Self-adaptive Transient Stability Assessment of Power System Based on Improved Domain Adversarial Transfer Learning

SHEN Jinpeng; YANG Jun; LI Rui; ZHANG Jun; WANG Xiao; WANG Feiyue

doi:10.7500/AEPS20211120003

您当前的位置：

首页 >

文章列表页 >

Self-adaptive Transient Stability Assessment of Power System Based on Improved Domain Adversarial Transfer Learning

Basic Research | 更新时间：2025-06-16

- Self-adaptive Transient Stability Assessment of Power System Based on Improved Domain Adversarial Transfer Learning
- Automation of Electric Power Systems Vol. 46, Issue 23, Pages: 67-75(2022)
- 作者机构：
  
  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
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2018AAA0101502);State Grid Corporation of China
- DOI：10.7500/AEPS20211120003
  CLC：
- Received：20 November 2021，
  
  Revised：2022-05-16，
  
  Published Online：01 September 2022，
  
  Published：10 December 2022
- 稿件说明：
移动端阅览
申锦鹏,杨军,李蕊等.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[J].电力系统自动化,2022,46(23):67-75.

SHEN Jinpeng,YANG Jun,LI Rui,et al.Self-adaptive Transient Stability Assessment of Power System Based on Improved Domain Adversarial Transfer Learning[J].Automation of Electric Power Systems,2022,46(23):67-75.
申锦鹏,杨军,李蕊等.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[J].电力系统自动化,2022,46(23):67-75. DOI： 10.7500/AEPS20211120003.

SHEN Jinpeng,YANG Jun,LI Rui,et al.Self-adaptive Transient Stability Assessment of Power System Based on Improved Domain Adversarial Transfer Learning[J].Automation of Electric Power Systems,2022,46(23):67-75. DOI： 10.7500/AEPS20211120003.

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。

Abstract

For the data-driven power system transient stability assessment method

when the operation mode and topology of the power system is changing frequently

its application effect in the actual system is getting worse. To solve this problem

a self-adaptive transient stability assessment method based on the improved domain adversarial transfer learning is proposed. Based on the characteristics of the power system measurement data

a deep neural network is designed. After the operation scenario is changed

the gradient reversal layer is used to add the domain adversarial training mechanism to extract the common features between the source domain and the target domain

thus the distribution difference between the domains and the demand for training samples are reduced. At the same time

the knowledge of the source domain model is transferred

and the parameters of the feature extractor are updated synchronously to ensure the rapidity and accuracy of the model updating. The test results of the IEEE 39-bus system and the South Carolina 500-bus power grid in USA show that the proposed method can reduce the size of training samples in the target domain by reasonably transferring the original data and model

and has rapidity

versatility

and strong adaptability.

关键词

Keywords

references

周孝信，陈树勇，鲁宗相，等 . 能源转型中我国新一代电力系统的技术特征［J］. 中国电机工程学报， 2018 ， 38 （ 7 ）： 1893 - 1904 .

ZHOU Xiaoxin ， CHEN Shuyong ， LU Zongxiang ， et al . Technology features of the new generation power system in China ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 7 ）： 1893 - 1904 .

卢东昊，王莉，张少凡，等 . 基于聚类自适应主动学习的电力系统暂态稳定评估［J］. 电力自动化设备， 2021 ， 41 （ 7 ）： 176 - 181 .

LU Donghao ， WANG Li ， ZHANG Shaofan ， et al . Transient stability assessment of power system based on clustering adaptive active learning ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 7 ）： 176 - 181 .

赵晋泉，夏雪，徐春雷，等 . 新一代人工智能技术在电力系统调度运行中的应用评述［J］. 电力系统自动化， 2020 ， 44 （ 24 ）： 1 - 10 .

ZHAO Jinquan ， XIA Xue ， XU Chunlei ， et al . Review on application of new generation artificial intelligence technology in power system dispatching and operation ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 24 ）： 1 - 10 .

GUO T Y ， MILANOVIĆ J V . Online identification of power system dynamic signature using PMU measurements and data mining ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 3 ）： 1760 - 1768 .

WANG B ， FANG B W ， WANG Y J ， et al . Power system transient stability assessment based on big data and the core vector machine ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 5 ）： 2561 - 2570 .

李嘉敏，杨红英，闫莉萍，等 . 样本不平衡情况下的电力系统暂态稳定集成评估方法［J］. 电力系统自动化， 2021 ， 45 （ 10 ）： 34 - 41 .

LI Jiamin ， YANG Hongying ， YAN Liping ， et al . Integrated assessment method for transient stability of power system under sample imbalance ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 10 ）： 34 - 41 .

卢锦玲，郭鲁豫 . 基于改进深度残差收缩网络的电力系统暂态稳定评估［J］. 电工技术学报， 2021 ， 36 （ 11 ）： 2233 - 2244 .

