Transient Stability Assessment Framework of Power System Based on Two-stage Transfer Learning

Baoluo LI; Huadong SUN; Hengxu ZHANG; Lei GAO; Shiyun XU; Yanhao HUANG

doi:10.7500/AEPS20211207005

您当前的位置：

首页 >

文章列表页 >

Transient Stability Assessment Framework of Power System Based on Two-stage Transfer Learning

Basic Research | 更新时间：2025-06-16

- Transient Stability Assessment Framework of Power System Based on Two-stage Transfer Learning
- Automation of Electric Power Systems Vol. 46, Issue 17, Pages: 176-185(2022)
- 作者机构：
  
  1.电网智能化调度与控制教育部重点实验室(山东大学),山东省济南市 250061
  2.中国电力科学研究院有限公司,北京市 100192
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2021YFB2400800)
- DOI：10.7500/AEPS20211207005
  CLC：
- Received：07 December 2021，
  
  Revised：2022-03-31，
  
  Published Online：13 July 2022，
  
  Published：10 September 2022
- 稿件说明：
移动端阅览
李保罗,孙华东,张恒旭等.基于两阶段迁移学习的电力系统暂态稳定评估框架[J].电力系统自动化,2022,46(17):176-185.

LI Baoluo,SUN Huadong,ZHANG Hengxu,et al.Transient Stability Assessment Framework of Power System Based on Two-stage Transfer Learning[J].Automation of Electric Power Systems,2022,46(17):176-185.
李保罗,孙华东,张恒旭等.基于两阶段迁移学习的电力系统暂态稳定评估框架[J].电力系统自动化,2022,46(17):176-185. DOI： 10.7500/AEPS20211207005.

LI Baoluo,SUN Huadong,ZHANG Hengxu,et al.Transient Stability Assessment Framework of Power System Based on Two-stage Transfer Learning[J].Automation of Electric Power Systems,2022,46(17):176-185. DOI： 10.7500/AEPS20211207005.

摘要

为提高基于数据驱动的暂态稳定评估模型对电网的自适应性，将深度迁移学习引入更新过程，提出一种基于两阶段迁移学习的暂态稳定评估框架。所提框架根据时间尺度分为2个阶段:在第1阶段，利用深度子领域自适应网络挖掘无标注数据信息，将模型的评估性能快速提升到相对可靠的水平

得到迁移模型，结合时域仿真法进行综合判稳，提高电网变化初期模型的可用性;在第2阶段，利用迁移模型筛选高价值样本集，并结合样本迁移和微调技术进行二次更新，使评估性能恢复到较高水平，降低更新时间成本。在IEEE 39节点系统和中国某省级电网模型上进行测试，结果表明所提框架具有完备性，可使模型快速响应电网的变化。

Abstract

In order to improve the adaptability of the data-driven transient stability assessment model to the power grid

deep transfer learning is introduced into the updating process

and a transient stability assessment framework based on two-stage transfer learning is proposed. The proposed framework is divided into two stages according to the time scale. In the first stage

the deep subdomain adaptive network is used to mine unlabeled data information

and the evaluation performance of the model is rapidly improved to a relatively reliable level. The obtained transfer model is combined with the time domain simulation method for comprehensive stability judgment

which improves the usability of the model in the initial stage of power grid change. In the second stage

the transfer model is used to select the high-value sample set

and the second update is carried out by combining the sample transfer and fine-tuning technology to restore the evaluation performance to a higher level and reduce the updating time cost. The test results in the models of IEEE 39-bus system and a provincial power grid in China show that the proposed framework has completeness and can make the model quickly respond to the changes in the power grid.

关键词

Keywords

references

康重庆，姚良忠 . 高比例可再生能源电力系统的关键科学问题与理论研究框架［J］. 电力系统自动化， 2017 ， 41 （ 9 ）： 2 - 11 .

KANG Chongqing ， YAO Liangzhong . Key scientific issues and theoretical research framework for power systems with high proportion of renewable energy ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 9 ）： 2 - 11 .

易俊，卜广全，郭强，等 . 巴西“3·21”大停电事故分析及对中国电网的启示［J］. 电力系统自动化， 2019 ， 43 （ 2 ）： 1 - 6 .

