于群，李浩，屈玉清

(1. 山東科技大學 電氣與自動化工程學院，山東 青島 266510； 2.天津大學 智能電網教育部國家重點實驗室，天津 300072)

0 引 言

隨著電力工業(yè)的快速發(fā)展，電網逐漸實現了大規(guī)?；ヂ摚欢捎诰€路和設備故障率較高等因素，經常發(fā)生大面積停電事故[1-4]，給國民經濟和社會造成了巨大損失，因此應及時有效的對電網的大停電事故進行分析與理解，預測大電網的安全運行狀態(tài)，也就是說對大電網的安全態(tài)勢進行感知，同時也為電網的運行調度奠定理論基礎。大電網安全態(tài)勢的感知過程分為態(tài)勢要素的提取、態(tài)勢理解和態(tài)勢預測3個階段[5]。

在大電網安全態(tài)勢感知中，首先要通過對態(tài)勢要素的提取，建立大電網安全態(tài)勢評價體系，文獻[6]通過改進傳統的指標方法，提出了一套較完整的電網評估指標體系；文獻[7]提出了基于灰色面積關聯分析的安全評價指標模型，并通過對比分析，驗證了所提方法的合理性和有效性。在態(tài)勢預測問題方面，文獻[8]將神經網絡應用到預測問題中，提出了基于RBF神經網絡的安全態(tài)勢預測模型；文獻[9]為準確把握網絡的安全態(tài)勢，提出了基于Elman神經網絡的網絡安全態(tài)勢預測方法。

近年來，深度神經網絡廣泛應用于語音、圖像、自然語言處理等領域，文獻[10]將深度學習神經網絡應用到語音識別中去，大大提高了識別的性能；文獻[11]提出了一種基于深度神經網絡的人臉識別方法，相比于傳統算法，識別率更高；文獻[12]重點介紹了深度學習在自然語言識別方面的研究現狀和應用策略，并對深度學習在自然語言以后的發(fā)展趨勢和面對的困難做了展望。當然，深度神經網絡在電力系統中也獲得了廣泛的應用，其中一些學者在穩(wěn)定性分析、負荷預測、故障辨識等方面做了一些研究，文獻[13]將深度學習應用到電力系統暫態(tài)穩(wěn)定評估中去，驗證了其方法同時滿足準確性與快速性，為暫態(tài)穩(wěn)定分析提供了新的解決思路；文獻[14]提出了一種基于深度學習的靜態(tài)穩(wěn)定性評估方法，解決了傳統的靜態(tài)穩(wěn)定性研究復雜性太高并且不能滿足在線實時應用的問題；文獻[15]基于大數據技術將多維影響因素作為輸入量，完成了基于深度學習的短期負荷預測，提高了負荷預測的準確性；文獻[16]提出了基于深度信念網絡的斷路器故障辨識方法，解決了傳統故障識別準確率較低的問題。

基于以上研究，文中將深度神經網絡模型應用到大電網的安全態(tài)勢感知中，提出了基于深度神經網絡的大電網安全態(tài)勢感知。當大電網的安全態(tài)勢趨于一定的風險等級時，就有可能造成大停電事故的發(fā)生，因此及時有效地分析大停電事故數據，對于感知大電網的安全態(tài)勢具有重要意義。文中基于大電網安全態(tài)勢感知的三個組成部分，首先從內部因素與外部因素兩個方面出發(fā)，建立大電網安全態(tài)勢評價體系，其中外部因素通過統計分析1981年～2015年全國電網的大停電事故得出；在態(tài)勢理解階段，通過層次分析法與改進的熵權法獲得各指標的綜合權重，加權平均得到大電網的安全態(tài)勢評估值，完成對大電網安全態(tài)勢的綜合評價；在態(tài)勢預測階段，構建深度神經網絡模型，完成對大電網安全態(tài)勢的預測，并通過對比分析驗證了深度神經網絡對大電網安全態(tài)勢預測的可行性與有效性。

