[论文解读] Feature Selection for Transient Stability Assessment Based on Improved Maximal Relevance and Minimal Redundancy Criterion

Yang Li, Xueping Gu|arXiv (Cornell University)|Jan 23, 2019

Smart Grid and Power SystemsEngineering参考文献 4被引用 17

一句话总结

本文提出了一种改进的极大相关性最小冗余（mRMR）特征选择方法，用于电力系统暂态稳定评估，通过引入权重系数来增强特征相关性和冗余度的度量。在新英格兰39节点系统和IEEE 50机系统上进行评估，该方法结合增量搜索与SVM分类，识别出最优特征子集，在实时相量测量装置（PMU）数据下实现了高分类准确率。

ABSTRACT

A new feature selection method based on an improved maximal relevance and minimal redundancy (mRMR) criterion was proposed for power system transient stability assessment. First, the standard mRMR was improved by introducing a weight coefficient in the evaluation criteria to refine the measurement of the features correlation and redundancy. Then, the possible real-time information provided by phasor measurement unit (PMU) considered, a group of system-level classification features were extracted from the power system operation parameters to build the original feature set, and the improved mRMR was employed to evaluate the classification capability of the original features for feature selection. A group of nested candidate feature subsets were obtained by using the incremental search technique, and each candidate feature subset was tested by a support vector machine classifier to find the optimal feature subset with the highest classification accuracy. The effectiveness of the proposed method was validated by the simulation results on the New England 39-bus system and IEEE 50-generator test system.

研究动机与目标

• 解决从高维PMU数据中选择相关且非冗余特征以进行暂态稳定评估的挑战。
• 通过引入权重系数改进标准mRMR准则，以更精确地度量相关性和冗余度。
• 开发一种基于增量搜索与SVM评估的实时特征选择框架。
• 利用从PMU测量中提取的系统级特征，优化暂态稳定预测的分类准确率。
• 在多种预想故障场景下，于标准电力系统测试系统上验证该方法的有效性。

提出的方法

• 在评估函数中引入权重系数，以改进mRMR准则，更好地平衡相关性与冗余度。
• 从PMU测量中提取系统级分类特征，包括电压、电流和功角等量测，构成原始特征集。
• 应用增量搜索技术生成嵌套的候选特征子集，根据改进的mRMR得分逐步添加特征。
• 使用支持向量机（SVM）分类器评估每个候选子集的分类性能。
• 选择在最大化分类准确率的同时最小化冗余度的最优特征子集。
• 将实时PMU数据集成到特征选择流程中，确保其在在线暂态稳定评估中的实际可行性。

实验结果

研究问题

• RQ1 如何改进标准mRMR准则，以更准确地捕捉暂态稳定评估中特征的相关性与冗余度？
• RQ2 引入权重系数对从PMU数据中选择最优特征子集有何影响？
• RQ3 所提出的方法在暂态稳定预测中是否能实现高于传统mRMR的分类准确率？
• RQ4 增量搜索策略与SVM结合，在从大规模特征空间中识别最佳特征子集方面效果如何？
• RQ5 该方法在实时电力系统应用中，在保持高相关性的同时，能在多大程度上维持低冗余度？

主要发现

• 引入权重系数的改进mRMR准则显著提升了特征相关性与冗余度的度量能力，从而改善了特征选择性能。
• 所提出方法在新英格兰39节点系统和IEEE 50机测试系统上均实现了高分类准确率的暂态稳定评估。
• 增量搜索策略高效探索了嵌套特征子集，实现了对最优子集的系统性评估与选择。
• SVM分类器在验证候选特征子集时表现出优异的泛化性能，证实了所选特征的鲁棒性。
• 将实时PMU数据集成到特征选择框架中，确保了其在在线暂态稳定监测中的实际可行性。
• 与标准mRMR相比，该方法能更优地识别出紧凑且高性能的特征子集，在不损失准确率的前提下降低了计算负载。