基于多粒度NRS和改进Bi-LSTM的电力系统暂态稳定评估_.pdfVIP

第18卷第3期电气工程学报Vol.18No.3

2023年9月JOURNALOFELECTRICALENGINEERINGSep.2023

DOI：10.11985/2023.03.025

基于多粒度NRS和改进Bi-LSTM的电力系统

*

暂态稳定评估

李志兵肖健梅王锡淮

(上海海事大学电气自动化系上海201306)

摘要：当前基于数据驱动的深度学习算法在电力系统暂态分析领域被广泛应用，但是实际中电力系统测得的数据样本中暂态

失稳的情况较少并且对失稳样本的重视不足，导致分类模型的抗干扰性、泛化能力较弱，影响整个模型的评估性能。针对此

问题，提出一种基于多粒度邻域粗糙集和改进双向长短期记忆网络(IM-Bi-LSTM)的电力系统暂态稳定评估方法。首先采用邻

域粗糙集在不同粒度级别下寻找最优的约简子集，再利用Bi-LSTM神经网络完成对特征子集进行时序信息的提取，并且在

模型中引入注意力机制，对与失稳样本相关的特征增加更多的权重；通过焦点损失函数，引入权重系数调整模型训练的倾向

性，解决失稳样本与暂态稳定样本间的不平衡问题，提高模型的评估性能。在IEEE10机39节点系统上的试验结果表明，相

较于其他算法，所提方法的分类精度更好、结果更稳定。

关键词：电力系统；邻域粗糙集；双向长短期记忆网络；注意力机制；焦点损失；暂态稳定评估

中图分类号：TM712

TransientStabilityAssessmentofPowerSystemBasedon

Multi-granularityNeighborhoodRoughSetandImproved

Bi-directionalLong-short-termMemoryNetwork

LIZhibingXIAOJianmeiWANGXihuai

(DepartmentofElectricalAutomation,ShanghaiMaritimeUniversity,Shanghai201306)

Abstract：Atpresent,data-drivendeeplearningalgorithmiswidelyusedinthefieldofpowersystemtransientanalysis,butin

practice,therearefewtransientinstabilityinthemeasureddatasamplesofpowersystem,andinsufficientattentionispaidtothe

instabilitysamples,resultingintheweakanti-interferenceandgeneralizationabilityoftheclassificationmodel,whichaffectsthe

evaluationperformanceofthewholemodel.Tosolvethisproblem,apowersystemtransientstabilityassessmentmethodbasedon

multi-granularityneighborhoodroughsetandimprovedbi-directionallong-shor