基于主动迁移学习的电力系统暂态稳定自适应评估.pdfVIP

第 47 卷 第 4 期 2023 年 2 月 25 日 Vol . 47 No . 4 Feb . 25 ，2023 DOI ： 10. 7500/AEPS20220607006 基于主动迁移学习的电力系统暂态稳定自适应评估 李宝琴，吴俊勇，李栌苏，史法顺，赵鹏杰，王 燚 （北京交通大学电气工程学院，北京市 100044 ） 摘要 ：基于深度学习的暂态稳定评估模型通常需要大量的有标注样本用于离线训练。一旦电网的 运行方式和拓扑结构发生较大变化，预训练模型的性能将劣化甚至失效，使得在线评估时存在一定 的空窗期。为了解决这一问题，以深度置信网络（DBN ）为研究载体，将深度学习、迁移学习和主动 学习相结合，提出一种基于DBN 模型的主动迁移学习方法。首先，训练DBN 来挖掘输入特征和暂 态稳定评估结果间的映射关系，得到更好的暂态稳定评估效果。其次，当拓扑结构和运行方式发生 较大变化时，通过短期仿真生成大量的无标注样本，利用主动学习来筛选少量最富有信息的样本， 并通过长期仿真对这部分样本进行标注，显著减少了样本的生成时间。最后，计算源域和目标域数 据分布的最大均值差异，选择不同的迁移路径，在确保迁移效果的前提下进一步缩短了迁移时间。 采用新英格兰10 机39 节点系统、NPCC 48 机140 节点系统和中国华中电网进行了仿真，结果验证 了所提方法具有高精度、快速性和鲁棒性，有效缩短了深度学习模型在线应用时的空窗期。 关键词 ：深度学习；暂态稳定评估；迁移学习；主动学习；深度置信网络 0 引言 阶段TSA 方法。文献［13 ］提出了基于多任务学习 ［1 ］ 的TSA 模型，实现了功角稳定和电压稳定的同步评 在“双碳”目标 的引领下，大量的新型负荷接 ［2 ］ 估。文献［14 ］为了充分挖掘电力系统TSA 过程中 入电网，导致拓扑结构和运行方式频繁变化 ，对系 ［3 ］ 的时序数据，提出一种基于改进一维卷积神经网络 统的安全稳定运行构成了严峻的挑战 。 ［4 ］ ［5 ］ （convolutional neural network ，CNN ）的TSA 方法。 时域仿真法 和直接法 是传统的暂态稳定分 文献［15 ］借助长短期记忆（long short-term memory ， 析方法，但是随着电力系统规模和复杂度的急剧增 LSTM ）网络输出结果的时序特性，提出一种基于样 加，传统方法难以满足现阶段在线应用的需求。 本关注度与多层次特征的多阶段电力系统TSA 方 数据驱动的暂态稳定评估（transient stability 法。文献［16 ］引入数据空间可靠域的概念，采用多 assessment ， TSA ）方法通过离线挖掘测量数据和输 智能体互补模型进行TSA 。 出结果之间的映射关系，在线进行快速实时的 但是上述方法假设测试样本和训练样本独立同 TSA 。早期基于机器学习的TSA 方法多局限于浅 分布，一旦电力系统的拓扑结构和运行方式发生较 层学习 ，如支持向量机（support vector machine ， 大变化，该假设难以成立，导致预训练模型性能受到 ［6 ］