吳思婕，王懷遠(yuǎn)

基于集成學(xué)習(xí)的時(shí)間自適應(yīng)電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法

吳思婕，王懷遠(yuǎn)

(新能源發(fā)電與電能變換重點(diǎn)實(shí)驗(yàn)室(福州大學(xué))，福建 福州 350116)

對(duì)于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估而言，在故障清除后的早期階段，臨界樣本間的特征差異不明顯，預(yù)測(cè)準(zhǔn)確率低。隨著時(shí)間推移，準(zhǔn)確率提高，但難以保證評(píng)估的及時(shí)性。針對(duì)暫態(tài)穩(wěn)定評(píng)估的評(píng)估準(zhǔn)確性與及時(shí)性之間的矛盾，提出了基于集成學(xué)習(xí)的時(shí)間自適應(yīng)電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。首先，通過(guò)EasyEnsemble算法對(duì)不平衡數(shù)據(jù)進(jìn)行采樣，訓(xùn)練出多個(gè)不同評(píng)估時(shí)刻的集成長(zhǎng)短期記憶網(wǎng)絡(luò)分類器，輸出樣本在不同評(píng)估時(shí)刻的穩(wěn)定性預(yù)測(cè)結(jié)果。其次，將評(píng)估時(shí)刻進(jìn)行劃分，提出了多階段閾值分類規(guī)則，自適應(yīng)調(diào)整閾值，對(duì)樣本預(yù)測(cè)結(jié)果進(jìn)行可信度評(píng)估。最后，預(yù)測(cè)結(jié)果評(píng)估為不可信的樣本交由下一評(píng)估時(shí)刻的模型繼續(xù)判斷，直到可信度達(dá)到閾值后輸出。在IEEE 39節(jié)點(diǎn)系統(tǒng)的仿真結(jié)果表明，所提方法相較于其他時(shí)間自適應(yīng)方法具有更優(yōu)的評(píng)估性能，在樣本不平衡的情況下該方法實(shí)現(xiàn)了更好的修正效果。

深度學(xué)習(xí)；暫態(tài)穩(wěn)定評(píng)估；集成學(xué)習(xí)；時(shí)間自適應(yīng)評(píng)估；樣本不平衡

0 引言

隨著電網(wǎng)規(guī)模的擴(kuò)大和交直流輸電線路的混合運(yùn)行，電力系統(tǒng)的復(fù)雜程度進(jìn)一步增加，安全穩(wěn)定運(yùn)行越來(lái)越具有挑戰(zhàn)性[1-3]。這對(duì)暫態(tài)穩(wěn)定評(píng)估(transient stability assessment, TSA)的準(zhǔn)確性與實(shí)時(shí)性提出了更高的要求。近年來(lái)，由于廣域測(cè)量系統(tǒng)的普及[4-5]，同步相量測(cè)單元可實(shí)時(shí)獲取電網(wǎng)中的測(cè)量數(shù)據(jù)，這為基于機(jī)器學(xué)習(xí)的TSA提供了支撐。基于機(jī)器學(xué)習(xí)的TSA方法是利用時(shí)域仿真或歷史運(yùn)行數(shù)據(jù)離線訓(xùn)練模型，建立輸入數(shù)據(jù)與暫態(tài)穩(wěn)定性之間的映射關(guān)系，之后將該映射用于暫態(tài)穩(wěn)定評(píng)估。一旦接收到動(dòng)態(tài)信息，穩(wěn)定性結(jié)果可以在幾毫秒內(nèi)輸出。一些淺層學(xué)習(xí)的算法已應(yīng)用于TSA，如支持向量機(jī)[6-8]、神經(jīng)網(wǎng)絡(luò)[9-10]、決策樹[11]和極端學(xué)習(xí)機(jī)[12]等。然而，淺層學(xué)習(xí)的數(shù)據(jù)挖掘和泛化能力有限，模型的魯棒性也有待進(jìn)一步提高。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，原始數(shù)據(jù)特征可以被自動(dòng)提取，模型對(duì)于海量數(shù)據(jù)的理解和學(xué)習(xí)能力大幅提升。因此深度學(xué)習(xí)算法在TSA中得到廣泛應(yīng)用，如堆疊變分自動(dòng)編碼器[13]、長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory, LSTM)[14]、深度置信網(wǎng)絡(luò)(deep belief network, DBN)[15]等。文獻(xiàn)[16]將卷積神經(jīng)網(wǎng)絡(luò)引入到TSA中，利用其強(qiáng)大的特征提取能力，提升模型的泛化能力。文獻(xiàn)[17]提出一種基于雙向門控循環(huán)單元的TSA方法，同時(shí)利用回歸方法對(duì)可靠性低的臨界樣本進(jìn)行風(fēng)險(xiǎn)評(píng)估。

