第43卷第7期2023年7月电力自动化设备ElectricPowerAutomationEquipmentVol.43No.7Jul.2023基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估卫志农1，李超凡1，丁爱飞2，3，孙国强1，黄蔓云1，臧海祥1，方熙程4（1.河海大学能源与电气学院，江苏南京211100；2.国电南瑞吉电新能源（南京）有限公司，江苏南京211106；3.国电南瑞科技股份有限公司，江苏南京211106；4.国网江苏省电力有限公司扬中市供电分公司，江苏镇江212200）摘要：基于机器学习的暂态稳定评估方法主要采用监督学习方法，为了解决监督学习方法所需的有标签样本难以获取的问题，提出基于三体训练-稀疏堆叠自动编码器（Tri-training-SSAE）半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型；在传统的三体训练过程中加入伪标签样本置信度判断，以减小噪声数据对模型训练的影响；以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型，利用大量的无标签样本提高模型的泛化能力。通过IEEE39节点系统与华东某省级电网进行分析验证，结果表明，所提方法在有标签样本数较少时具有更高的评估准确度。关键词：暂态稳定评估；机器学习；半监督学习；三体训练算法；堆叠稀疏自动编码器中图分类号：TM712文献标志码：ADOI：10.16081/j.epae.2022120090引言随着区域大电网之间的互联，电力系统的网络结构及运行特性日益复杂，暂态稳定性分析的难度进一步增大。在实际电网中，严重的停电事故通常由系统暂态失稳导致，而故障发生后暂态过程的持续时间通常为秒级，若不及时发现故障并进行有效处理，则会造成更严重的事故，影响电力系统的安全稳定运行［1⁃2］。因此，快速准确地进行暂态稳定评估（transientstabilityassessment，TSA）对电力系统的稳定运行具有极其重要的意义。传统的暂态稳定分析方法包括时域仿真法［3⁃4］、直接法［5⁃6］等，但这些方法在面对复杂电网时无法同时满足计算精度和速度的要求。基于数据挖掘的机器学习方法无需建立具体的数学模型，将TSA视为分类问题，建立系统特征量与暂态稳定性之间的映射关系，通过离线仿真获得大量样本进行训练，在线应用时能进行快速的稳定评估［7］。在深度学习算法的发展还未成熟时，支持向量机（supportvectorma⁃chine，SVM）［8］、人工神经网络［9⁃10］、决策树［11⁃12］等浅层模型应用于TSA中，但浅层模型对数据的挖掘能力有限，出现了泛化能力较差、评估准确率较...
