过程中的运行状态，为模型提供关键的信息，从而实现对暂态稳定性的准确判断。相关性是特征选取的首要原则。所选取的特征必须与电力系统的暂态稳定状态具有紧密的关联。例如，发电机的功角是衡量电力系统暂态稳定的关键指标之一，它直接反映了发电机之间的相对运动情况。当系统受到大扰动时，功角会发生动态变化，如果功角不断增大且超过一定的临界值，就表明发电机之间可能失去同步，系统将发生暂态失稳。因此，功角是一个与暂态稳定高度相关的特征，应被纳入特征集。发电机的转速、有功功率、无功功率等也与暂态稳定密切相关。在暂态过程中，发电机转速的变化反映了系统功率的不平衡程度，有功功率和无功功率的波动则影响着系统的电压稳定性和功率传输能力。可获取性也是重要的选取原则。在实际应用中，所选取的特征应能够通过现有的监测设备和测量手段方便地获取。随着电力系统自动化技术的发展，许多电力系统运行数据可以通过智能电表、相量测量单元（PMU）等设备实时采集。例如，母线的电压幅值和相角可以通过PMU精确测量，这些数据能够实时反映母线的运行状态，为暂态稳定评估提供重要依据。一些通过复杂计算或难以直接测量的特征，虽然可能与暂态稳定相关，但由于获取困难，在实际选取中可能需要谨慎考虑。基于经验的特征选取方法是一种常用的手段。电力系统领域的专家通过长期的实践和研究，积累了丰富的经验，能够根据电力系统的运行原理和暂态稳定的影响因素，直观地判断哪些特征对暂态稳定评估具有重要意义。例如，根据经验可知，故障切除时间是影响电力系统暂态稳定的关键因素之一。在系统发生故障时，快速切除故障可以减少故障对系统的影响，提高系统的暂态稳定性。因此，故障切除时间可以作为一个重要的特征被选取。基于数据分析的方法也在特征选取中发挥着重要作用。通过对大量的电力系统运行数据进行统计分析、相关性分析等，可以挖掘出数据中潜在的与暂态稳定相关的特征。例如，利用皮尔逊相关系数等方法，可以计算各个特征与暂态稳定状态之间的相关程度，从而筛选出相关性较高的特征。还可以采用主成分分析（PCA）等降维方法，对高维的特征数据进行处理，提取出最能代表数据特征的主成分，这些主成分可以作为新的特征用于暂态稳定评估，既能减少特征数量，降低计算复杂度，又能保留数据的主要信息。3.3.2特征预处理技术在选取了暂态稳定特征后，对这些特征进行预处理是模型训练前不可或缺的重要环节。预处理技术能够提高数据的质量，使得模型更容易学习到数据中的有效信息，从而提升模型的性能和稳定性。归一化和标准化是常用的处理数值型特征尺度不一致问题的方法。归一化通常是将数据映射到[0,1]区间，其公式为x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x是原始数据，x_{min}和x_{max}分别是数据的最小值和最大值。以发电机的有功功率为例，不同发电机的有功功率范围可能差异较大，通过归一化处理，可以将其统一映射到[0,1]区间，消除量纲和尺度的影响。标准化则是将数据转化为均值为0，标准差为1的标准正态分布，公式为x_{std}=\frac{x-\mu}{\sigma}，其中\mu是数据的均值，\sigma是数据的标准差。在电力系统中，母线电压幅值经过标准化处理后，能够使不同母线的电压数据具有相同的尺度，便于模型进行学习和比较。如果不进行归一化或标准化处理，模型可能会过度关注数值较大的特征，而忽视数值较小但对暂态稳定评估同样重要的特征，从而影响模型的准确性。缺失值处理也是特征预处理的关键步骤。在实际的电力系统运行数据中，由于传感器故障、通信中断等原因，可能会出现数据缺失的情况。对于缺失值，可以采用多种处理方法。当数据缺失较少时，可以使用均值、中位数或众数填充。对于发电机的转速数据，如果某个时刻的转速值缺失，可以用该发电机在其他时刻转速的均值进行填充。对于数值型特征，采用均值填充能在一定程度上保持数据的统计特性；对于分类特征，众数填充较为合适。