目录

一、数据驱动概述

二、数据驱动特点

三、数据驱动与其他方法对比

四、总结

五、参考文献

一、数据驱动概述

数据驱动在电力系统稳定分析中的应用，主要目标是从电网运行数据角度建立电力系统稳定分析模型，以数据之间的关联性分析视角挖掘电力系统动态稳定特征，区别以往基于物理模型的纯因果分析[7-8]。电力系统存在的各种海量数据，为数据驱动方法提供数据来源。离线生成时，从大量的仿真和运行数据挖掘出主导动态特征和稳定性之间的内在联系，构建安全稳定评估模型。其本质上是复杂大电网时空动力学特性（具体体现为系统安全稳定性）和量测数据之间的一个映射关系。在线应用时，通过输入量测数据，快速给出安全稳定状态，实现数据驱动的电网稳定快速评估，数据驱动方法逻辑示意图如图1 所示。 

图1  数据驱动方法逻辑示意图 

二、数据驱动特点

广域量测系统（Wide Area Measurement System,WAMS）WAMS的量测数据是电力系统运行状态的真实反应，也是物理系统模型的外在表现，为数据驱动方法提供了数据基础。同样，数据驱动方法也包含数据挖掘与机器学习等方法的诸多优越性。 
和传统基于纯物理模型的分析方法相比，数据驱动分析方法具有以下的特点： 
（1）数据驱动分析方法不依赖于电力系统的物理模型，因此不受随机性、不确定性、复杂性而造成物理模型未建立的影响，也不存在不合理假设与过度简化的分析方法。 
（2）从数据的层面而言，数据并没有线性与非线性之分，因而数据驱动分析方法可较好适用于电力系统这样的强非线性系统。 
（3）基于物理模型的方法，建模之前需要清楚地理解机理。而数据驱动的方法，无需理解或者可事后解释机理。 
（4）面对不同场景与需求，数据驱动所采用的数据挖掘与机器学习等方法具备多场景的泛化能力，学者们已经把不同的机器学习技术成功应用在生活的各个方面，如天气预报、搜索引擎、自动驾驶等，模型的泛化能力随着技术的成熟在不断增加[9]。 
（5）传统基于物理建模的分析方法，其分析结果的准确度过度依赖物理模型的准确度，且建模之前总存在各种不符实际的假设作为分析前提；数据驱动的分析方法是挖掘数据之间存在的某种关系不明但却事实存在的相关关系，这种数据之间的相关关系与物理模型得到的因果关系所不同，但二者结合将对提高电力系统稳定特性认知具有较大帮助。因此，数据驱动是物理建模方法的有效补充，数据驱动与物理建模方法相结合，可提供更有价值的技术解决方案[10]。 

三、数据驱动与其他方法对比

当前，大数据技术和机器学习方法是数据驱动的主流算法，随着以大数据和机器学习为代表的人工智能技术在天气预报、搜索引擎、自动驾驶、天文数据、生物技术、信用卡欺诈识别、字符识别、Web应用、网络入侵检测等方面的成功应用[7-8]，人工智能被认为是当前最具颠覆性的技术。目前，电力领域的人工智能技术方兴未艾，一些国内外专家学者一直高度重视人工智能技术的研究与应用，积极开展大数据、机器学习等技术来实现在线大规模电力系统的稳定评估工作，取得了不少成果[11]，其中常见的代表性方法有：提出一系列的问题将数据进行分解，从而做出决策的决策树法[12]、能对数据进行二元分类的广义线性分类器支持向量机法[13-15]（Support Vector Machine, SVM）、由众多可调的神经元连接权值而成，具有大规模自组织自学习能力等特点的神经网络法[16-17]等，这些方法对数据的处理各有特点。神经网络法可解释性较差，算法内部层次较多导致模型计算量和复杂度过高，不适应对大系统的分析和计算，且易出现过/欠拟合的问题。支持向量机算法在训练阶段运算量非常大，特别是对于非线性系统的分析，而且支持向量机数目需求量也很巨大。决策树法虽具有简单、可解释性强、易于理解等优点，但是它与SVM及神经网络都为单个分类器，存在过拟合与性能提升的瓶颈问题。特别的，在人工智能算法选择方面，算法的优选优化是一项关键研究内容。

四、总结

  因此，数据驱动方法受算法的稳定性、收敛性、准确性及效率等影响，分析面向电力系统静态场景，寻找应用与融合更为优化的算法等研究工作值得进一步的开展与探索。

五、参考文献

[5]  章锐．基于广域信息的大电网静态稳定态势评估[D]．东北电力大学,2017. [6]  杨胜春，汤必强，姚建国，等．基于态势感知的电网自动智能调度架构及关键技术[J]．电网术,2014,38(01):33-39. 
[7]  薛禹胜，赖业宁．大能源思维与大数据思维的融合(一)大数据与电力大数据[J]．电力系统自动化,2016,40(01):1-8. 
[8]  薛禹胜，赖业宁．大能源思维与大数据思维的融合(二)大数据与电力大数据[J]．电力系统自动化,2016,40(08):1-8. 
[9]  周志华．机器学习：Machine learning[M]．清华大学出版社，2016. 
[10] 张东霞，苗新，刘丽平，张焰，刘科研．智能电网大数据技术发展研究[J/OL]．中国电机工程学报,2015,35(01):2-12. 
[11] 程乐峰，余涛，张孝顺，殷林飞．机器学习在能源与电力系统领域的应用和展望[J]．电力系统自动化,2019,43(01):15-43. 
[12] He Miao,Zhang Junshan,Vittal V.Robust online dynamic security assessment using adaptive ensemble decision-tree learning [J].IEEE Trans.on Power  Systems,2013,28(4):4089-4098． 
[13] 赵万明，黄彦全，谌贵辉．基于支持向量机的电力系统静态电压稳定评估[J]．电力系统保护与控制,2008,36(16):16-19. 
[14] Moulin LS,Alves DSAP,El-Sharkawi MA,et al.Support vector machines for transient stability analysis of large-scale power systems[J]. IEEE Transactions  on PowerSystems,2004,19(2):818–825. 
[15] 戴远航，陈磊，张玮灵，等．基于多支持向量机综合的电力系统暂态稳定评估[J].中国电机工程学报,2016, 36(5):1173-1180.

 [16] 李洋麟，江全元，颜融，等．基于卷积神经网络的电力系统小干扰稳定评估[J].电力系统自动化,2019, 43(02):50-59. 
[17] 姚德全，贾宏杰，赵帅．基于复合神经网络的电力系统暂态稳定评估和裕度预测[J]．电力系统自动化,2013, 37(20): 41-46.