张哲， 李升， 王徐彬

(南京工程学院 电力工程学院，江苏 南京 211167)

0 引 言

随着电力系统的不断发展，新能源并网规模在不断扩大，电网机构变得更加复杂，电力系统的安全稳定运行面临着更加严峻的挑战[1]，电力系统在发生故障后导致暂态失稳的可能性也在增加。因此，如何快速、准确地评估电力系统的稳定状况就是一个亟需解决的问题。

对暂态稳定进行评估的方法主要有时域仿真法、能量函数法以及人工智能法。传统的时域仿真法计算量比较大，无法满足在线应用的需要；能量函数法计算速度较快，但是难以应用于大规模的复杂系统当中[2]。利用人工智能算法对电力系统的暂态稳定状况进行评估兼具时域仿真法和机器学习的优势，具备速度快、准确率高等优点，目前已在电力系统的实时评估中得到广泛运用。

文献[3]提出了安全域的概念，并使用多支持向量机综合进行暂态稳定评估。文献[4]用XGBoost算法进行暂态稳定评估，并引入了Logistic函数来提高评估模型的可靠程度。文献[5]基于主动学习，能够有效降低离线仿真的时间。文献[6]采用半监督学习的方式，减少冗余信息，提高数据的利用率。此外，还有学者将深度学习算法[7]引入到暂态稳定评估当中，主要体现在特征提取方面。然而，现有的诸多方法在提升准确率、数据不平衡处理等问题依然存在困难。

在现有研究基础上，本文提出了一种基于K-means和随机森林组合算法(KM-RF)的暂态稳定评估方法。首先，在系统发生故障的各个阶段选取能够凸显暂态特性的特征量组成原始输入特征集；……