Two-stage Transient Stability Prediction Method of Power System Considering Cost of Misdetection and False Alarm

Junyong WU; Ruoyu ZHANG; Jiashen JI; Baoqin LI

doi:10.7500/AEPS20200521003

您当前的位置：

首页 >

文章列表页 >

Two-stage Transient Stability Prediction Method of Power System Considering Cost of Misdetection and False Alarm

Basic Research | 更新时间：2025-06-16

- Two-stage Transient Stability Prediction Method of Power System Considering Cost of Misdetection and False Alarm
- Automation of Electric Power Systems Vol. 44, Issue 24, Pages: 44-52(2020)
- 作者机构：
  
  1.北京交通大学电气工程学院，北京市 100044
  2.中国长江三峡集团有限公司科学技术研究院，北京市 100038
- 作者简介：
- 基金信息：
  
  State Grid Corporation of China
- DOI：10.7500/AEPS20200521003
  CLC：
- Received：21 May 2020，
  
  Revised：2020-09-07，
  
  Published Online：30 October 2020，
  
  Published：25 December 2020
- 稿件说明：
移动端阅览
吴俊勇,张若愚,季佳伸等.计及漏判/误判代价的两阶段电力系统暂态稳定预测方法[J].电力系统自动化,2020,44(24):44-52.

WU Junyong,ZHANG Ruoyu,JI Jiashen,et al.Two-stage Transient Stability Prediction Method of Power System Considering Cost of Misdetection and False Alarm[J].Automation of Electric Power Systems,2020,44(24):44-52.
吴俊勇,张若愚,季佳伸等.计及漏判/误判代价的两阶段电力系统暂态稳定预测方法[J].电力系统自动化,2020,44(24):44-52. DOI： 10.7500/AEPS20200521003.

WU Junyong,ZHANG Ruoyu,JI Jiashen,et al.Two-stage Transient Stability Prediction Method of Power System Considering Cost of Misdetection and False Alarm[J].Automation of Electric Power Systems,2020,44(24):44-52. DOI： 10.7500/AEPS20200521003.

摘要

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象，使得该方法不易在工程实践中应用。为此，文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段，利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型，建立各层输出结果的可信度指标，将可信度阈值优化选择问题转化成多目标优化问题，最大限度地减少甚至消除漏判，并尽可能早地输出可信度高的样本；在第2阶段，对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略，尽可能减少误判所带来的实际损失。仿真算例分析表明，文中所提方法可以以最小代价最大限度地减少甚至消除漏判，以提高人工智能暂态稳定预测结果在工程上应用的可能性。

Abstract

There exist misdetection (misclassification of unstable samples into stable samples) and false alarm (misclassification of stable samples into unstable samples) by the transient stability prediction method based on artificial intelligence

which is a major obstacle to practical engineering applications. In response to this deficiency

this paper proposes a two-stage power system transient stability prediction method based on the convolutional neural network (CNN) considering the cost of misdetection and false alarm. At the first stage

the corresponding sliding time window input features are trained to obtain different layers of integrated CNN models

and the credibility index for each output layer is established. Then

the credibility threshold optimization selection problem is transformed into a multi-objective optimization problem. This stage could minimize or even eliminate the misdetection and output credible samples with high credibility as soon as possible. At the second stage

an emergency control start-up strategy based on multi-criteria fusion for the credible unstable samples predicted at the hierarchical prediction stage is proposed to reduce the actual loss caused by false alarm. The analysis of a simulation system shows that the proposed method can minimize or even eliminate the misdetection at the minimum cost

and promote the probability of practical engineering application of transient stability prediction results based on artificial intelligence method.

关键词

Keywords

references

李宝琴，吴俊勇，邵美阳，等 . 基于集成深度置信网络的精细化电力系统暂态稳定评估［J］. 电力系统自动化， 2020 ， 44 （ 6 ）： 17 - 28 .

LI Baoqin ， WU Junyong ， SHAO Meiyang ， et al . Refined transient stability evaluation for power system based on ensemble deep belief network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 6 ）： 17 - 28 .

朱乔木，陈金富，李弘毅，等 . 基于堆叠自动编码器的电力系统暂态稳定评估［J］. 中国电机工程学报， 2018 ， 38 （ 10 ）： 2937 - 2946 .

ZHU Qiaomu ， CHEN Jinfu ， LI Hongyi ， et al . Transient stability assessment based on stacked autoencoder ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 10 ）： 2937 - 2946 .

高昆仑，杨帅，刘思言，等 . 基于一维卷积神经网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 18 - 26 .

GAO Kunlun ， YANG Shuai ， LIU Siyan ， et al . Transient stability assessment for power system based on one-dimensional convolutional neural network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 18 - 26 .

李楠，李保罗，朱建华，等 . 计及样本不平衡与重叠的暂态稳定评估方法［J］. 电力系统自动化， 2020 ， 44 （ 21 ）： 77 - 85 .

LI Nan ， LI Baoluo ， ZHU Jianhua ， et al . Transient stability assessment method considering sample imbalance and overlapping ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 21 ）： 77 - 85 .

邵美阳，吴俊勇，李宝琴，等 . 基于两阶段集成深度置信网络的电力系统暂态稳定评估［J］. 电网技术， 2020 ， 44 （ 5 ）： 1776 - 1787 .

