基于深度学习的电力系统暂态...暂态功角稳定一体化超前评估_史法顺.pdf

第 47 卷 第 2 期 电 网 技 术 Vol.47 No.2 2023 年 2 月 Power System Technology Feb.2023 文章编号：1000-3673（2023）02-0741-14 中图分类号：TM 721 文献标志码：A 学科代码：47040 基于深度学习的电力系统暂态电压与暂态功角稳定一体化超前评估史法顺，吴俊勇，季佳伸，步雨洛，李栌苏，赵鹏杰，李宝琴（北京交通大学电气工程学院，北京市 海淀区 100044）Integrated Advance Assessment of Power System Transient Voltage and Transient Angle Stability Based on Deep Learning SHI Fashun,WU Junyong,JI Jiashen,BU Yuluo,LI Lusu,ZHAO Pengjie,LI Baoqin(School of Electrical Engineering,Beijing Jiaotong University,Haidian District,Beijing 100044,China)1ABSTRACT:Transient voltage stability(TVS)and transient angle stability(TAS)are the important bases for the safe operation of the power system.With the construction of the new power systems,the problems of TVS and TAS have been closely coupled and occurred frequently,which needs a high precision integrated advanced evaluation urgently to lay a solid foundation for the emergency control.Firstly,according to the investigation,the comprehensive features of the TAS and TVS are integrated,and the feature contribution degree is measured according to the extreme gradient boosting(XGboost),from which the feature set with differential features is generated as the input of the evaluation model.Secondly,a multi-scale convolution gated recurrent unit model integrating the extrusion excitation(SE-CGRU)is proposed.The model realizes the adaptive adjustment of the feature weight channel through the squeeze and excitation(SE)module,and fuses the detail features and the macro features by using the multi-scale convolution to realize the high-precision integrated evaluation of the transient power angle and transient voltage so that the prediction results can be given without knowing the fault clearing time and the safety margin of the system under the current state can be output during the online evaluation.By introducing the loss function with a time constraint and the dynamic weight training,the response time is greatly reduced and the advance evaluation is realized on the basis of maintaining the existing accuracy.The multi-criterion fusion strategy further reduces the missed judgments and misjudgments,and improves the reliability of model evaluation.Taking the New England 10 machine 39 bus system and a 基金项目：国家自然科学基金(面上)项目(基于不完全 WAMS 信息的电力系统暂态稳定评估与紧急控制，批准号：51577009)；国家重点研发计划“智能电网技术与装备”重点专项(互联大电网高性能分析与态势感知技术(2018YFB0904500)。