当缺失值较多时，可以考虑删除含有缺失值的样本或特征。但删除样本可能会导致数据量减少，影响模型的训练效果；删除特征则需要谨慎评估该特征对暂态稳定评估的重要性。异常值处理同样不容忽视。异常值是指数据集中明显偏离正常范围的值，这些值可能是由于测量误差、设备故障或其他异常情况导致的。异常值会对模型的训练产生不良影响，使模型的准确性和稳定性下降。可以通过箱线图、Z-score等方法检测异常值。箱线图通过展示数据的四分位数和中位数，能够直观地识别出数据中的异常值。Z-score方法则是根据数据的均值和标准差来判断异常值，当某个数据点的Z-score值大于某个阈值（通常为3）时，可将其视为异常值。对于检测到的异常值，可以采用修正或删除的方法进行处理。对于因测量误差导致的异常值，可以根据数据的变化趋势或其他相关特征进行修正；对于无法确定原因且对模型影响较大的异常值，可以考虑删除。在电力系统暂态稳定评估中，特征预处理技术能够提高数据的质量和可用性，为模型训练提供良好的数据基础，从而提升基于焦点损失轻梯度提升机的暂态稳定评估模型的性能，使其能够更准确地评估电力系统的暂态稳定性。四、算例分析与性能验证4.1实验数据集的准备4.1.1数据采集与来源本研究中的实验数据主要通过电力系统仿真软件进行采集，同时结合部分实际电网监测设备获取的数据进行补充，以确保数据的全面性和真实性。采用广泛应用的电力系统仿真软件，如PSCAD/EMTDC和MATLAB/Simulink。以IEEE39节点系统作为仿真对象，该系统是一个典型的大规模电力系统模型，包含10台发电机、39条母线和46条输电线路，能够充分模拟实际电力系统的复杂性和多样性。在仿真过程中，设置多种不同类型的大扰动，包括三相短路故障、单相接地短路故障、突然甩负荷以及发电机跳闸等。针对每种故障类型，分别设置不同的故障位置，涵盖系统中的各个关键节点和输电线路，以全面考察系统在不同故障情况下的暂态稳定特性。同时，设置不同的故障切除时间，从0.1秒到0.5秒，以模拟实际运行中不同的故障清除速度对系统暂态稳定性的影响。通过这些仿真设置，获取了大量丰富的电力系统暂态过程数据，包括发电机的功角、转速、有功功率、无功功率，母线的电压幅值、相角以及输电线路的有功功率、无功功率等。实际电网监测设备数据的获取，主要借助智能电表和相量测量单元（PMU）。在某地区实际运行的电网中，选取了多个具有代表性的变电站和输电线路，通过智能电表实时采集节点的有功功率和无功功率数据，通过PMU获取母线的电压幅值和相角数据。这些实际数据与仿真数据相互补充，能够反映出实际电力系统运行中的各种复杂情况和不确定性，使研究结果更具实际应用价值。4.1.2数据集划分与标注将采集到的电力系统暂态稳定数据划分为训练集、验证集和测试集，以确保模型的泛化能力和评估的准确性。采用分层抽样的方法进行数据集划分，按照70%、15%、15%的比例分别划分训练集、验证集和测试集。在划分过程中，充分考虑稳定样本和不稳定样本的分布情况，确保每个子集中稳定样本和不稳定样本的比例与总体样本中的比例相近。这样可以保证模型在训练过程中能够充分学习到不同类型样本的特征，避免因样本分布不均衡导致的模型偏差。对数据进行标注，明确每个样本的暂态稳定状态。以发电机功角作为主要判断依据，结合系统频率和电压等指标来确定样本的暂态稳定状态。具体来说，当系统受到大扰动后，若在规定时间内（如5秒），任意两台发电机之间的最大功角差小于180度，且系统频率和电压均能恢复到正常运行范围内（频率偏差在±0.2Hz以内，电压幅值偏差在±0.1pu以内），则判定该样本对应的系统状态为稳定，标注为1；若最大功角差超过180度，或者系统频率和电压无法恢复到正常范围，出现持续振荡或崩溃现象，则判定系统状态为不稳定，标注为0。通过这种严格的标注方式，为模型的训练和评估提供了准确的标签信息，有助于提高模型的训练效果和评估的可靠性。