目前，大多數(shù)基于機(jī)器學(xué)習(xí)的TSA方法在故障清除后的固定時(shí)刻評(píng)估穩(wěn)定性。然而，在故障清除后的早期，臨界情況之間的特征差異并不明顯。為了達(dá)到高精度，這些方法通常需要等待較長(zhǎng)的時(shí)間收集更多的特征信息，才能做出暫態(tài)穩(wěn)定評(píng)估決策。在這種情況下，TSA的及時(shí)性和準(zhǔn)確性難以平衡。

為了解決這一矛盾，有部分研究采用時(shí)間自適應(yīng)的方式實(shí)施TSA。文獻(xiàn)[18]提出基于LSTM的時(shí)間自適應(yīng)評(píng)估系統(tǒng)，利用LSTM挖掘數(shù)據(jù)的時(shí)序關(guān)系。當(dāng)樣本類別不平衡時(shí)，訓(xùn)練模型的魯棒性不夠。文獻(xiàn)[19]集成不同結(jié)構(gòu)的DBN，輸出分類概率，并設(shè)置穩(wěn)定和失穩(wěn)兩種可信度閾值來(lái)衡量結(jié)果的可信度。該方法的可信度閾值是固定的，部分重疊區(qū)域樣本可能會(huì)難以分類，導(dǎo)致評(píng)估周期長(zhǎng)等。文獻(xiàn)[20]將兩個(gè)具有不同代價(jià)敏感系數(shù)的門控循環(huán)單元(gated recurrent unit, GRU)和一個(gè)沒有偏差的GRU網(wǎng)絡(luò)進(jìn)行組合。當(dāng)兩個(gè)代價(jià)不同的模型預(yù)測(cè)結(jié)果一致時(shí)，樣本被認(rèn)為是可信的，否則不可信。該方法所提出的代價(jià)敏感系數(shù)是固定的，這影響了非臨界樣本的判別。

針對(duì)以上不足，本文提出了一種基于集成學(xué)習(xí)的時(shí)間自適應(yīng)暫態(tài)穩(wěn)定評(píng)估模型，主要貢獻(xiàn)如下：

1) 提出了由多個(gè)基于LSTM的集成分類器組成的時(shí)間自適應(yīng)框架，故障清除后的每個(gè)評(píng)估時(shí)刻點(diǎn)均有一個(gè)集成模型對(duì)樣本進(jìn)行穩(wěn)定性分類；

2) 結(jié)合集成學(xué)習(xí)投票思想和多階段閾值評(píng)估規(guī)則，輸出穩(wěn)定性評(píng)估結(jié)果的可信度。模型的投票閾值根據(jù)時(shí)間調(diào)整，使得難以分類的臨界樣本能及時(shí)輸出判別結(jié)果；

3) 針對(duì)樣本類別不平衡的問題，利用EasyEnsemble算法進(jìn)行數(shù)據(jù)采樣，借助集成策略彌補(bǔ)欠采樣的缺陷，充分利用樣本信息。

1 LSTM原理

電力系統(tǒng)的暫態(tài)過(guò)程中，系統(tǒng)的特征量具有明顯的時(shí)序特性。LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，能更好地處理時(shí)間序列數(shù)據(jù)，并且解決梯度消失和爆炸問題[21]，因此本文引入LSTM來(lái)解決TSA問題。

典型的LSTM單元可分為3個(gè)部分：遺忘門、輸入門和輸出門，如圖1所示。這3個(gè)門用于確定應(yīng)從時(shí)間序列中記住哪些信息。細(xì)胞狀態(tài)用于存儲(chǔ)相關(guān)信息。LSTM網(wǎng)絡(luò)通過(guò)開關(guān)3個(gè)門和細(xì)胞狀態(tài)來(lái)實(shí)現(xiàn)時(shí)間記憶，以克服梯度消失。

圖1 LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)