1 大電網安全態(tài)勢評價體系

態(tài)勢要素的提取是態(tài)勢感知中基礎的一步，為大電網安全態(tài)勢的評估與預測做準備，通過對大電網態(tài)勢要素的提取構建大電網安全態(tài)勢評價體系，用來表征大電網的安全態(tài)勢。文中從內部因素和外部因素兩個方面出發(fā)，構建了一套較準確的大電網安全態(tài)勢評價體系，其中內部因素指標包括潮流分布指標、有功裕度、電壓裕度、頻率偏移指標、功角穩(wěn)定性指標、節(jié)點電壓偏移指標、變壓器負載率、系統負載率、系統過載程度和N-1越限數指標；外部因素指標包括月份和區(qū)域，由于不同月份不同區(qū)域的溫度、濕度、天氣等環(huán)境因素不同，導致所對應的大電網安全態(tài)勢各有差異，通過分析歷年大停電事故，將月份與區(qū)域作為影響大電網安全態(tài)勢的間接性外部因素。這些指標共同構成一套較完整的大電網安全態(tài)勢評價體系，可以全面有效地表征大電網的安全態(tài)勢，該體系結構如圖1所示。

圖1 大電網安全態(tài)勢評價體系Fig.1 Evaluation system of security situation of large power grid

1.1 內部因素

內部因素指標反映了系統內部承受擾動與故障的能力，對于評價大電網的安全運行水平具有較強的表現能力。文中從線路、負荷、變壓器和系統整體等方面選取比較重要的幾個指標作為評價大電網安全態(tài)勢的標準，其中潮流分布指標、有功裕度、電壓裕度反映的是系統的靜態(tài)安全特性；頻率偏移指標和功角穩(wěn)定性指標反映的是系統的暫態(tài)安全特性；節(jié)點電壓偏移指標反映的是系統的電壓安全特性；變壓器負載率、系統負載率和系統過載程度反映的是系統的結構安全性，而N-1越限數指標反映的是系統的安全供電能力，具體分析如下：

(1)潮流分布指標。指系統中關鍵線路允許的極限傳輸容量與線路有功潮流差值除以統計線路的總數。該指標反映系統的穩(wěn)定性，對大電網安全態(tài)勢的表現水平為正向，即該指標值越大，表示系統距離允許的極限傳輸容量越遠，系統越穩(wěn)定，大電網的運行水平越趨于安全。

潮流分布指標Fc定義為：

(1)

式中Fj,max為系統關鍵線路的極限傳輸容量；n為系統關鍵線路的總數；Fj為系統關鍵線路j的有功潮流；

(2)有功裕度。指系統中負荷節(jié)點的極限傳輸容量與當前狀態(tài)負荷節(jié)點有功潮流的差值占當前狀態(tài)的比例。因系統中負荷節(jié)點較多，為反映系統的安全穩(wěn)定水平，通常取其平均值。該指標反映了系統中負荷節(jié)點承受擾動的能力，間接性地反映了系統對負荷增長的承受能力。該指標對大電網安全態(tài)勢的表現水平為正向，即該指標越大，說明系統節(jié)點承受功率擾動的能力越強。

有功裕度指標Kp定義為：

(2)

式中Pk,max為系統負荷節(jié)點k的極限傳輸容量；t為系統負荷節(jié)點的總數；Pk為系統負荷節(jié)點k的有功潮流；

(3)電壓裕度。指系統負荷節(jié)點上允許的極限電壓與當前系統負荷節(jié)點電壓的差值占當前狀態(tài)比例。同樣為了反映系統的安全運行水平，通常取平均值。該指標反映了系統負荷節(jié)點承受電壓擾動的能力，間接性地反映了系統的無功儲備能力。該指標對大電網安全態(tài)勢的表現水平為正向，即該指標越大，說明該系統負荷節(jié)點承受電壓擾動的能力越強。

電壓裕度指標Kv定義為：

(3)

式中Uk,max為系統負荷節(jié)點k上允許的極限電壓；Uk為系統負荷節(jié)點k上的電壓；

(4)頻率偏移指標。指系統故障后引起的發(fā)電機頻率的偏移。該指標反映了系統中發(fā)電機與負荷之間的平衡性，對大電網安全態(tài)勢的表現水平為反向，即該指標越大，表征系統頻率偏移越大，系統越危險，文中用系統中頻率的最大偏移量來衡量頻率偏移對系統的影響程度；

(5)功角穩(wěn)定性指標。指系統故障后引起的發(fā)電機功角的偏移。該指標反映了系統的暫態(tài)穩(wěn)定性，對大電網安全態(tài)勢的表現水平為反向，即該指標越大，表征系統功角偏移越大，系統越危險，文中用系統中功角的最大偏移量來衡量功角偏移對系統的影響程度；