Project Supported by National Natural Science Foundation of China(NSFC)(51577009);National Key R&D Program of China(2018YFB090 4500).regional provincial interconnected system in China as examples to verify and analyze,the results show that the proposed method can achieve the high-precision integrated advance evaluation of the power angle and voltage stability.KEY WORDS:TAS;TVS;feature contribution;SE 摘要：暂态电压稳定(transient voltage stability，TVS)与暂态功角稳定(transient angle stability，TAS)是电力系统安全运行的重要基础。随着新型电力系统的建设，电压与功角问题紧密耦合且频发，亟需高精度的一体化超前评估为紧急控制夯实基础。首先根据调研整合了表征功角稳定与电压稳定的综合特征，并根据极限梯度提升(extreme gradient boosting，XGBoost)衡量特征贡献度，根据贡献度生成含差分特征的特征集作为评估模型的输入。其次，提出了融合挤压激励模块的多尺度卷积门控循环单元模型(a multi-scale convolution gated recurrent unit integrated with squeeze excitation，SE-CGRU)。该模型通过挤压激励(squeeze&excitation，SE)模块实现特征通道权重的自适应调整，并利用多尺度卷积融合细节特征与宏观特征，实现了暂态功角与暂态电压的高精度一体化评估。在线评估时无需已知故障切除时间即可给出预测结果并输出系统当前状态下的安全裕度。通过引入带时间约束的损失函数与动态权重训练的方式，在保持现有精度的基础上大大缩减了响应时间，实现超前评估。采用多判据融合策略进一步减少了漏判与误判，提高了模型评估的可靠性。以新英格兰 10 机 39 节点系统和国内某区域省级互联系统为例验证分析，结果表明所提方法可实现高精度的功角和电压稳定一体化超前评估。关键词：暂态功角稳定；暂态电压稳定；特征贡献度；挤压激励模块 DOI：10.13335/j.1000-3673.pst.2022.0725 0 引言 电力系统受到大扰动时，往往面临暂态功角失稳与暂态电压失稳的风险，而电压与功角的失稳会引发导致大停电事故1-2，造成国民经济重大损失。742 史法顺等：基于深度学习的电力系统暂态电压与暂态功角稳定一体化超前评估 Vol.47 No.2 因而准确、快速地对系统暂态电压与暂态功角稳定进行超前评估成为一直以来的目标和难题。随着新型电力系统的构建，多回特高压直流的投运以及新能源接入使得系统惯性降低、潮流方式逆转、动态响应设备更为紧密，进而功角与电压问题频发，加剧了大停电事故的风险3。因此在同一框架下分析影响暂态功角与暂态电压的重要变量，对理解功角与电压问题的机理具有理论意义；依托人工智能实现系统暂态电压与暂态功角的超前评估，可衡量系统风险，辅助紧急控制策略的制定，保障系统安全，对智能电网的建设具有现实意义。随着系统相量量测单元(phasor measurement unit，PMU)的普及4，为基于人工智能的方法提供了基础。目前基于人工智能的研究方法，大部分将功角与电压割裂开来进行分析。其中研究功角问题所采用的特征以发电机相关参数为主5-11，也有部分研究采用母线电压以及线路有功等特征12-17。在研究电压稳定问题时所采用的特征以母线电压相关的特征为主18-20，也有部分采用发电机以及线路负荷特征21-22。可见，在研究电压与功角统一框架下的特征选取方面，仍没有一个统一且物理意义明确的选择方案。在特征构造方面，目前大多研究采用多点非连续的方式进行特征采样，文献12通过改进深度残差收缩网络构建输入到暂态功角稳定之间的映射，虽然取得了一定效果，但所采用特征为稳态时刻、故障时刻以及故障切除时刻的非连续数据，在实际工程中难以针对大量的连续涌入数据进行不规则提取，故难以适用于实际场景。也有部分文章采用多点连续方式进行特征采样：文献17通过多尺度改进一维卷积网络学习稳态、暂态以及故障切除后的连续特征；文献20通过引入 Shapelet学习故障后的电压时序特征，取得了较高的准确率；文献22通过 Catboost 建立暂态电压评估器，并基于 shapley 值得到了对暂态电压稳定结果的重要特征排序。但以上基于连续采样的评估，均依赖故障切除后数据，均需故障切除后才能给出判断，观测时间窗较长，难以满足智能电网评估的快速性要求。目前也有少部分学者将功角与电压问题结合，通过数据驱动的方式进行统一研究23-26：文献23通过 SE-CNN 实现暂态功角电压一体化评估，但其观测时间窗长，应用场景为仿真分析；文献24考虑空间特征，通过图嵌入算法结合卷积神经网络实现暂态电压与暂态功角的评估，但采用非连续采样特征，难以在线应用。综上所述，目前鲜有研究针对功角与电压一体化评估的关键特征进行分析，且目前现有研究方法应用于在线评估时，大都需要故障切除后才能给出判断结果，难以满足电力系统预测的快速性要求。除此之外，以上大多研究仅给出系统稳定与否的判断结果，缺少衡量暂态电压与功角稳定裕度的普适方法。为解决以上问题，本文分析了目前研究暂态功角与暂态电压问题所采用的特征，并将所有特征变量取并集，形成表征系统运行信息的全面特征，并通过 XGBoost 衡量特征中不同变量对功角电压统一框架评估任务的贡献度；面向工程实际，构建了一种融合挤压激励模块的多尺度卷积门控循环单元模型(a multi-scale convolution gated recurrent unit integrated with squeeze excitation，SE-CGRU)，该模型实现了自适应时间窗下的结果输出；对改进损失函数嵌入时间效率，在保证模型输出精度的