研究背景
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。
后续研究
对所提方法在国内实际电网的仿真验证；相关数据挖掘技术在电力系统稳定控制上的应用模
式研究。