(6)節(jié)點電壓偏移指標。指擾動后系統關鍵節(jié)點的電壓與正常狀態(tài)下電壓的差值，為了反映系統整體的安全運行水平，通常取系統關鍵節(jié)點電壓偏移之和。該指標反映了擾動后系統電壓的波動性，對大電網安全態(tài)勢的表現水平為反向，即該指標越大，表征系統電壓偏移正常電壓越大，系統越危險。

節(jié)點電壓偏移指標ΔU定義為：

(4)

式中Uk,0為系統正常狀態(tài)下關鍵節(jié)點k上的電壓；a為系統中關鍵節(jié)點的總數；

(7)變壓器負載率。指系統中變壓器實際輸出的功率與額定容量之比，同樣在此取平均值。該指標反映了系統變壓器對負載的承受能力，對大電網安全態(tài)勢的表現水平為反向，即該指標越大，表明系統變壓器承受的負載越大，系統越容易發(fā)生事故，大電網的安全運行水平越低。

變壓器負載率Lb為：

(5)

式中b為系統變壓器的個數；Fj為系統變壓器 輸出的有功功率；Sj為變壓器j的額定容量；

(8)系統負載率[17]。指系統中線路傳輸功率的和與線路允許的極限傳輸容量和的比值。該指標能夠反映系統大停電事故發(fā)生的概率，對大電網安全態(tài)勢的表現水平為反向，即該指標越大，系統發(fā)生大停電事故的概率就越大，進而可以說明該指標越大，大電網的運行狀態(tài)越危險。

系統負載率指標Ls定義為：

(6)

(9)系統過載程度[18]。指系統受到擾動或故障時，系統過載線路的條數與剩余線路總條數的比值。該指標表征系統元件受到擾動或故障后造成的過載線路的程度，該指標越大，表明系統偏離正常狀態(tài)的線路越多，系統的過載程度就越大，系統的狀態(tài)就越危險。

系統過載程度指標Lg定義為：

(7)

式中m為系統過載線路的條數，文中線路過載是指線路的負載率超過線路正常負載率的1.2倍；

(10)N-1越限數指標。指當系統中的某元件因故障退出運行時，系統中剩余線路和變壓器不過載、母線電壓不越限的情況。該指標能夠反映電網的運行方式是否滿足安全運行要求。該指標對大電網安全態(tài)勢的表現水平為反向，即不能滿足 準則的元件越多，系統越不安全。

1.2 數據來源

根據文獻[19-24]，統計1981年～2015年全國(不包括臺灣省)電網各地區(qū)的停電事故，其中包括事故發(fā)生的時間、區(qū)域以及造成的損失負荷大小，共發(fā)生停電事故538次。以全國的停電事故為基礎，采用損失負荷相對值法[25]對數據進行篩選。相對值法定義為：

(8)

式中D為損失負荷占比；L為停電事故造成的損失負荷大小(MW)；S為停電事故所對應的當年的裝機容量(MW)。

基于文獻[26]中停電事故等級劃分的規(guī)定，將停電事故中造成損失負荷相對值大于0.5%的定義為大停電事故，其中1981年～2015年共發(fā)生大停電事故148次。

1.3 外部因素

為全面表征大電網的安全運行軌跡，需要考慮影響大電網安全態(tài)勢的外部因素，其中影響大電網安全態(tài)勢的外部因素主要包括溫度、濕度、氣候等，這些外部因素的差異性歸根到底是由于季節(jié)的變化和經緯度的不同所導致的，而月份和區(qū)域正是這種季節(jié)的變化和經緯度不同的外部反映，因此可以用月份和區(qū)域兩個指標來間接地反映影響大電網安全態(tài)勢的外部因素?；?981年～2015年全國電網的大停電事故，分析月份和區(qū)域兩個指標對大電網安全態(tài)勢的影響程度，用月份、區(qū)域大停電事故發(fā)生的頻度，表征外部因素對大電網安全態(tài)勢的影響程度，具體分析如下：

(1)月份分布

以月份為步長統計發(fā)生的大停電事故的頻度，建立大停電事故的月份-頻度分布圖，如圖2所示。

圖2 全國電網大停電事故的月份-頻度分布圖Fig.2 Month-frequency distribution diagram of blackouts in national power grid