SHAO Meiyang ， WU Junyong ， LI Baoqin ， et al . Transient stability assessment of power system based on two-stage ensemble deep belief network ［J］. Power System Technology ， 2020 ， 44 （ 5 ）： 1776 - 1787 .

田芳，周孝信，史东宇，等 . 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4025 - 4032 .

TIAN Fang ， ZHOU Xiaoxin ， SHI Dongyu ， et al . Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4025 - 4032 .

ZHANG R Y ， WU J Y ， XU Y ， et al . A hierarchical self-adaptive method for post-disturbance transient stability assessment of power systems using an integrated CNN-based ensemble classifier ［J/OL］. Energies ， 2019 ， 12 （ 17 ）［ 2020-02-10 ］. https：//doi.org/10.3390/en12173217 https://doi.org/10.3390/en12173217 .

LI B Q ， WU J Y ， HAO L L ， et al . Anti-jitter and refined power system transient stability assessment based on long-short term memory network ［J］. IEEE Access ， 2020 ， 8 ： 35231 - 35244 .

ZHANG Y C ， XU Y ， DONG Z Y ， et al . Intelligent early warning of power system dynamic insecurity risk： toward optimal accuracy-earliness tradeoff ［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 5 ）： 2544 - 2554 .

汤奕，崔晗，李峰，等 . 人工智能在电力系统暂态问题中的应用综述［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 2 - 13 .

TANG Yi ， CUI Han ， LI Feng ， et al . Review on artificial intelligence in power system transient stability analysis ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 2 - 13 .

戴远航，陈磊，张玮灵，等 . 基于多支持向量机综合的电力系统暂态稳定评估［J］. 中国电机工程学报， 2016 ， 36 （ 5 ）： 1173 - 1180 .

DAI Yuanhang ， CHEN Lei ， ZHANG Weiling ， et al . Power system transient stability assessment based on multi-support vector machines ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 5 ）： 1173 - 1180 .

ZHOU Y Z ， WU J Y ， YU Z H ， et al . A hierarchical method for transient stability prediction of power systems using the confidence of a SVM-based ensemble classifier ［J/OL］. Energies ， 2016 ， 9 （ 10 ）［ 2020-02-10 ］. https：//doi.org/10.3390/en9100778 https://doi.org/10.3390/en9100778 .

王怀远，陈启凡 . 基于代价敏感堆叠变分自动编码器的暂态稳定评估方法［J］. 中国电机工程学报， 2020 ， 40 （ 7 ）： 2213 - 2220 .

WANG Huaiyuan ， CHEN Qifan . A transient stability assessment method based on cost-sensitive stacked variational auto-encoder ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 7 ）： 2213 - 2220 .

ZHANG R ， WONG K P ， XU Y ， et al . Post-disturbance transient stability assessment of power systems by a self-adaptive intelligent system ［J］. IET Generation ， Transmission & Distribution ， 2015 ， 9 （ 3 ）： 296 - 305 .

REN C ， XU Y ， ZHANG Y C . Post-disturbance transient stability assessment of power systems towards optimal accuracy-speed tradeoff ［J］. Protection and Control of Modern Power Systems ， 2018 ， 3 （ 1 ）： 1 - 10 .

YU J J Q ， HILL D J ， LAM A Y S ， et al . Intelligent time-adaptive transient stability assessment system ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 1 ）： 1049 - 1058 .

杨帅 . 基于深度学习的电力系统暂态稳定性评估［D］. 北京：华北电力大学， 2019 .

YANG Shuai . Power system transient stability assessment based on deep learning ［D］. Beijing ： North China Electric Power University ， 2019 .

孙黎霞，白景涛，周照宇，等 . 基于双向长短期记忆网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2020 ， 44 （ 13 ）： 64 - 72 .

SUN Lixia ， BAI Jingtao ， ZHOU Zhaoyu ， et al . Transient stability assessment of power system based on bi-directional long-short-term memory network ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 13 ）： 64 - 72 .

ZHOU Y Z ， GUO Q L ， SUN H B ， et al . A novel data-driven approach for transient stability prediction of power systems considering the operational variability ［J］. International Journal of Electrical Power & Energy Systems ， 2019 ， 107 ： 379 - 394 .

张若愚，吴俊勇，李宝琴，等 . 基于迁移学习的电力系统暂态稳定自适应预测［J］. 电网技术， 2020 ， 44 （ 6 ）： 2196 - 2205 .

ZHANG Ruoyu ， WU Junyong ， LI Baoqin ， et al . Self-adaptive power system transient stability prediction based on transfer learning ［J］. Power System Technology ， 2020 ， 44 （ 6 ）： 2196 - 2205 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review and Prospect of Explainable Artificial Intelligence and Its Application in Power Systems

Location of Sub-/Super-synchronous Oscillation Source for Direct-driven Wind Turbines Based on Deep Subdomain Adaptation

Theories, Methodologies and Applications of Probabilistic Forecasting for Power Systems with Renewable Energy Sources

Review on Application of New Generation Artificial Intelligence Technology in Power System Dispatching and Operation

Related Author

WANG Xiaojun

DOU Jiaming

LIU Zhao

LIU Changyu

PU Tianjiao

HE Jinghan

HAO Qi

LIU Chongru

Related Institution

China Electric Power Research Institute

State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University)

Department of Electrical Engineering, Tsinghua University

Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University)

State Key Laboratory of Power System and Generation Equipment (Tsinghua University)

⁰