基于改进XGBoost的电力系统暂态稳定评估方法及其可解释分析

摘要

【目的】随着新能源和电力电子设备的大规模并网，新型电力系统安全稳定特性面临严峻挑战，而数据驱动方法为建立暂态稳定评估模型提供了可行思路，但由于模型自身的黑箱性决定了其决策依据的不可知，成为限制其在线应用的关键因素。【方法】针对以上问题，本文提出基于改进XGBoost的电力系统暂态稳定评估模型及其可解释性方法。一方面，通过提升XGBoost模型对决策边界样本的学习能力，在满足评估速度要求的前提下显著提升模型的暂态稳定评估精度。另一方面，为提高评估结果的可解释性，基于沙普利加性原理提出特征—样本可解释方法，对模型的评估结果进行归因分析。【结果】在IEEE 39节点系统和某省级电网仿真结果表明，所提方法相较于传统模型具有更高的评估精度，同时具备良好的可解释能力。

关键词

暂态稳定评估 / 机器学习 / 可解释性 / 沙普利加性