由圖2統計的全國月份大停電事故頻度可知，一年中每月均有可能發(fā)生大停電事故，并且大停電事故的頻度均在4以上，其中7月和8月大停電事故頻度較高，2月和12月大停電事故頻度相對較低，并且每個月份的大停電事故頻度均有一定的差異性，正好表明由于不同月份外部環(huán)境因素的不同，導致大停電事故發(fā)生的次數不同，間接性地反映了大電網安全態(tài)勢水平的差異性，因此可以表明月份是反映電網大停電事故頻度，評價大電網安全態(tài)勢的重要間接性外部因素，即可用月份大停電事故頻度衡量外部因素對大電網安全態(tài)勢的影響程度；

(2)區(qū)域分布

按照電網的區(qū)域劃分規(guī)則，將全國電網劃分為華北地區(qū)、東北地區(qū)、華東地區(qū)、華中地區(qū)、南方地區(qū)、西北地區(qū)(其中包括西藏地區(qū))，統計全國各區(qū)域電網發(fā)生的大停電事故頻度，建立全國電網大停電事故區(qū)域-頻度分布圖，如圖3所示。

圖3 全國電網大停電事故的區(qū)域-頻度圖Fig.3 Regional-frequency diagram of blackouts in national power grid

由圖3統計的全國區(qū)域大停電事故頻度可知，全國各區(qū)域電網歷年來均有大停電事故的發(fā)生，并且區(qū)域不同，大停電事故頻度各有差異，其中西北地區(qū)大停電事故頻度最高，華東地區(qū)和華中地區(qū)頻度較低；大停電事故發(fā)生頻度越高說明大電網安全態(tài)勢進入危險狀態(tài)的次數越多，因此可以用大停電事故頻度衡量區(qū)域對大電網安全態(tài)勢的影響程度。

2 大電網安全態(tài)勢的綜合評價

通過對提取的要素進行分析與理解，完成對大電網安全態(tài)勢的綜合評價。文中從主觀性與客觀性兩個方面出發(fā)，將層次分析法與改進的熵權法相結合求取各指標的綜合權重，并采用加權平均的方法獲取大電網的安全態(tài)勢評估值，從而完成對大電網安全態(tài)勢的綜合評價。

2.1 層次分析法

層次分析法[27]是指將決策問題的有關元素分解成目標、準則、方案等層次，用一定標度對人的主觀判斷進行客觀量化，在此基礎上進行定性分析和定量分析的一種決策方法。

2.2 改進的熵權法

傳統的熵權法在所有熵值趨近于1時，會過度放大差異導致權重不合理，而體系中部分指標值差異很小，可能出現指標值均接近1的情況，因此采用改進的熵權法[28]確定指標i對應的權重Wi。設歸一化后第i個指標的熵為Hi，則：

(9)

(10)

式中yi為指標i的特征比重；m為樣本的個數。

(11)

式中Wsi為通過改進的熵權法求取的指標i的權重;Hav代表全部不為1的熵的平均值；Hi為第i個指標的熵，其中w0i、w3i如下所示：

(12)

(13)

式中n為指標的種類數。

2.3 大電網安全態(tài)勢評估值的計算

(1)首先對與大電網安全態(tài)勢存在對應關系的各指標數據進行歸一化處理,即：

(14)

式中R′ij為樣本j所對應的指標i的歸一化值；Rij為樣本j所對應的指標i的實際值；maxRi和minRi為指標i的最大值和最小值。

(2)層次分析法在求取權重時極易受專家偏好的影響，進而使得結果客觀性、科學性不足；而熵權法完全根據決策矩陣求出能代表權重分配的熵權，能有效規(guī)避專家主管判斷誤差對權重分配的影響。為了能夠使權重不僅體現出專家的主觀意見，還包含客觀數據的有效信息，文中將層次分析法與改進的熵權法相結合，使得到的權重能夠同時反映主觀性和客觀性[29]，即：

(15)

式中Wi為指標i的綜合權重；Wci為通過層次分析法求取的指標i權重。

(3)將歸一化的各指標數據與對應的綜合權重相乘，得出大電網的安全態(tài)勢評估值：

(16)

