基于图卷积网络的电力系统暂态稳定评估与故障严重程度分级.docxVIP

PAGE2

基于图卷积网络的电力系统暂态稳定评估与故障严重程度分级

摘要

随着新能源高比例并网和电力电子设备广泛应用，电力系统暂态稳定问题日益突出，故障后快速、准确的稳定评估对保障电网安全运行至关重要。传统方法依赖时域仿真，计算量大且难以满足在线实时评估需求；基于浅层机器学习的评估方法又难以有效利用电网拓扑结构信息。本课题设计实现一套基于图卷积网络（GraphConvolutionalNetwork,GCN）的电力系统暂态稳定评估与故障严重程度分级系统，将电网拓扑与电气量嵌入图结构，利用GCN学习稳定边界，快速判断故障后稳定裕度，并实现分级预警。

论文遵循“需求分析—总体设计—详细设计—实现—测试”的工程思维展开。首先分析在线暂态稳定评估的功能与非功能需求，进而设计由数据预处理、图构建、GCN评估、分级预警及结果展示等模块组成的系统架构；详细设计部分给出样本生成、图结构构造、GCN模型训练与评估推理等关键流程；实现部分展示基于Python和PyTorchGeometric的开发成果；测试部分通过IEEE标准测试系统验证系统功能与性能。系统核心创新在于将电力系统拓扑直接建模为图数据，利用GCN的邻域聚合能力自动提取拓扑与电气量之间的深层关联，实现端到端的稳定评估与严重程度分级，为新一代在线安全预警系统提供了可行方案。

第一章绪论

1.1研究背景

现代电力系统是规模最