YI Jun ， BU Guangquan ， GUO Qiang ， et al . Analysis on blackout in Brazilian power grid on March 21， 2018 and its enlightenment to power grid in China ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 2 ）： 1 - 6 .

ZHU L P ， HILL D J ， LU C . Hierarchical deep learning machine for power system online transient stability prediction ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 3 ）： 2399 - 2411 .

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 - 26 .

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 - 26 .

AN J ， YU J C ， LI Z H ， et al . A data-driven method for transient stability margin prediction based on security region ［J］. Journal of Modern Power Systems and Clean Energy ， 2020 ， 8 （ 6 ）： 1060 - 1069 .

LI N ， LI B L ， GAO L . Transient stability assessment of power system based on XGBoost and factorization machine ［J］. IEEE Access ， 8 ： 28403 - 28414 .

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 .

HUANG J Y ， GUAN L ， SU Y S ， et al . A topology adaptive high-speed transient stability assessment scheme based on multi-graph attention network with residual structure ［J］. International Journal of Electrical Power & Energy Systems ， 2021 ， 130 ： 106948 .

王铮澄，周艳真，郭庆来，等 . 考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估［J］. 中国电机工程学报， 2021 ， 41 （ 7 ）： 2341 - 2350 .

WANG Zhengcheng ， ZHOU Yanzhen ， GUO Qinglai ， et al . Transient stability assessment of power system considering topological change： a message passing neural network-based approach ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 7 ）： 2341 - 2350 .

赵冬梅，王闯，谢家康，等 . 考虑惯量中心频率偏移的自编码器暂态稳定评估［J］. 电网技术， 2022 ， 46 （ 2 ）： 662 - 670 .

ZHAO Dongmei ， WANG Chuang ， XIE Jiakang ， et al . Transient stability assessment of auto encoder considering frequency shift of inertia center ［J］. Power System Technology ， 2022 ， 46 （ 2 ）： 662 - 670 .

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 .

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 .

LI X ， YANG Z G ， GUO P F ， et al . An intelligent transient stability assessment framework with continual learning ability ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 12 ）： 8131 - 8141 .

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 .

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 .

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 .

JI L Y ， WU J Y ， ZHOU Y Z ， et al . Using trajectory clusters to define the most relevant features for transient stability prediction based on machine learning method ［J］. Energies ， 2016 ， 9 （ 11 ）： 898 .

冀鲁豫，吴俊勇，周艳真，等 . 基于WAMS受扰电压轨迹簇特征的电力系统暂态稳定性预测［J］. 高电压技术， 2015 ， 41 （ 3 ）： 807 - 814 .

JI Luyu ， WU Junyong ， ZHOU Yanzhen ， et al . Transient stability prediction of power system based on WAMS characteristic of perturbed voltage trajectory clusters ［J］. High Voltage Engineering ， 2015 ， 41 （ 3 ）： 807 - 814 .

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 ）： 64 - 71 .

LI Nan ， LI Baoluo ， ZHU Jianhua ， et al . Transient stability assessment method considering sample imbalance and overlap ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 21 ）： 64 - 71 .

ZHU Y C ， ZHUANG F Z ， WANG J D ， et al . Deep subdomain adaptation network for image classification ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2021 ， 32 （ 4 ）： 1713 - 1722 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Transient Stability Assessment of Power System with Renewable Energy Based on Network Energy Trajectory Feature Learning

Response-driven Assessment and Suppression Strategy for Transient Overvoltage at DC Sending End

Control Strategy for Electricity-Hydrogen Hybrid Energy Storage System Based on Distributed Model Predictive Control

Review on Research of Transient Synchronization Stability for Grid-connected System Based on Power-synchronization Grid-forming Converter

Related Author

LIU Hong

CAO Ruizhi

HAN Jun

CAI Chao

PAN Wenjie

LI Junkai

ZHANG Yuchi

CAI Guowei

Related Institution

Key Laboratory of the Ministry of Education on Smart Power Grids (Tianjin University)

State Grid Jiangsu Economic Research Institute

School of Electrical Engineering, Northeast Electric Power University

School of Electrical Engineering, Xi'an Jiaotong University

School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University

⁰