2 時(shí)間自適應(yīng)決策機(jī)制

2.1 暫態(tài)穩(wěn)定評(píng)估模型構(gòu)建

當(dāng)訓(xùn)練樣本中穩(wěn)定與不穩(wěn)定樣本數(shù)量的差別較大時(shí)，會(huì)造成模型的評(píng)估傾向性。由于模型在訓(xùn)練過(guò)程中，多數(shù)類樣本對(duì)模型參數(shù)的調(diào)節(jié)頻率要高于少數(shù)類樣本，導(dǎo)致模型對(duì)多數(shù)類樣本的擬合效果更優(yōu)。在現(xiàn)代電力系統(tǒng)中，穩(wěn)定樣本的數(shù)量遠(yuǎn)遠(yuǎn)多于不穩(wěn)定樣本，這會(huì)影響模型的實(shí)用性。

為了解決這一問題，本文采用了集成算法中的EasyEnsemble算法。該算法可以解決數(shù)據(jù)樣本極不平衡的問題，同時(shí)保留樣本的有效信息。此外集成學(xué)習(xí)將一組LSTM分類器并行訓(xùn)練，組合成一個(gè)強(qiáng)分類器，由此提高單個(gè)學(xué)習(xí)算法精度[22-23]。第個(gè)評(píng)估時(shí)刻的模型構(gòu)建過(guò)程如圖2所示。

2.2 多階段閾值評(píng)估規(guī)則

基于集成學(xué)習(xí)的投票思想，本文提出了一種多階段閾值評(píng)估規(guī)則，投票閾值根據(jù)評(píng)估時(shí)刻自適應(yīng)調(diào)整。將故障清除后的評(píng)估時(shí)刻分為4個(gè)階段，投票閾值如式(1)所示。早期評(píng)估時(shí)刻，有效的暫態(tài)評(píng)估信息較少，樣本預(yù)測(cè)結(jié)果的準(zhǔn)確率低，因此投票閾值設(shè)置在較高水平，以犧牲一定的漏判率來(lái)保證準(zhǔn)確率。然而，過(guò)高的閾值會(huì)使部分臨界樣本難以分類，導(dǎo)致評(píng)估時(shí)刻過(guò)長(zhǎng)。因此隨著每個(gè)子分類器的精度不斷提高，投票閾值逐漸放寬以滿足及時(shí)性的要求。

圖3 基于時(shí)間自適應(yīng)的TSA框架

3 暫態(tài)穩(wěn)定評(píng)估流程

本文所提的暫態(tài)穩(wěn)定評(píng)估方法可分為離線訓(xùn)練和在線預(yù)測(cè)2個(gè)階段，詳細(xì)流程如圖4所示。

3.1 離線訓(xùn)練

3.2 在線應(yīng)用

當(dāng)檢測(cè)到故障清除時(shí)，PMU的實(shí)時(shí)數(shù)據(jù)被發(fā)送到控制中心。將所需的特征量輸入評(píng)估模型，如果結(jié)果可信，則立即輸出穩(wěn)定性。反之，模型則需要等待下一個(gè)周期的特征。這個(gè)過(guò)程一直持續(xù)到最大評(píng)估時(shí)刻。

圖4 基于時(shí)間自適應(yīng)模型的暫態(tài)穩(wěn)定性評(píng)估過(guò)程

為了保持TSA模型在線應(yīng)用的高評(píng)估精度，引入了模型更新流程。當(dāng)系統(tǒng)出現(xiàn)不同的工況，且模型可以很好地預(yù)測(cè)新場(chǎng)景時(shí)，則將新場(chǎng)景保留在歷史數(shù)據(jù)集中。通過(guò)設(shè)定模型的更新周期，利用歷史數(shù)據(jù)對(duì)模型進(jìn)行周期性更新。當(dāng)新場(chǎng)景發(fā)生，且模型預(yù)測(cè)錯(cuò)誤時(shí)，則利用時(shí)域仿真法生成與新場(chǎng)景相似的樣本集立即更新模型。在模型更新時(shí)，可以通過(guò)遷移學(xué)習(xí)[25]、增量學(xué)習(xí)[26]等技術(shù)，提高模型更新效率和泛化能力。

3.3 評(píng)價(jià)指標(biāo)

4 算例分析

本文以IEEE 39節(jié)點(diǎn)系統(tǒng)作為測(cè)試系統(tǒng)，對(duì)所提方法的有效性進(jìn)行驗(yàn)證。系統(tǒng)負(fù)荷水平考慮80%～ 115%(以5%為變化步長(zhǎng))，故障類型均為永久性三相短路，故障位置分別位于線路的10%、50%、90%處。故障持續(xù)時(shí)間為100～300 ms，采樣頻率為60 Hz。在該系統(tǒng)上共生成19 800個(gè)樣本。從中抽取4840個(gè)穩(wěn)定樣本和3160個(gè)不穩(wěn)定樣本作為訓(xùn)練集；2420個(gè)穩(wěn)定樣本和1580個(gè)不穩(wěn)定樣本作為測(cè)試集。

