(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111564577.1 (22)申请日 2021.12.20 (71)申请人 天津大学 地址 300072 天津市南 开区卫津路9 2号 (72)发明人 曾沅　任郡枝　 (74)专利代理 机构 天津市北洋 有限责任专利代 理事务所 12 201 代理人 韩帅 (51)Int.Cl. G06N 20/10(2019.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于迁移学习的动态安全域边界拟合 方法 (57)摘要 本发明公开了基于迁移学习的动态安全域 边界拟合方法， 首先基于迁移学习技术， 利用标 记数据训练的分类器对未标记数据进行分类， 对 于海量未标记数据进行分类； 对于海量未标记数 据， 通过多次迭代， 使源域和目标域之间的边缘 分布和条件分布偏差最小化， 从而给出高精度的 分类效果； 然后利用得到的数据集和标签集拟合 得到线性动态安全域边界模型， 通过一定的平移 来提高模型的精度， 给出适用于实际工程的线性 动态安全域 边界。 权利要求书3页 说明书7页 附图1页 CN 114358320 A 2022.04.15 CN 114358320 A 1.一种基于迁移学习的动态安全域边界拟合方法， 其特征在于， 所述方法是基于动态 安全域边界模型对获取电网大量运行数据后利用故障训练的分类器对未训练的样本集进 行分类， 同时采用支持向量机技 术拟合动态安全域的边界， 具体包括以下步骤： 步骤1： 获取指定电力系统的源域样本集、 目标域样本集、 以及系统节点的有功出力上 限、 有功出力下限； 步骤2： 离线阶段： 通过训练好的模型中新样本对未知的故障集样本进行标记， 已有标 签的源域样本集获得暂态稳定分类 器， 用于筛选未知故障集； 步骤3： 在线阶段： 通过迭代化源域样本集和目标域样本集之间的边缘分布差异和条件 分布差异获得被标记的目标域样本， 即伪标签； 采用支持向量机方法在标记后的目标域样本空间中找到可划分稳定与不稳定的动态 安全域边界； 步骤4： 将确定的动态安全域 边界用于暂态 功角稳定的分类 器或后续的预防校正过程。 2.根据权利要求1所述的一种基于迁移学习的动态安全域边界拟合方法， 其特征在于， 步骤3中源域样本集和目标域样本集直接的边缘分布和条件分布的偏差是通过采用联合分 布自适应方对目标域样本进行分类， 包括如下步骤： 联合分布自适应方法是用P(Xs)和P(Xt)之间的距离， 以及P(ys|Xs)和P(yt|Xt)之间的距 离来近似两个领域之间的差异， 即 D(Ds， Dt)≈||P(Xs)‑P(Xt)||+||P(ys|Xs)‑P(yt|Xt)||           (1) 其中， P(Xs)和P(Xt)是边缘分布， P(ys|Xs)和P(yt|Xt)是条件分布， X代表输入样本， y代 表样本集的标签， s代 表源域集， t代表目标域 集， D(Ds,Dt)代表最大均值差异； 通过引入自适应矩阵A， 使得经过变 换后的P(ATXs)和P(ATXt)的距离能够尽可能地接近， 同时， P(ys|ATXs)和P(yt|ATXt)的距离也要尽可能的小； (1)边缘分布自适应 如式(2)所示， 采用最大均值差异距离MMD来最小化源域和目标域之间的偏差， 然后通 过引入核方法， 式(2)可化简为式(3)； MMD1＝tr(ATXM1XTA)             (3) 其中， X＝[Xs,Xt]， M1是边缘分布的M MD矩阵； (2)条件分布自适应 如式(5)所示， 也采用最大均值差异距离MMD来最小化源域和目标域之间的偏差， 然后 通过引入核方法， 式(5)可化简为式(6)； 权　利　要　求　书 1/3 页 2 CN 114358320 A 2其中， M2是条件分布的M MD矩阵； (3)优化求解 然后结合这两个距离， 一个广义的优化问题便可以获得， 具体如式(8)所示， 进一步转 化为式(9)和(10)。 minD(Ds,Dt)＝MMD1+MMD2        (8) s.t.ATXHXTA＝I        (10) 其中， I是 单位矩阵， H是中心 矩阵， λ为 正则化参数。 通过求解式(11)， 可求得自适应矩阵A。 其中， Φ为拉格朗日乘子； 为得到更好的迁移特性， 该优化问题需要迭代求解， 然后用 上一次迭代生成的标签来充当伪标签， 多次迭代后可提高精度。 3.根据权利要求1所述的一种基于迁移学习的动态安全域边界拟合方法， 其特征在于， 步骤3中采用支持向量机方法在标记后的目标域样本空间中找到可划分稳定与不稳定的动 态安全域 边界过程： 给定训练样本集D＝{(x1,y1),(x2,y2),…(xm,ym)},y＝{‑1,+1}， 分类学习的核心思维 是基于训练集D， 在样本空间中找到一个超平面， 从而将不同类别的样本分开； 如式(12)所 示， 为超平面的线性形式： wTx+b＝0         (12) 其中， w＝(w1； w2；…； wd)是超平面的法向量， 决定了超平面的方向， b是超平面与原点之 间的距离； 通过构造式(13)(14)来 寻找异类支持向量的最大间隔， 具体如下： s.t.yi(wTxi+b)≥1,i ＝1,2,…,m           (14) 其中， yi代表样本的标签； 由于实际应用时， 很难找到一个线性可分的超平面， 故通过引入松弛变量ξi， 可将式 (13)改写为如下 形式： s.t.yi(wTxi+b)≥1‑ξi,i＝1,2,…,m       (17) ξi≥0               (18)权　利　要　求　书 2/3 页 3 CN 114358320 A 3