4.2FL-LightGBM模型性能分析4.2.1评估指标的选择与计算为了全面、准确地评估基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估模型的性能，选取了准确率、召回率、F1值、AUC等多个评估指标。这些指标从不同角度反映了模型的分类能力和性能表现。准确率（Accuracy）是指模型预测正确的样本数占总样本数的比例，它反映了模型对所有样本的整体分类准确性。其计算公式为：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}其中，TP（TruePositive）表示真正例，即实际为正类且被模型预测为正类的样本数；TN（TrueNegative）表示真负例，即实际为负类且被模型预测为负类的样本数；FP（FalsePositive）表示假正例，即实际为负类但被模型预测为正类的样本数；FN（FalseNegative）表示假负例，即实际为正类但被模型预测为负类的样本数。在电力系统暂态稳定评估中，准确率越高，说明模型对稳定和不稳定样本的整体判断越准确，能够正确识别出系统的暂态稳定状态。召回率（Recall），又称为查全率，是指在所有实际为正类的样本中，模型正确预测为正类的样本所占的比例。其计算公式为：Recall=\frac{TP}{TP+FN}召回率主要衡量模型对正类样本的捕捉能力。在电力系统暂态稳定评估中，不稳定样本通常是我们重点关注的对象，因为准确识别出不稳定样本对于保障电力系统的安全运行至关重要。召回率越高，意味着模型能够尽可能多地检测出实际不稳定的样本，减少漏判的情况，从而及时发现电力系统的潜在风险。F1值（F1-Score）是精确率（Precision）和召回率的调和平均数，用于综合衡量模型在精确率和召回率方面的表现。精确率是指在模型预测为正类的样本中，实际为正类的样本所占的比例，计算公式为Precision=\frac{TP}{TP+FP}。F1值的计算公式为：F1=2\times\frac{Precision\timesRecall}{Precision+Recall}F1值能够在平衡精确率和召回率的基础上，对模型的性能进行更全面的评估。在实际应用中，单纯追求高准确率可能会导致对正类样本的识别能力不足，而F1值则考虑了精确率和召回率两个方面，更能反映模型在不同类别样本上的综合表现。在电力系统暂态稳定评估中，F1值越高，说明模型在准确识别不稳定样本的同时，也能保证对稳定样本的判断准确性，具有更好的综合性能。AUC（AreaUnderCurve）是指ROC（ReceiverOperatingCharacteristic）曲线下的面积，ROC曲线是一种用于评估二分类模型性能的工具，它以假正率（FPR，FalsePositiveRate，FPR=\frac{FP}{FP+TN}）为横坐标，真正率（TPR，TruePositiveRate，TPR=Recall=\frac{TP}{TP+FN}）为纵坐标。AUC值介于0.5和1之间，AUC值越大，表示模型区分正负样本的能力越强，性能越好。当AUC=0.5时，模型的预测效果与随机猜测无异；当AUC=1时，模型能够完美地区分正负样本。在电力系统暂态稳定评估中，AUC值越高，说明模型能够更有效地将稳定样本和不稳定样本区分开来，对系统暂态稳定状态的评估能力更强。4.2.2实验结果与分析使用划分好的测试集对训练得到的FL-LightGBM模型进行测试，得到模型在各评估指标下的性能表现，实验结果如表1所示。评估指标数值准确率0.935召回率0.902F1值0.918AUC0.956表1FL-LightGBM模型测试结果从实验结果来看，FL-LightGBM模型在各评估指标上均表现出较好的性能。