式中Pj為樣本j的大電網安全態(tài)勢評估值。

基于評估值將大電網的安全態(tài)勢風險等級劃分為3級，如表1所示。

表1 大電網安全態(tài)勢風險等級表Tab.1 Risk scale of security situation of large power grid

3 深度神經網絡模型的構建

通過構建深度神經網絡模型，完成對大電網安全態(tài)勢的預測，深度神經網絡是包含兩層或兩層以上隱含層的多層神經網絡，其模型如圖4所示。深度神經網絡是最基本的深度學習網絡，它是模擬大腦組織結構，能夠自動獲取數據特征，具有強大的數據表征能力，因此對于挖掘數據的特征，感知大電網的安全態(tài)勢具有重要意義。

圖4 深度神經網絡模型Fig.4 Model of deep neural network

3.1 深度神經網絡的學習過程

采用反向傳播算法和廣義delta規(guī)則[30]對深度神經網絡進行訓練學習，對大電網的安全態(tài)勢預測過程如下：

(1)用合適的值初始化權重，將影響大電網安全態(tài)勢因素數據輸入深度神經網絡進行逐層訓練學習，獲得深度神經網絡的輸出，即：

y=φ(wx+b)

(17)

式中φ為激活函數；w為各指標數據的權重；b是偏置；

(2)計算輸出與實際值之間的誤差，采用廣義delta規(guī)則對權重進行學習，計算輸出節(jié)點的δ為：

e=d-y

(18)

δ=φ′(v)e

(19)

式中d為實際值；φ′(v)為激活函數的導數；

(3)反向傳播輸出節(jié)點的δ，計算相鄰節(jié)點的δ(k)：

e(k)=WTδ

(20)

δ(k)=φ′(v(k))e(k)

(21)

式中k為節(jié)點的個數；WT為權重矩陣的轉置;

(4)重復步驟(3)，直到到達輸入層右邊緊鄰的隱含層。根據廣義delta規(guī)則調整權重，可得：

Δwij=αδjxj

(22)

wij←wij+Δwij

(23)

式中α為學習率；xj為輸入節(jié)點j的輸出；wij為輸出節(jié)點i和輸入節(jié)點j之間的權重；Δwij為輸出節(jié)點i和輸入節(jié)點j之間權重的變化量；

(5)對每個訓練數據點重復步驟(2)～步驟(4)；

(6)重復步驟(2)～步驟(5)，直到深度神經網絡得到合適的訓練，輸出大電網的安全態(tài)勢風險等級值。

3.2 深度神經網絡的改進

(1)ReLU函數。

在深度神經網絡進行反向傳播算法進行訓練時，梯度消失發(fā)生在輸出誤差可能無法到達更遠的節(jié)點的情況下。然而，如果誤差很難到達第一個隱含層，那么其對應的權重則無法被修正，因此靠近輸入層的隱含層就得不到有效的訓練。

解決梯度消失問題的典型方法是使用ReLU作為激活函數，ReLU函數在傳遞誤差方面優(yōu)于Sigmoid函數。ReLU函數的定義如下：

(24)

式中φ為激活函數；x為輸入。

(2)Dropout。

隨著深度神經網絡包含更多的隱藏層以及權重值，致使其模型變得更復雜，也就導致其更容易發(fā)生過擬合。

解決過擬合最具代表性的方法是Dropout，即針對一些隨機選定的節(jié)點而不是整個網絡進行訓練。按照一定的比例，一些節(jié)點被隨機地選中，它們的輸出被設為0，即節(jié)點本身被置為無效。

4 算例分析

為驗證深度神經網絡模型對大電網安全態(tài)勢預測的有效性與準確性，以IEEE 39節(jié)點系統為例，其結構如圖5所示。通過仿真得出樣本數據，即大電網安全態(tài)勢的評估值，將訓練樣本的評估值作為輸入，測試樣本的評估值作為輸出，通過與評估值的實際值相對比，驗證深度神經網絡預測的有效性。進而通過〗與傳統的BP神經網絡、RBF神經網絡相對比，驗證深度神經網絡預測的準確性，本節(jié)將按照樣本的來源、模型的構建和大電網安全態(tài)勢的預測三個方面具體介紹：