4.1 模型參數(shù)選擇

為避免模型陷入過(guò)擬合或欠擬合，所有模型均已采用5折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)。本文方法的基分類器由1個(gè)LSTM層、2個(gè)全連接層和1個(gè)sigmoid輸出層組成。LSTM層有128個(gè)神經(jīng)元，2個(gè)全連接層分別有64個(gè)和1個(gè)神經(jīng)元。初始學(xué)習(xí)率設(shè)置為0.001，使用Adam優(yōu)化器進(jìn)行訓(xùn)練，最大訓(xùn)練次數(shù)為200次，批大小為256。

考慮到PMU的采樣頻率為60 Hz，將故障清除后的每個(gè)周期設(shè)置一個(gè)暫態(tài)穩(wěn)定評(píng)估時(shí)刻點(diǎn)。為了確保評(píng)估的準(zhǔn)確性，初始評(píng)估時(shí)刻點(diǎn)從第3個(gè)周期開始，將第10個(gè)周期設(shè)置為max。

對(duì)于本文模型而言，其性能會(huì)受到子分類器數(shù)量的影響。使用不同數(shù)量的子分類器進(jìn)行實(shí)驗(yàn)，子分類器數(shù)量從3～17范圍內(nèi)變化(以2為變化步長(zhǎng))，最終結(jié)果如圖5所示。當(dāng)子分類器的數(shù)量小于11個(gè)時(shí)，預(yù)測(cè)模型的性能隨著子分類器數(shù)量的增加而提高。當(dāng)子分類器的數(shù)量超過(guò)11個(gè)時(shí)，準(zhǔn)確度保持在一定水平，沒有明顯提升?？紤]到評(píng)估速度和模型復(fù)雜度，本文選擇11個(gè)子分類器進(jìn)行集成。在以上參數(shù)條件下，時(shí)間自適應(yīng)評(píng)估的詳細(xì)結(jié)果如表1所示。

圖5 不同數(shù)量的LSTM子分類器的結(jié)果

表1 本文模型評(píng)估結(jié)果

從表1可以看出，在第3個(gè)周期后，4000個(gè)樣本中只有248個(gè)不確定樣本。到第9個(gè)周期，只有1.55%的樣本未分類。仿真結(jié)果表明，大部分樣本在早期能夠及時(shí)得到正確評(píng)估。到第10個(gè)周期，模型輸出所有不確定樣本的結(jié)果，最終準(zhǔn)確率達(dá)到98.80%。該方法之所以能夠達(dá)到較高的精度，是因?yàn)槟Ｐ透鶕?jù)多級(jí)閾值評(píng)估規(guī)則輸出了可信的結(jié)果。

4.2 常見方法性能對(duì)比

在同一數(shù)據(jù)集上采用固定評(píng)估周期的方法(KNN、SVM、DT、SSAE和LSTM)與本文方法進(jìn)行比較。這些非時(shí)間自適應(yīng)模型采用故障清除后前10個(gè)周期的特征進(jìn)行訓(xùn)練。KNN的參數(shù)設(shè)置為5。利用歐氏距離函數(shù)計(jì)算待分類樣本與每個(gè)訓(xùn)練樣本之間的距離。SVM的核函數(shù)是徑向基函數(shù)，超參數(shù)=500，=0.1。DT采用CART算法。SSAE采用5層隱含層結(jié)構(gòu)，神經(jīng)元的數(shù)量分別為500、500、250、50、25。固定評(píng)估周期的LSTM模型的結(jié)構(gòu)與本文模型一致。不同方法的評(píng)估結(jié)果如表2所示。

表2 不同方法的評(píng)估結(jié)果

由于深度學(xué)習(xí)算法具有更好的數(shù)據(jù)挖掘能力和函數(shù)擬合能力，本文方法比基于淺層學(xué)習(xí)模型(KNN、SVM和DT)的方法更精確。與SSAE和LSTM(固定周期)兩種方法相比，本文方法能達(dá)到更好的評(píng)估準(zhǔn)確性。這是由于本文方法能及早篩選出遠(yuǎn)離穩(wěn)定邊界的樣本，關(guān)注臨界樣本的評(píng)估可信度，并且集成學(xué)習(xí)算法可以提高評(píng)估性能。同時(shí)本文方法的評(píng)估周期更短，能為應(yīng)急控制預(yù)留足夠的時(shí)間。

