基于两阶段迁移学习的电力系统暂态稳定评估框架.pdfVIP

第46 卷 第17 期 2022 年9 月10 日 Vol.46No.17 Sept.10,2022 DOI：10.7500/AEPS20211207005 基于两阶段迁移学习的电力系统暂态稳定评估框架 1 2 1 2 2 2 李保罗 ，孙华东 ，张恒旭 ，高 磊 ，徐式蕴 ，黄彦浩 （1. 电网智能化调度与控制教育部重点实验室（山东大学），山东省济南市250061； 2. 中国电力科学研究院有限公司，北京市 100192） 摘要：为提高基于数据驱动的暂态稳定评估模型对电网的自适应性，将深度迁移学习引入更新过 程，提出一种基于两阶段迁移学习的暂态稳定评估框架。所提框架根据时间尺度分为2个阶段:在 第1阶段，利用深度子领域自适应网络挖掘无标注数据信息，将模型的评估性能快速提升到相对可 靠的水平,得到迁移模型，结合时域仿真法进行综合判稳，提高电网变化初期模型的可用性;在第2 阶段，利用迁移模型筛选高价值样本集，并结合样本迁移和微调技术进行二次更新，使评估性能恢 复到较高水平，降低更新时间成本。在IEEE 39节点系统和中国某省级电网模型上进行测试，结果 表明所提框架具有完备性，可使模型快速响应电网的变化。 关键词：暂态稳定；评估；深度迁移学习；数据驱动应 0 引言 图神经网络的评估性能会下降，需要及时更新。因 此，制定更新框架是必要的。为表述方便，将模型调 随着新能源渗透率不断升高，电力系统的运行 整期称为过渡期；将变化前和变化后的电力系统称 面临更复杂的动态现象，暂态扰动传播速度快、范围 ［1］ 为源域和目标域。 广，一旦发生失稳，系统会遭受严重影响 。因此， 更新框架的研究可分为2类：1）提高过渡期内 针对新型电力系统时变性强、复杂度高等难题，提高 模型的可用性；2）缩短过渡期。第1类研究采用短 暂态稳定评估（transientstabilityassessment，TSA） ［2］ 时间尺度仿真的无标注样本进行更新，如文献［10］ 方法的可靠性具有重要意义 。 利用迁移成分分析（transfercomponentanalysis， 数据驱动法被广泛应用于TSA的研究，并取得 ［3-5］ TCA）法对源域样本进行迁移，得到大量可用数据； 了良好的评估性能 。但这类研究假设训练数据 文献［11］采用样本迁移和特征迁移实现了小样本条 和测试数据服从独立同分布，一旦电网的运行方式 件下的快速更新。该类研究旨在短时间内将模型的 或拓扑结构发生较大变化，该假设难以成立，导致模 性能提升至可用水平，但已有研究采用的传统迁移 型的评估性能受到极大影响。针对此问题，部分研 学习技术难以满足更新过程中端到端（end-to-end， 究通过增强训练数据库或采用先进的建模技术来构 E2E）的需求。第2类研究采用长时间尺度仿真的 建通用的TSA模型。文献［6］定义重要线路集，将