基于改进域对抗迁移学习的电力系统暂态稳定自适应评估.pdfVIP

第46 卷 第23 期 2022 年12 月10 日 Vol.46No.23 Dec.10，2022 DOI：10.7500/AEPS20211120003 基于改进域对抗迁移学习的电力系统暂态稳定自适应评估 1 1 1 1 2 2 申锦鹏 ，杨 军 ，李 蕊 ，张 俊 ，王 晓 ，王飞跃 （1. 武汉大学电气与自动化学院，湖北省武汉市 430072； 2. 中国科学院自动化研究所复杂系统管理与控制国家重点实验室，北京市 100190） 摘要：在电力系统运行方式和拓扑结构频繁变化时，数据驱动的电力系统暂态稳定评估方法在实 际系统中的应用效果会变差。针对这一问题，提出了一种基于改进域对抗迁移学习的暂态稳定自 适应评估方法。根据电力系统量测数据的特点，设计了深度神经网络，并在运行场景改变后，利用 梯度翻转层引入域对抗训练机制，提取源域和目标域之间的公共特征，缩小域间分布差异，减少训 练样本需求。同时，同步迁移源域的模型知识并更新特征提取器参数，保证模型更新的快速性和准 确性。IEEE 39节点系统和美国南卡罗莱纳州500节点电网测试结果表明，通过合理迁移原始数据 以及模型，所提方法可减少目标域训练样本规模，具有快速性、通用性和较强的自适应性。 关键词：暂态稳定评估；迁移学习；域对抗神经网络；电力系统 ［8-9］ 0 引言 评估。目前，迁移学习方法主要分为样本迁移 、 ［1］ 特征迁移［10-11］和模型迁移［12-13］。文献［8］对源域和 随着新能源和电力电子设备大量接入 ，电力 目标域样本间的欧氏距离进行排序，根据样本相似 系统规模不断扩大，电网运行工况日益复杂，给电力 度选择迁移样本。文献［9］基于关键故障持续时间 系统暂态稳定评估（transientstabilityassessment， ［2］ 和关键故障位置选择迁移样本，将选取的源域样本 TSA）带来了新的挑战 。随着人工智能技术的发 和目标域少量样本融合起来训练模型，解决了新场 展 ，以及广域测量系统（wide area measurement 景下训练样本不足的问题。文献［10］基于迁移成分 system，WAMS）、同 步 相 量 测 量 单 元 分析（transfercomponentanalysis，TCA）算法，将源 （synchrophasormeasurementunit，PMU）的普及，基 域和目标域映射到相似度更高的再生核希尔伯特空 ［3］ 于数据驱动的稳定评估方法受到了广泛关注 。 间以减少其边缘概率分布的距离，使得对源域知识 目前，已提出多种基于数据驱动的暂态稳定评 的筛选更加精细。但该方法仍需经过特征提取、模 ［4］ 估算法 ，如决策树 、支持向量机（supportvector 型训练等步骤，更新过程复杂。文献［11］融合以上 ［5］ ［