4.3 時(shí)間自適應(yīng)方法評(píng)估性能比較

為了驗(yàn)證本文方法在時(shí)間自適應(yīng)評(píng)估中的性能，將該方法與文獻(xiàn)[20]的基于代價(jià)敏感的組合模型(cost sensitive based combined model, CSCM)和文獻(xiàn)[18]的基于LSTM的暫態(tài)穩(wěn)定評(píng)估系統(tǒng)(lstm-based TSA system, TSAS)進(jìn)行了比較。將兩種比較方法的基本模型替換為L(zhǎng)STM，結(jié)構(gòu)和參數(shù)與本文模型相同。若CSCM的組合模型中兩個(gè)偏好相反的模型輸出一致，則此組合模型輸出評(píng)估結(jié)果。選擇代價(jià)敏感系數(shù)為30。TSAS中的置信度閾值控制時(shí)間自適應(yīng)評(píng)估系統(tǒng)的輸出，該閾值設(shè)置為0.01。3種方法的時(shí)間自適應(yīng)評(píng)估結(jié)果如圖6所示。

圖6 不同時(shí)間自適應(yīng)方法的評(píng)估結(jié)果

表3 時(shí)間自適應(yīng)評(píng)估模型的ART、訓(xùn)練時(shí)間和測(cè)試時(shí)間

4.4 考慮數(shù)據(jù)不平衡的模型性能評(píng)估

為了驗(yàn)證本文方法在處理數(shù)據(jù)不平衡方面的性能，將該方法與兩種時(shí)間自適應(yīng)方法[18,20]進(jìn)行比較。同時(shí)在TSAS的基礎(chǔ)上，結(jié)合其他處理數(shù)據(jù)不平衡的算法進(jìn)行暫態(tài)穩(wěn)定性評(píng)估。這些數(shù)據(jù)不平衡處理算法包括隨機(jī)欠采樣、自適應(yīng)合成采樣(adaptive synthetic sampling, ADASYN)[27]和合成少數(shù)類過(guò)采樣技術(shù)(synthetic minority oversampling technique, SMOTE)[28]。本次測(cè)試隨機(jī)選擇8000個(gè)樣本(6000個(gè)穩(wěn)定樣本，2000個(gè)不穩(wěn)定樣本)作為訓(xùn)練集，4000個(gè)樣本(2000個(gè)穩(wěn)定樣本，2000個(gè)不穩(wěn)定樣本)作為測(cè)試集。各個(gè)方法的評(píng)估結(jié)果如表4所示。

表4 數(shù)據(jù)不平衡的情況下不同方法的評(píng)估性能

CSCM和TSAS兩種時(shí)間自適應(yīng)評(píng)估方法由于沒有對(duì)數(shù)據(jù)不平衡進(jìn)行處理，誤判率較平衡情況下均增加。隨機(jī)欠采樣算法舍棄了部分穩(wěn)定樣本來(lái)保證兩類樣本的平衡。但該方法的樣本覆蓋量不夠，會(huì)丟失部分樣本信息。SMOTE和ADASYN屬于過(guò)采樣的方法，通過(guò)合成少數(shù)類樣本以平衡兩類樣本數(shù)量。但少數(shù)類集中有大量類似的數(shù)據(jù)，容易導(dǎo)致模型過(guò)擬合。因此，3種算法的不穩(wěn)定樣本誤判率均不能顯著降低。本文采用EasyEnsemble算法得到的訓(xùn)練子集是類別平衡的，訓(xùn)練出的模型子集沒有評(píng)估傾向性，且數(shù)據(jù)覆蓋率好，不需要丟失真實(shí)數(shù)據(jù)。修正后不穩(wěn)定樣本的預(yù)測(cè)錯(cuò)誤率和穩(wěn)定樣本的預(yù)測(cè)錯(cuò)誤率之比最接近1，具有最高的正確率。

從評(píng)估周期的角度看，本文方法在保證較高分類準(zhǔn)確率的同時(shí)，更早地給出可信的暫態(tài)穩(wěn)定評(píng)估結(jié)果。

