基于双向长短期记忆网络的电力系统暂态稳定评估.pdfVIP

第44 卷 第13 期 2020 年7 月10 日 Vol.44No.13 Jul.10,2020 DOI：10.7500/AEPS20191225003 基于双向长短期记忆网络的电力系统暂态稳定评估 孙黎霞，白景涛，周照宇，赵晨昀 （河海大学能源与电气学院，江苏省南京市 211100） 摘要：为进一步提升电力系统暂态稳定评估的准确率，依据电力系统暂态过程数据的时序特性，建 立了一种基于双向长短期记忆（Bi-LSTM）网络的暂态稳定评估模型。该方法通过Bi-LSTM 网络 建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系，采用准确率、F1指标和FPR 指标综合评估Bi-LSTM 网络模型性能的优劣，在此基础上，采用t分布随机近邻嵌入（t-SNE）降维 方法和k最近邻（KNN）分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算 例表明：所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化 方法和网络预测分数对评估模型进行分析，结果表明Bi-LSTM 网络模型具有较强的电力系统暂态 过程特征提取能力，适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模 式和方法对暂态评估模型的影响，结果表明z-score归一化方法要优于min-max归一化方法，采用总 维数归一化模式的模型评估性能更好。 关键词：深度学习；长短期记忆网络；暂态稳定评估；归一化；t分布随机近邻嵌入；k最近邻 0 引言 已经可以自动提取原始数据的特征，从而避免了人 工提取特征的主观性。目前，已经有学者将深度学 快速、准确的电力系统暂态稳定评估对电力系 习应用在电力系统暂态稳定评估方面，涉及的深度 统的安全稳定运行至关重要。基于机器学习的电力 ［9-11］ 学习模型主要有深度置信网络 （deep belief 系统暂态稳定评估方法是给定足够的标注样本，通 network，DBN）、堆栈自动编码器［12-14］（stacked 过机器学习进行离线训练，建立输入数据与暂态稳 autoencoder，SAE）、卷 积 神 经 网 络［15-16］ 定性之间的映射模型，然后将该映射模型用于电力 （convolutionalneuralnetwork，CNN）等。这些模型 系统暂态稳定性评估的方法。该方法可以保证在线 ［1］ 直接面向原始数据，其特征提取能力的好坏直接决 评估的速度，具有很好的发展前景 。 定了该模型的评估性能的优劣。不同模型面对不同 基于机器学习的电力系统暂态稳定评估方面的 数据的特征提取能力不同，因此，需要结合输入数据 研究主要集中在算法的应用：传统机器学习算法和 的固有特征，选取合适的神经网络模型，以提高电力 深度学习算法。传统机器学习算法主要有：人工神 ［2］ ［3］ 系统暂态稳定性评估模型的性能。 经网络 （artificialneuralnetwork，ANN）、决策树 ［4］ 双向长短期记忆（bi-directionall