模型的准确率达到了0.935，这表明模型对测试集中样本的整体分类准确性较高，能够准确地判断电力系统的暂态稳定状态，正确识别出大部分稳定和不稳定样本。召回率为0.902，说明模型对不稳定样本（正类样本）具有较强的捕捉能力，能够检测出大部分实际不稳定的样本，有效地减少了漏判的情况，这对于及时发现电力系统的潜在风险具有重要意义。F1值为0.918，综合考虑了精确率和召回率，进一步证明了模型在平衡精确率和召回率方面的良好表现，在准确识别不稳定样本的同时，也能保证对稳定样本的判断准确性，具有较好的综合性能。AUC值高达0.956，表明模型区分稳定样本和不稳定样本的能力很强，能够有效地将两者区分开来，对电力系统暂态稳定状态的评估具有较高的可靠性。为了更直观地展示模型的性能，绘制了FL-LightGBM模型的ROC曲线，如图2所示。从图中可以看出，ROC曲线靠近左上角，这进一步表明模型具有较高的真正率和较低的假正率，即模型能够在准确识别不稳定样本的同时，尽可能地减少误判稳定样本为不稳定样本的情况，与上述评估指标的分析结果一致。图2FL-LightGBM模型ROC曲线综合以上实验结果和分析，可以得出基于焦点损失轻梯度提升机的暂态稳定评估模型在电力系统暂态稳定评估中具有良好的性能，能够准确、有效地判断电力系统的暂态稳定状态，为电力系统的安全稳定运行提供可靠的支持。4.3与其他方法的对比研究4.3.1对比方法的选择为了全面评估基于焦点损失轻梯度提升机（FL-LightGBM）的暂态稳定评估模型的性能，选择了多种具有代表性的传统暂态稳定评估方法和基于机器学习的评估方法进行对比。时域仿真法作为传统暂态稳定评估的经典方法，被选作对比对象之一。该方法通过对电力系统的详细数学模型进行数值积分，能够精确模拟系统在各种扰动下的动态响应过程，得到系统中各状态变量随时间的变化曲线，从而准确判断系统的暂态稳定性。其优势在于评估结果准确可靠，能够全面反映电力系统的暂态特性。然而，时域仿真法的计算量巨大，计算时间长，尤其是对于大规模复杂电力系统，其计算负担更为沉重。在一个包含数百台发电机和数千条输电线路的大型电力系统中，进行一次时域仿真可能需要数小时甚至数天的计算时间，这使得它难以满足电力系统在线暂态稳定评估的实时性要求。但由于其评估结果的准确性，在对评估精度要求极高的离线分析场景中，时域仿真法仍具有不可替代的作用，因此将其纳入对比研究，可作为评估其他方法准确性的重要参考。基于Lyapunov稳定定理的直接法也是传统方法中的重要代表。该方法通过构造Lyapunov函数，利用能量判据来判别系统的稳定性，无需对系统方程进行逐次积分，大大提高了计算速度。在一些简单电力系统模型中，直接法能够快速给出系统的暂态稳定评估结果，为电力系统的快速分析提供了可能。但直接法在应用中存在局限性，对于复杂的电力系统模型，缺乏有效的能量函数构造方法，且只能提供稳定的充分条件，评估结果往往较为保守，可能会高估系统失稳的风险。在实际电力系统中，由于系统结构和运行工况的复杂性，直接法的应用受到一定限制。但作为传统暂态稳定评估方法的重要组成部分，将其与FL-LightGBM模型对比，有助于分析新方法在计算效率和准确性方面相对于传统直接法的改进。在基于机器学习的评估方法中，选择了支持向量机（SVM）和随机森林（RandomForest）与FL-LightGBM进行对比。SVM是一种经典的机器学习算法，它通过寻找一个最优分类超平面，将稳定样本和不稳定样本分开，从而实现暂态稳定评估。SVM在处理小样本问题时表现出较好的性能，能够有效地对暂态稳定状态进行分类。它基于结构风险最小化原则，在小样本情况下能够避免过拟合问题，具有较好的泛化能力。然而，SVM的性能对核函数的选择和参数设置较为敏感，不同的核函数和参数可能会导致评估结果的较大差异。在实际应用中，需要花费大量时间和精力来选择合适的核函数和参数，这增加了模型的应用难度。随机森林是一种集成学习算法，由多个决策树组成，通过对多个决策树的预测结果进行综合来提高模型的准确性和稳定性。