圖5 39節(jié)點系統結構圖Fig.5 Structure diagram of IEEE 39-node system

(1)樣本的來源

對于內部因素指標中的潮流分布指標、節(jié)點電壓偏移指標、變壓器負載率、系統負載率、系統過載程度和N-1越限數指標，以IEEE 39節(jié)點系統為例，通過對系統進行隨機斷線處理，每進行一次處理，通過Matlab2016a進行潮流計算仿真得出各指標數據，有功裕度、電壓裕度、頻率偏移指標、功角穩(wěn)定性指標是根據專家和系統規(guī)范在風險范圍內隨機生成的數據。外部因素指標對大電網安全態(tài)勢的影響程度用大停電事故頻度表示。

通過層次分析法與改進的熵權法獲取各指標數據的綜合權重，采用加權平均的方法獲取大電網安全態(tài)勢評估值。文中采取同樣的方法共選取100個樣本數據，按照滑動窗口大小為5構造實際樣本數據集，即利用前五個時間段的大電網安全態(tài)勢評估值預測下一時間段的大電網安全態(tài)勢評估值，故實際共95個樣本數據，選取前85個作為訓練樣本，剩余10個為測試樣本。

(2)深度神經網絡模型的構建

深度神經網絡模型共五層，第一層為輸入層，由5個節(jié)點組成；中間為三層隱藏層，每層由11個節(jié)點組成；最后一層為輸出層，由1個節(jié)點組成。

(3)大電網安全態(tài)勢預測

為驗證深度神經網絡模型具有更高的預測精度，建立了對比預測模型，如表2所示。

表2 模型分類表Tab.2 Classified table of models

首先將訓練樣本輸入深度神經網絡模型，對其進行1 000次訓練學習，然后對測試樣本進行預測，將得到的預測結果與實際值對比，如圖6所示。

圖6 深度神經網絡預測結果對比圖Fig.6 Comparison of prediction results of deep neural network

運用BP神經網絡和RBF神經網絡模型[31]對大電網的安全態(tài)勢進行預測，預測結果與實際值對比，如圖7、圖8所示。

圖7 BP神經網絡預測結果對比圖Fig.7 Comparison of prediction results of BP neural network

圖8 RBF神經網絡預測結果對比圖Fig.8 Comparison of prediction results of RBF neural network

由圖6～圖8可以看出，BP神經網絡和RBF神經網絡預測曲線與實際值曲線貼合程度較差，個別樣本的預測值與實際值誤差較大。而深度神經網絡預測值與實際值雖有一定誤差，但曲線貼合程度較好，誤差相對較小。為進一步驗證深度神經網絡模型預測的精度，更加顯著的體現深度神經網絡模型預測的優(yōu)越性，采用MAPE(Mean Absolute Percent Error，平均相對誤差絕對值)和SDE(Standard Deviation Error，標準誤差)作為體現模型預測精度優(yōu)越的指標：

(25)

(26)

式中n為樣本的個數；yi為樣本i的預測值；yi’為樣本i的實際值。

基于以上兩種預測精度指標，三種模型的平均相對誤差絕對值和標準誤差如表3所示。

表3 三種模型的預測誤差對比Tab.3 Comparison of prediction errors of three models

從表3中也可以看出，RBF神經網絡模型預測誤差最大，深度神經網絡預測誤差相對較小，預測精度最高，當電網處于臨界狀態(tài)時，精度的提高對于正確判斷大電網的安全運行狀態(tài)具有重要意義。綜上可知，深度神經網絡能夠有效地對大電網的安全態(tài)勢進行預測，并且相比于傳統的神經網絡模型，預測精度較高，從而驗證了深度神經網絡模型對大電網安全態(tài)勢預測的有效性與準確性。

5 結束語

提出了基于深度神經網絡的大電網安全態(tài)勢感知，從內部因素與外部因素兩個方面出發(fā)，構建大電網安全態(tài)勢評價體系，用來表征大電網的安全運行軌跡。在態(tài)勢理解階段，通過層次分析法與改進的熵權法獲得各指標的綜合權重，加權平均得到大電網的安全態(tài)勢評估值，實現對大電網安全態(tài)勢的綜合評價；在態(tài)勢預測階段，構建深度神經網絡模型，完成對大電網安全態(tài)勢的預測，并通過與傳統的BP神經網絡和RBF神經網絡相對比，驗證了深度神經網絡能夠有效地預測大電網的安全態(tài)勢，并且預測精度較高。該研究對于預防大停電事故，感知大電網的安全運行狀態(tài)具有重要的意義。文中采用仿真數據而未使用實際電網數據進行分析，存在一定的不足，需要進一步的改進。