融合多类型深度迁移学习的电力系统暂态稳定自适应评估.pdfVIP

第43卷第1期电力自动化设备Vol.43No.1

2023年1月ElectricPowerAutomationEquipmentJan.2023

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

1121133

李宝琴，吴俊勇，张若愚，强子玥，覃柳芸，王春明，董向明

（1.北京交通大学电气工程学院，北京100044；2.中国长江三峡集团有限公司科学技术研究院，北京100038；

3.国家电网公司华中分部，湖北武汉430077）

摘要：针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑

结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题，提出一种融合多类型深度迁移学习模

型（tmDLM）的自适应评估方法，该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的

深度学习模型。将训练好的各类深度学习模型作为源域模型，当运行方式或拓扑结构发生较大变化时，采用少

量目标域样本集微调预训练模型，使其快速跟踪系统当前的运行状态，并得到tmDLM。新英格兰10机39节点

系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势，具有良好的泛化能力；

六分类模型能够在判稳的同时进行稳定裕度／失稳程度等级的评估；经过迁移后的深度学习模型具有良好

的评估精度和时效性，大幅缩短了模型更新时间，实现了电力系统暂态稳定的自适应评估。

关键词：深度学习；集成学习；迁移学习；电力系统；暂态稳定

中图分类号：TM712文献标志码：ADOI：10.16081/j.epae.202206002

0引言系统TSA领域：文献［8］提出一种基于深度置信网络

（deepbeliefnetwork，DBN）的TSA方法，利用深层

研究表明，大停电事故的开端往往伴随着暂态

架构对系统特征与稳定结果之间的映射关系进行

稳定的破坏。现代电网规模的不断扩大、新能源接

训练；文献［9］提出一种基于一维卷积神经网络

入比例的不断提高，都对电力系统的安全稳定运行

［1⁃2］（convolutionalneuralnetwork，CNN）的TSA方法，该

提出了新的挑战。

方法直接面向底层测量数据，实现了端到端的“时序

现有的暂态稳定评估（transientstabilityassess⁃

［3］［4］特征提取+暂态稳定分类”；文献［10］为利用电力系

ment，TSA）方法主要有时域仿真法、直接法和机

［5⁃11］统的时序特征数据，基于长短期记忆网络（long

器学习法。时域仿真法是最成熟的TSA方法，其

short-termmemory，LSTM）算法提出一种基于滑动时

计算精度高，但其求解速度慢。直接法计算速度快，

间窗口的暂态稳定防抖动模型；文献［11］为降低主

但面对复杂电网时不易确定能量函数。与传统的

动学习过程中选择样本的冗余度，提出一种聚类自

TSA方法相比，机器学习法从模式识别的角度出发，

适应主动学习选择策略，加快了学习进程。虽