Transient Stability Assessment of Power System Based on Temporal Convolution and Graph Attention Network

ZHANG Liang; AN Jun; ZHOU Yibo

doi:10.7500/AEPS20220106003

您当前的位置：

首页 >

文章列表页 >

Transient Stability Assessment of Power System Based on Temporal Convolution and Graph Attention Network

Basic Research | 更新时间：2025-06-16

- Transient Stability Assessment of Power System Based on Temporal Convolution and Graph Attention Network
- Automation of Electric Power Systems Vol. 47, Issue 7, Pages: 114-122(2023)
- 作者机构：
  
  现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林省吉林市 132012
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(51877034)
- DOI：10.7500/AEPS20220106003
  CLC：
- Received：06 January 2022，
  
  Revised：2022-05-29，
  
  Published Online：06 December 2022，
  
  Published：10 April 2023
- 稿件说明：
移动端阅览
张亮,安军,周毅博.基于时间卷积和图注意力网络的电力系统暂态稳定评估[J].电力系统自动化,2023,47(7):114-122.

ZHANG Liang,AN Jun,ZHOU Yibo.Transient Stability Assessment of Power System Based on Temporal Convolution and Graph Attention Network[J].Automation of Electric Power Systems,2023,47(7):114-122.
张亮,安军,周毅博.基于时间卷积和图注意力网络的电力系统暂态稳定评估[J].电力系统自动化,2023,47(7):114-122. DOI： 10.7500/AEPS20220106003.

ZHANG Liang,AN Jun,ZHOU Yibo.Transient Stability Assessment of Power System Based on Temporal Convolution and Graph Attention Network[J].Automation of Electric Power Systems,2023,47(7):114-122. DOI： 10.7500/AEPS20220106003.

摘要

准确、快速的暂态稳定评估对电网安全运行至关重要。但现有方法未充分挖掘电网暂态数据的时空特性信息，限制了模型的评估性能。文中提出了一种基于时间卷积网络(TCN)和图注意力网络(GAT)的暂态稳定评估方法。该方法仅以量测母线电压幅值和相角数据作为输入，凭借GAT可以处理图数据并建立电网拓扑连接关系的优点和TCN特有的因果空洞卷积运算特性，自动从暂态数据中提取出空间特征和时间特征，进而实现对系统暂态稳定性的准确评估。此外，采用改进的焦点损失函数作为模型训练目标，可以动态适应训练过程中模型对难易样本的判别界限且自适应处理样本不均衡问题，减少了对失稳样本错分类的现象，同时还提高了全局准确率。IEEE 39和IEEE 145节点系统仿真结果表明，所提方法在响应时间上具有优越性，并且在拓扑变化和数据存在噪声情况下都具有较强的泛化性和鲁棒性，满足在线评估的准确性与快速性要求。

Abstract

Accurate and fast transient stability assessment is very important for the safe operation of the power system. However

the existing methods do not fully exploit the spatial-temporal characteristics of the power grid transient data

which limits the assessment performance of the models. This paper proposes a transient stability assessment method based on a temporal convolution network (TCN) and graph attention network (GAT). This method only takes the measured bus voltage amplitude and phase-angle data as the input. With the advantage that GAT can process the diagram data and establish the power grid topology connection relationship and the unique causal null convolution operation characteristics of TCN

the spatial and temporal characteristics are automatically extracted to realize the accurate assessment of transient stability. In addition

the improved focus loss function is used as the model training target

which can dynamically adapt to the discriminant boundary of the difficult and easy samples in the training process and adaptively deal with the problem of sample imbalance

thus reducing the phenomenon of misclassification of unstable samples and improving the global accuracy. The simulation results of the IEEE 39-bus system and IEEE 145-bus system show that the proposed method is superior in response time

has strong generalization and robustness in the case of topological structure changes and data noise

and meets the accuracy and rapidity requirements of online transient stability assessment.

关键词

Keywords

references

HE M ， ZHANG J S ， VITTAL V . Robust online dynamic security assessment using adaptive ensemble decision-tree learning ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 4089 - 4098 .

LAGO J ， DE RIDDER F ， DE SCHUTTER B . Forecasting spot electricity prices： deep learning approaches and empirical comparison of traditional algorithms ［J］. Applied Energy ， 2018 ， 221 ： 386 - 405 .

GURUSINGHE D R ， RAJAPAKSE A D . Post-disturbance transient stability status prediction using synchrophasor measurements ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 5 ）： 3656 - 3664 .

姜涛，王长江，陈厚合，等 . 基于正则化投影孪生支持向量机的电力系统暂态稳定评估［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 141 - 148 .

JIANG Tao ， WANG Changjiang ， CHEN Houhe ， et al . Transient stability assessment of power system based on projection twin support vector machine with regularization ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 141 - 148 .

陈厚合，王长江，姜涛，等 . 基于投影能量函数和Pin-SVM的电力系统暂态稳定评估［J］. 电工技术学报， 2017 ， 32 （ 11 ）： 67 - 76 .