LU Jinling ， GUO Luyu . Power system transient stability assessment based on improved deep residual shrinkage network ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 11 ）： 2233 - 2244 .

李宝琴，吴俊勇，强子玥，等 . 基于改进DCGAN的电力系统暂态稳定增强型自适应评估［J］. 电力系统自动化， 2022 ， 46 （ 2 ）： 73 - 82 .

LI Baoqin ， WU Junyong ， QIANG Ziyue ， et al . Enhanced adaptive assessment on transient stability of power system based on improved deep convolutional generative adversarial network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 2 ）： 73 - 82 .

周子涵，卜广全，马士聪，等 . 基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法［J］. 电网技术， 2021 ， 45 （ 9 ）： 3658 - 3667 .

ZHOU Zihan ， BU Guangquan ， MA Shicong ， et al . Assessment and optimization of power system transient stability based on feature-separated neural networks ［J］. Power System Technology ， 2021 ， 45 （ 9 ）： 3658 - 3667 .

REN C ， XU Y . Transfer learning-based power system online dynamic security assessment： using one model to assess many unlearned faults ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 1 ）： 821 - 824 .

汤奕，崔晗，党杰 . 基于继承思想的时变性电力系统暂态稳定预测［J］. 中国电机工程学报， 2021 ， 41 （ 15 ）： 5107 - 5119 .

TANG Yi ， CUI Han ， DANG Jie . Transient stability prediction of time-varying power systems based on inheritance ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 15 ）： 5107 - 5119 .

臧海祥，郭镜玮，黄蔓云，等 . 基于深度迁移学习的时变拓扑下电力系统状态估计［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 49 - 56 .

ZANG Haixiang ， GUO Jingwei ， HUANG Manyun ， et al . State estimation for power systems with time-varying topology based on deep transfer learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 49 - 56 .

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 .

LI Z Z ， HOIEM D . Learning without forgetting ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2018 ， 40 （ 12 ）： 2935 - 2947 .

PAN S J ， YANG Q . A survey on transfer learning ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2010 ， 22 （ 10 ）： 1345 - 1359 .

GANIN Y ， USTINOVA E ， AJAKAN H ， et al . Domain-adversarial training of neural networks ［J］. Journal of Machine Learning Research ， 2016 ， 17 ： 1 - 35 .

LIU X Z ， ZHANG X H ， CHEN L ， et al . Data-driven transient stability assessment model considering network topology changes via Mahalanobis kernel regression and ensemble learning ［J］. Journal of Modern Power Systems and Clean Energy ， 2020 ， 8 （ 6 ）： 1080 - 1091 .

李淼，雷鸣，周挺，等 . 基于深度森林的电力系统暂态稳定评估方法［J］. 电测与仪表， 2021 ， 58 （ 2 ）： 53 - 58 .

LI Miao ， LEI Ming ， ZHOU Ting ， et al . Transient stability assessment method for power system based on deep forest ［J］. Electrical Measurement & Instrumentation ， 2021 ， 58 （ 2 ）： 53 - 58 .

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 .

朱林，张健，陈达，等 . 面向暂态电压稳定评估的卷积神经网络输入特征构建方法［J］. 电力系统自动化， 2022 ， 46 （ 1 ）： 85 - 93 .

ZHU Lin ， ZHANG Jian ， CHEN Da ， et al . Construction method for input features of convolutional neural network for transient voltage stability assessment ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 1 ）： 85 - 93 .

ZHU L P ， LU C ， DONG Z Y ， et al . Imbalance learning machine-based power system short-term voltage stability assessment ［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 5 ）： 2533 - 2543 .

LI N ， LI B L ， HAN Y Q ， et al . Dual cost-sensitivity factors-based power system transient stability assessment ［J］. IET Generation ， Transmission & Distribution， 2020 ， 14 （ 24 ）： 5858 - 5869 .

陈剑，杜文娟，王海风 . 采用深度迁移学习定位含直驱风机次同步振荡源机组的方法［J］. 电工技术学报， 2021 ， 36 （ 1 ）： 179 - 190 .

CHEN Jian ， DU Wenjuan ， WANG Haifeng . A method of locating the power system subsynchronous oscillation source unit with grid-connected PMSG using deep transfer learning ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 1 ）： 179 - 190 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

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

Adaptive Assessment of Power System Transient Stability Based on Active Transfer Learning

Integrated Assessment Method for Transient Stability of Power System Under Sample Imbalance

Refined Transient Stability Evaluation for Power System Based on Ensemble Deep Belief Network

Related Author

Jinpeng SHEN

Jun YANG

Rui LI

Jun ZHANG

Xiao WANG

Feiyue WANG

HAO Qi

LIU Chongru

Related Institution

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

Department of Electrical Engineering, Tsinghua University

School of Electrical Engineering, Beijing Jiaotong University

School of Automation, Beijing Institute of Technology

China Electric Power Research Institute

⁰