5 結(jié)論

以電力系統(tǒng)暫態(tài)穩(wěn)定時(shí)序數(shù)據(jù)為基礎(chǔ)，本文提出了基于集成學(xué)習(xí)的時(shí)間自適應(yīng)電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法。時(shí)間自適應(yīng)框架由一組基于LSTM的集成分類器和多階段閾值評(píng)估規(guī)則構(gòu)成。在IEEE39節(jié)點(diǎn)系統(tǒng)上的仿真結(jié)果表明：1) 通過(guò)集成學(xué)習(xí)算法彌補(bǔ)了弱分類器的缺陷，建立了強(qiáng)分類器，相比于其他深度學(xué)習(xí)算法，具有更優(yōu)的評(píng)估性能。2) 提出的投票閾值隨時(shí)間自適應(yīng)變化，不確定樣本數(shù)隨時(shí)間推移逐漸下降。與其他時(shí)間自適應(yīng)評(píng)估方法相比，本文方法在更短的評(píng)估周期內(nèi)輸出高可信度的預(yù)測(cè)結(jié)果，有利于緊急控制措施的實(shí)施。3) 通過(guò)集成學(xué)習(xí)算法，對(duì)樣本均衡采樣，改善了樣本不平衡問題。其中代價(jià)高的不穩(wěn)定樣本的誤判率顯著降低，提高了模型的實(shí)用性。

當(dāng)系統(tǒng)運(yùn)行模式或拓?fù)浣Y(jié)構(gòu)發(fā)生重大變化時(shí)，快速更新訓(xùn)練后的模型是一個(gè)重要問題。因此，后續(xù)將圍繞遷移學(xué)習(xí)和增量學(xué)習(xí)展開。

[1] 周艷真, 查顯煜, 蘭健, 等. 基于數(shù)據(jù)增強(qiáng)和深度殘差網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)測(cè)[J]. 中國(guó)電力, 2020, 53(1): 22-31.

ZHOU Yanzhen, CHA Xianyu, LAN Jian, et al. Transient stability prediction of power systems based on deep residual network and data augmentation[J]. Electric Power, 2020, 53(1): 22-31.

[2] 劉俊, 孫惠文, 吳柳, 等. 電力系統(tǒng)暫態(tài)穩(wěn)定性評(píng)估綜述[J]. 智慧電力, 2019, 47(12): 44-53.

LIU Jun, SUN Huiwen, WU Liu, et al. Overview of transient stability assessment of power systems[J]. Smart Power, 2019, 47(12): 44-53.

[3] 常康, 徐泰山, 郁琛, 等. 自然災(zāi)害下電網(wǎng)運(yùn)行風(fēng)險(xiǎn)控制策略探討[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(10): 73-81.

CHANG Kang, XU Taishan, YU Chen, et al. Discussion of power system operation risk control strategy in natural disasters[J]. Power System Protection and Control, 2019, 47(10): 73-81.

[4] ZHAO Jinquan, ZHANG Yujie, ZHANG Pan, et al. Development of a WAMS based test platform for power system real time transient stability detection and control[J]. Protection and Control of Modern Power Systems, 2016, 1(1): 37-47.

[5] 劉林青, 葛云龍, 李夢(mèng)宇, 等. 基于量測(cè)數(shù)據(jù)和數(shù)據(jù)驅(qū)動(dòng)技術(shù)的配電變壓器狀態(tài)監(jiān)測(cè)與故障診斷[J]. 高壓電器, 2020, 56(9): 11-19.

LIU Linqing, GE Yunlong, LI Mengyu, et al. Condition monitoring and fault diagnosis of distribution transformer based on measurement data and data-driven technology[J]. High Voltage Apparatus, 2020, 56(9): 11-19.

[6] 李亮, 范瑾, 閆林, 等. 基于混合采樣和支持向量機(jī)的變壓器故障診斷[J]. 中國(guó)電力, 2021, 54(12): 150-155.

LI Liang, FAN Jin, YAN Lin, et al. Transformer fault diagnosis based on hybrid sampling and support vector machines[J]. Electric Power, 2021, 54(12): 150-155.

[7] 姜濤, 王長(zhǎng)江, 陳厚合, 等. 基于正則化投影孿生支持向量機(jī)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(1): 141-148.

JIANG Tao, WANG Changjiang, CHEN Houhe, et al. Transient stability assessment of power system based on projection twin support vector machine with regularization[J]. Automation of Electric Power Systems, 2019, 43(1): 141-148.

[8] HU Wei, LU Zongxiang, WU Shuang, et al. Real-time transient stability assessment in power system based on improved SVM[J]. Journal of Modern Power Systems and Clean Energy, 2019, 7(1): 26-37.

[9] 張曉英, 史冬雪, 張琎, 等. 基于CPSO-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電并網(wǎng)暫態(tài)電壓穩(wěn)定評(píng)估[J]. 智慧電力, 2021, 49(10): 38-44.

ZHANG Xiaoying, SHI Dongxue, ZHANG Jin, et al. Transient voltage stability assessment of power system integrated with wind power based on CPSO-BP neural network[J]. Smart Power, 2021, 49(10): 38-44.