CHEN Houhe ， WANG Changjiang ， JIANG Tao ， et al . Transient stability assessment in bulk power grid using projection energy function and support vector machine with pinball loss ［J］. Transactions of China Electrotechnical Society ， 2017 ， 32 （ 11 ）： 67 - 76 .

SIDDIQUI S A ， VERMA K ， NIAZI K R ， et al . Real-time monitoring of post-fault scenario for determining generator coherency and transient stability through ANN ［J］. IEEE Transactions on Industry Applications ， 2018 ， 54 （ 1 ）： 685 - 692 .

王彤，刘九良，朱劭璇，等 . 基于随机森林的电力系统暂态稳定评估与紧急控制策略［J］. 电网技术， 2020 ， 44 （ 12 ）： 4694 - 4701 .

WANG Tong ， LIU Jiuliang ， ZHU Shaoxuan ， et al . Transient stability assessment and emergency control strategy based on random forest in power system ［J］. Power System Technology ， 2020 ， 44 （ 12 ）： 4694 - 4701 .

HOU K Y ， SHAO G H ， WANG H M ， et al . Research on practical power system stability analysis algorithm based on modified SVM ［J］. Protection and Control of Modern Power Systems ， 2018 ， 3 ： 11 .

SARAJCEV P ， KUNAC A ， PETROVIC G ， et al . Power system transient stability assessment using stacked autoencoder and voting ensemble ［J］. Energies ， 2021 ， 14 （ 11 ）： 3148 .

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 .

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 .

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 .

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 .

赵恺，石立宝 . 基于改进一维卷积神经网络的电力系统暂态稳定评估［J］. 电网技术， 2021 ， 45 （ 8 ）： 2945 - 2957 .

ZHAO Kai ， SHI Libao . Transient stability assessment of power system based on improved one-dimensional convolutional neural network ［J］. Power System Technology ， 2021 ， 45 （ 8 ）： 2945 - 2957 .

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 .

钟智，管霖，苏寅生，等 . 基于图注意力深度网络的电力系统暂态稳定评估［J］. 电网技术， 2021 ， 45 （ 6 ）： 2122 - 2130 .

ZHONG Zhi ， GUAN Lin ， SU Yinsheng ， et al . Power system transient stability assessment based on graph attention deep network ［J］. Power System Technology ， 2021 ， 45 （ 6 ）： 2122 - 2130 .

HUANG J Y ， GUAN L ， SU Y S ， et al . Recurrent graph convolutional network-based multi-task transient stability assessment framework in power system ［J］. IEEE Access ， 2020 ， 8 ： 93283 - 93296 .

孙黎霞，彭嘉杰，白景涛，等 . 结合图嵌入算法的电力系统多任务暂态稳定评估［J］. 电力系统自动化， 2022 ， 46 （ 2 ）： 83 - 91 .

SUN Lixia ， PENG Jiajie ， BAI Jingtao ， et al . Multi-task transient stability assessment of power system incorporating graph embedding algorithm ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 2 ）： 83 - 91 .

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 .

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 .

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 .

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 .

BAI S J ， KOLTER J Z ， KOLTUN V . An empirical evaluation of generic convolutional and recurrent networks for sequence modeling ［EB/OL］. ［ 2022-01-06 ］. https：//arxiv.org/abs/1803.01271 https://arxiv.org/abs/1803.01271 .

庞昊，高金峰，杜耀恒 . 基于时间卷积网络分位数回归的短期负荷概率密度预测方法［J］. 电网技术， 2020 ， 44 （ 4 ）： 1343 - 1350 .

PANG Hao ， GAO Jinfeng ， DU Yaoheng . A short-term load probability density prediction based on quantile regression of time convolution network ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1343 - 1350 .

赵振兵，李延旭，戚银城，等 . 基于动态焦点损失函数和样本平衡方法的绝缘子缺陷检测方法［J］. 电力自动化设备， 2020 ， 40 （ 10 ）： 205 - 211 .

ZHAO Zhenbing ， LI Yanxu ， QI Yincheng ， et al . Insulator defect detection method based on dynamic focus loss function and sample balance method ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 10 ）： 205 - 211 .

GOMEZ F R ， RAJAPAKSE A D ， ANNAKKAGE U D ， et al . Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements ［J］. IEEE Transactions on Power Systems ， 2011 ， 26 （ 3 ）： 1474 - 1483 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Probabilistic Prediction Method for Interpretable Net Load Based on Kolmogorov-Arnold Network

Log Abnormity Detection for Distribution Master Station Based on Large Language Models

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

Fault Location for Active Distribution Network with High Penetration Rate Based on Improved Spatio-Temporal Graph Neural Network

Related Author

ZHANG Liang

AN Jun

ZHOU Yibo

LIU Dong

GUO Guodong

XIN Shujun

MAO Zhihang

HUANG Jinju

Related Institution

School of Electrical Engineering, Northeast Electric Power University

State Grid Economic and Technological Research Institute Co., Ltd.

State Grid Corporation of China

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

School of Control and Computer Engineering, North China Electric Power University

⁰