基于海量在线历史数据与图卷积深度学习的大电网快速判稳方法引言.PDF

基于海量在线历史数据与图卷积深度学习的大电网快速判 稳方法 Haotian Cui Xianggen Liu, Yanhao Huang Cht15@ liuxg16@ hyhao@ Tsinghua University, Beijing 100084, China Department of Biomedical Engineering, School of Medicine, IDG/McGovern Institute for Brain Research Abstract ：The paper intends to model the stability of power system with a deep learning algorithm to the problem, aiming to delay the removal of the fault. The so -called fail-delay cut-off refers to the occurrence of N-1 backup protection action on the backbone network of the system, resulting in longer time for the removal of the fault. In practice, through the analysis and calculation of a large number of online data, we have found that the N-1 failure system of the main protection action will not be unstable, which is also a guarantee of the operation mode arrangement. In the case of the N-1 backup protection action, there is an approximately 2.5% probability that the system will be destabilized. Therefore, research is needed to improve the operating arrangement. 引言 ： 电力系统运行过程中的快速稳定判断，对系统的稳定运行，风险预警起到了至关重要的作用。 基于海量历史数据的快速判稳，是数据挖掘方法在电力系统中重要的应用场景。 目前，该领域国内外的相关研究大致按照一下技术路线：1）对电力系统仿真计算数据进行 清理；2）根据已有的电力系统知识选取表征系统运行特性和稳定性的特征量；3）对初筛的 特征量进行挑选和压缩；4）选用适当的机器学习算法进行判稳模型训练和测试。研究重点 主要集中在特征量筛选和学习算法改进方面。 面向实际大系统，这些成果主要存在以下不足： （1））选取的特征量通常包括静态和动态物理量，后者需要进行暂稳计算。为了与实际应用 相配合，暂稳计算一般设计成仅进行几步迭代以减少耗时，但依旧需要一定的硬件资源，工 程实现也较复杂； 2）工作的基础一般是小型(算例)系统，缺乏针对实际大系统海量在线历 史数据特点的模型和方法研究； 另一方面，近年来，以深度卷积网络为代表的深度学习[LeCun Y, Bengio Y, Hinton G. Deep learning[J]. nature, 2015, 521(7553): 436.]在数据挖掘和人工领域取得了长足发展。例如 2006 年 Geoffrey Hinton 提出深度置信网（Deep Belief Net ：DBN）[2]，Ruslan Salakhutdinov 提 出的深度波尔兹曼机（Deep Boltzmann Machine ：DBM）[34]。 2012 年，Hinton 在 ImageNet 竞赛上运用卷积神经网络（Convolutional Neural Networks）取得突破，首次提出卷积操作 在图像数据上提取特征的重要作用 [49] 。2015 年微软何凯明团队利用 152 层网络在 ImageNet 比赛上将错误率降低到 3.57%