它具有较好的泛化能力和抗干扰能力，能够处理高维数据和复杂的非线性关系。在电力系统暂态稳定评估中，随机森林能够快速准确地判断系统的暂态稳定性。但随机森林在处理高维数据时，可能会出现过拟合的问题，尤其是当决策树的数量过多或树的深度过大时，模型可能会过度拟合训练数据中的噪声和细节，导致对新数据的预测能力下降。选择这些方法进行对比，涵盖了传统方法和机器学习方法，能够从不同角度对FL-LightGBM模型的性能进行全面评估。通过与传统方法对比，可以突出基于机器学习的FL-LightGBM模型在计算效率和适应性方面的优势；与其他机器学习方法对比，则可以分析FL-LightGBM模型在处理样本不平衡问题以及模型性能方面的独特之处，为评估方法的选择和改进提供全面的参考依据。4.3.2对比实验结果与讨论使用相同的实验数据集和评估指标，对FL-LightGBM模型与选定的对比方法进行对比实验，实验结果如表2所示。评估方法准确率召回率F1值AUCFL-LightGBM0.9350.9020.9180.956时域仿真法0.9900.9850.987-直接法0.8500.7800.8130.880SVM0.8800.8300.8540.910随机森林0.9050.8700.8870.930表2不同方法评估结果对比从准确率来看，时域仿真法最高，达到了0.990，这体现了其在准确判断电力系统暂态稳定状态方面的卓越能力，因为它通过精确的数值积分模拟系统动态过程，能准确捕捉系统状态的变化。FL-LightGBM模型的准确率为0.935，虽然略低于时域仿真法，但明显高于直接法、SVM和随机森林。这表明FL-LightGBM模型在整体分类准确性上表现较好，能够准确地识别大部分稳定和不稳定样本，在实际应用中具有较高的可靠性。直接法的准确率仅为0.850，相对较低，这主要是由于其对复杂模型的能量函数构造困难，且评估结果较为保守，容易误判系统的稳定状态。在召回率方面，FL-LightGBM模型达到了0.902，仅次于时域仿真法的0.985。召回率反映了模型对不稳定样本的捕捉能力，FL-LightGBM模型较高的召回率说明它在识别不稳定样本方面表现出色，能够有效地检测出大部分实际不稳定的样本，这对于及时发现电力系统的潜在风险至关重要。直接法的召回率为0.780，相对较低，这意味着它可能会遗漏一些不稳定样本，增加了电力系统运行的风险。SVM和随机森林的召回率分别为0.830和0.870，均低于FL-LightGBM模型，说明在对不稳定样本的识别能力上，FL-LightGBM模型具有一定优势。F1值综合考虑了精确率和召回率，FL-LightGBM模型的F1值为0.918，高于直接法、SVM和随机森林，表明该模型在平衡精确率和召回率方面表现较好，能够在准确识别不稳定样本的同时，保证对稳定样本的判断准确性，具有较好的综合性能。时域仿真法由于其在准确率和召回率上的出色表现，F1值也较高，为0.987。AUC值用于衡量模型区分正负样本的能力，FL-LightGBM模型的AUC值为0.956，表明它能够有效地将稳定样本和不稳定样本区分开来，性能优于直接法、SVM和随机森林。直接法的AUC值为0.880，SVM为0.910，随机森林为0.930，均低于FL-LightGBM模型，进一步证明了FL-LightGBM模型在区分稳定和不稳定样本方面的优势。FL-LightGBM模型相对于其他方法具有明显的优势。与传统的时域仿真法相比，虽然在评估准确性上稍逊一筹，但FL-LightGBM模型的计算速度快，能够满足电力系统在线暂态稳定评估的实时性要求，在实际应用中具有更高的实用性。与直接法相比，FL-LightGBM模型在准确率、召回率、F1值和AUC值等多个指标上都有显著提升，能够更准确地评估电力系统的暂态稳定性，减少误判和漏判的情况。与其他基于机器