[10] 魏文兵, 毛鈞毅, 榮娜, 等采用隨機(jī)矩陣與CNN的暫態(tài)電壓穩(wěn)定快速評(píng)估[J]. 電網(wǎng)與清潔能源, 2020, 36(11): 68-76.

WEI Wenbing, MAO Junyi, RONG Na, et al. Fast evaluation of transient voltage stability using random matrix and convolutional neural network[J]. Power System and Clean Energy, 2020, 36(11): 68-76.

[11] 朱利鵬, 陸超, 孫元章, 等. 基于數(shù)據(jù)挖掘的區(qū)域暫態(tài)電壓穩(wěn)定評(píng)估[J]. 電網(wǎng)技術(shù), 2015, 39(4): 1026-1032.

ZHU Lipeng, LU Chao, SUN Yuanzhang, et al. Data mining based regional transient voltage stability assessment[J]. Power System Technology, 2015, 39(4): 1026-1032.

[12] 陳振, 肖先勇, 李長(zhǎng)松, 等. 基于代價(jià)敏感極端學(xué)習(xí)機(jī)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法[J]. 電力自動(dòng)化設(shè)備, 2016, 36(2): 118-123.

CHEN Zhen, XIAO Xianyong, LI Changsong, et al. Power system transient stability assessment based on cost-sensitive extreme learning machine[J]. Electric Power Automation Equipment, 2016, 36(2): 118-123.

[13] 王懷遠(yuǎn), 陳啟凡. 基于堆疊變分自動(dòng)編碼器的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法[J]. 電力自動(dòng)化設(shè)備, 2019, 39(12): 134-139.

WANG Huaiyuan, CHEN Qifan. Transient stability assessment method of electric power systems based on stacked variational auto-encoder[J]. Electric Power Automation Equipment, 2019, 39(12): 134-139.

[14] 朱軼倫, 羅燁鋒, 高強(qiáng), 等. 基于LSTM的電力暫態(tài)穩(wěn)定在線評(píng)估及預(yù)測(cè)研究[J]. 電網(wǎng)與清潔能源, 2021, 37(3): 38-46.

ZHU Yilun, LUO Yefeng, GAO Qiang, et al. Research on online assessment and prediction of power system transient stability based on LSTM[J]. Power System and Clean Energy, 2021, 37(3): 38-46.

[15] 蔡國(guó)偉, 張啟蒙, 楊德友, 等. 基于改進(jìn)深度置信網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估研究[J]. 智慧電力, 2020, 48(3): 61-68.

CAI Guowei, ZHANG Qimeng, YANG Deyou, et al. Research on power system transient stability assessment based on improved deep belief network[J]. Smart Power, 2020, 48(3): 61-68.

[16] 田芳, 周孝信, 史東宇, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)防控制方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(18): 1-8.

TIAN Fang, ZHOU Xiaoxin, SHI Dongyu, et al. A preventive control method of power system transient stability based on a convolutional neural network[J]. Power System Protection and Control, 2020, 48(18): 1-8.

[17] 杜一星, 胡志堅(jiān), 李犇, 等. 基于雙向門控循環(huán)單元的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(20): 103-112.

DU Yixing, HU Zhijian, LI Ben, et al. Transient stability assessment of power system based on bi-directional gated recurrent unit[J]. Automation of Electric Power Systems, 2021, 45(20): 103-112.

[18] YU J Q, HILL D J, LAM A Y S, et al. Intelligent time-adaptive transient stability assessment system[J]. IEEE Transactions on Power Systems, 2018, 33(1): 1049-1058.

[19] 邵美陽(yáng), 吳俊勇, 李寶琴, 等. 基于兩階段集成深度置信網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估[J]. 電網(wǎng)技術(shù), 2020, 44(5): 1776-1787.

SHAO Meiyang, WU Junyong, LI Baoqin, et al. Transient stability assessment of power system based on two-stage ensemble deep belief network[J]. Power System Technology, 2020, 44(5): 1776-1787.

[20] CHEN Qifan, WANG Huaiyuan. Time-adaptive transient stability assessment based on gated recurrent unit[J]. International Journal of Electrical Power & Energy Systems, 2021, 133.

[21] 陳桂芳, 董秀成, 鄭永康, 等. 基于長(zhǎng)短期記憶網(wǎng)絡(luò)的繼電保護(hù)測(cè)試故障診斷研究[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(5): 65-73.

