基于信息熵的属性离散化算法在暂态稳定评估中的应用

针对人工神经网络用于大规模电力系统暂态稳定评估时所面临的训练样本集庞大、训练负担重，以及收敛性差的问题，提出一种用于训练样本集压缩的属性离散化方法。在矢量空间聚类的基础上，将每个聚类在各属性轴上投影的边界设为候选离散断点，采用基于信息熵的正交化增益函数选择最终断点进行离散，并对离散后的数据进行压缩处理；然后，采用一种改进的反向传播神经网络对离散压缩后的训练样本集进行学习训练和分类测试。在新英格兰10机39节点系统和某省电力系统中的应用表明，在保证暂态稳定分类精度的前提下，所提出的属性离散化和样本集压缩方法可有效地压缩训练样本集的规模，减轻神经网络的训练负担，提高收敛速度。