CHEN Guifang, DONG Xiucheng, ZHENG Yongkang, et al. Fault diagnosis of a relay protection test based on a long short-term memory network[J]. Power System Protection and Control, 2022, 50(5): 65-73.

[22] 葉遠(yuǎn)波, 黃太貴, 謝民, 等. 基于多模型融合集成學(xué)習(xí)的智能變電站二次設(shè)備狀態(tài)評(píng)估[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(12): 148-157.

YE Yuanbo, HUANG Taigui, XIE Min, et al. A state assessment method for intelligent substation secondary equipment based on multi-model ensemble learning[J]. Power System Protection and Control, 2021, 49(12): 148-157.

[23] 汪穎, 陳春林, 肖先勇. 電壓暫降源異質(zhì)堆疊集成學(xué)習(xí)識(shí)別法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(15): 1-8.

WANG Ying, CHEN Chunlin, XIAO Xianyong. Heterogeneous stacking integrated learning identification method for voltage sag sources[J]. Power System Protection and Control, 2021, 49(15): 1-8.

[24] 楊東升, 吉明佳, 周博文, 等. 基于雙生成器生成對(duì)抗網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估方法[J]. 電網(wǎng)技術(shù), 2021, 45(8): 2934-2945.

YANG Dongsheng, JI Mingjia, ZHOU Bowen, et al. Transient stability assessment of power system based on DGL-GAN[J]. Power System Technology, 2021, 45(8): 2934-2945.

[25] 楊為, 朱太云, 張國(guó)寶, 等. 電力物聯(lián)網(wǎng)下基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的GIS局部放電模式識(shí)別分類方法研究[J]. 高壓電器, 2020, 56(9): 20-25, 32.

YANG Wei, ZHU Taiyun, ZHANG Guobao, et al. Research on partial discharge pattern recognition and classification in GIS based on convolutional neural network and transfer learning in power internet of things[J]. High Voltage Apparatus, 2020, 56(9): 20-25, 32.

[26] 田園, 汪可友, 徐晉, 等. 電力系統(tǒng)參數(shù)空間暫態(tài)穩(wěn)定邊界構(gòu)建及在線快速更新方法[J]. 電力系統(tǒng)自動(dòng)化, 2021, 45(9): 89-97.

TIAN Yuan, WANG Keyou, XU Jin, et al. Construction and online fast update method for transient stability boundary in parameter space of power system[J]. Automation of Electric Power Systems, 2021, 45(9): 89-97.

[27] TAN Bendong, YANG Jun, TANG Yufei, et al. A deep imbalanced learning framework for transient stability assessment of power system[J]. IEEE Access, 2019, 7: 81759-81769.

[28] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence, 2002, 16: 321-357.

Transient stability assessment of power system with time-adaptive method based on ensemble learning

WU Sijie, WANG Huaiyuan

(Key Laboratory of New Energy Generation and Power Conversion (Fuzhou University), Fuzhou 350116, China)

For power system transient stability assessment, the characteristic differences of critical samples are not obvious in the early stage after fault clearance, and the prediction accuracy is low. Over time, the evaluation accuracy improves, while the timeliness of the evaluation is difficult to ensure. Aiming at the contradiction between the accuracy and timeliness of transient stability assessment, a time-adaptive transient stability assessment method of power system based on ensemble learning is proposed. First, the unbalanced data are sampled by the EasyEnsemble algorithm. Ensemble LSTM classifiers with different evaluation cycles are trained. Thus, the stability prediction results of samples in different evaluation cycles are output. Second, the evaluation moments are divided and multi-stage threshold classification rules are proposed. The threshold is adjusted adaptively to evaluate the reliability of the prediction results. Finally, the samples whose prediction results are evaluated as unreliable are handed over to the model of the next evaluation cycle for judgment until the reliability reaches the threshold. The simulation results in the IEEE39 bus system show that the proposed method has better performance than other time-adaptive methods; in the case of unbalanced samples, the method achieves a better correction effect.

deep learning; transient stability assessment; ensemble learning; time-adaptive assessment; imbalanced samples

10.19783/j.cnki.pspc.220282

國(guó)家自然科學(xué)基金項(xiàng)目資助(51707040)

This work is supported by the National Natural Science Foundation of China (No. 51707040).

2022-03-06；

2022-05-31

吳思婕(1997—)，女，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)在電力系統(tǒng)中的應(yīng)用；E-mail: 978336273@qq.com

王懷遠(yuǎn)(1987—)，男，通信作者，博士，副教授，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制。E-mail: 79749544@qq.com

(編輯 周金梅)