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

LI Baoqin; WU Junyong; LI Lusu; SHI Fashun; ZHAO Pengjie; WANG Yi

doi:10.7500/AEPS20220607006

您当前的位置：

首页 >

文章列表页 >

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

Application Research | 更新时间：2025-06-16

- Adaptive Assessment of Power System Transient Stability Based on Active Transfer Learning
- Automation of Electric Power Systems Vol. 47, Issue 4, Pages: 121-132(2023)
- 作者机构：
  
  北京交通大学电气工程学院，北京市 100044
- 作者简介：
- 基金信息：
  
  State Grid Corporation of China(SGLNDK00KJJS1800236)
- DOI：10.7500/AEPS20220607006
  CLC：
- Received：07 June 2022，
  
  Revised：2022-09-19，
  
  Published Online：24 November 2022，
  
  Published：25 February 2023
- 稿件说明：
移动端阅览
李宝琴,吴俊勇,李栌苏等.基于主动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,2023,47(4):121-132.

LI Baoqin,WU Junyong,LI Lusu,et al.Adaptive Assessment of Power System Transient Stability Based on Active Transfer Learning[J].Automation of Electric Power Systems,2023,47(4):121-132.
李宝琴,吴俊勇,李栌苏等.基于主动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,2023,47(4):121-132. DOI： 10.7500/AEPS20220607006.

LI Baoqin,WU Junyong,LI Lusu,et al.Adaptive Assessment of Power System Transient Stability Based on Active Transfer Learning[J].Automation of Electric Power Systems,2023,47(4):121-132. DOI： 10.7500/AEPS20220607006.

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。

Abstract

Transient stability assessment models based on deep learning usually require a large number of labeled samples for offline training. Once the topologies or operation conditions of power grids change greatly

the pre-trained model deteriorates in performance and even becomes ineffective

resulting in a certain blank window during the online assessment. In order to solve this problem

taking deep belief network (DBN) as the research carrier

this paper combines deep learning

transfer learning and active learning to propose an active transfer learning method based on DBN model. Firstly

DBN is trained to mine the mapping relationship between input features and transient stability assessment results

so as to obtain better effect for transient stability assessment. Secondly

when the topologies or operation conditions change substantially

a large number of unlabeled samples are generated through short-term simulation

and active learning is exploited to select the minimum number of samples with the most information. Then

these selected samples are labeled by long-term simulation

which effectively reduces the time of sample generation. Finally

the maximum mean discrepancy (MMD) of the data distribution between the source domain and the target domain is calculated to select different transfer paths. The transfer time is further shortened on the premise of ensuring the transfer effect. The simulations on New England 10-unit 39-bus system

NPCC 48-unit 140-bus system and central China power grid are carried out

and the results verify that the proposed method has high accuracy

rapidity and robustness

which effectively shortens the blank window period of online application of the deep learning model.

关键词

Keywords

references

阮前途，陈赟，潘智俊 . 新型电力系统对实现沿海城市双碳目标贡献的探讨［J］. 电力系统自动化， 2022 ， 46 （ 14 ）： 11 - 18 .

RUAN Qiantu ， CHEN Yun ， PAN Zhijun . Discussion on contributions of novel power system to achieving carbon emission peak and carbon neutrality of coastal city ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 14 ）： 11 - 18 .

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 .

李亚楼，张星，胡善华，等 . 含高比例电力电子装备电力系统安全稳定分析建模仿真技术［J］. 电力系统自动化， 2022 ， 46 （ 10 ）： 33 - 42 .

LI Yalou ， ZHANG Xing ， HU Shanhua ， et al . Modeling and simulation technology for stability analysis of power system with high proportion of power electronics ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 10 ）： 33 - 42 .

ZADKHAST S ， JATSKEVICH J ， VAAHEDI E . A multi-decomposition approach for accelerated time-domain simulation of transient stability problems ［J］. IEEE Transactions on Power Systems ， 2015 ， 30 （ 5 ）： 2301 - 2311 .

VU T L ， TURITSYN K . Lyapunov functions family approach to transient stability assessment ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 2 ）： 1269 - 1277 .

周艳真，吴俊勇，冀鲁豫，等 . 基于两阶段支持向量机的电力系统暂态稳定预测及预防控制［J］. 中国电机工程学报， 2018 ， 38 （ 1 ）： 137 - 147 .

ZHOU Yanzhen ， WU Junyong ， JI Luyu ， et al . Two-stage support vector machines for transient stability prediction and preventive control of power systems ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 1 ）： 137 - 147 .

WEHENKEL L ， PAVELLA M ， EUXIBIE E ， et al . Decision tree based transient stability method： a case study ［J］. IEEE Transactions on Power Systems ， 1994 ， 9 （ 1 ）： 459 - 469 .

KAMWA I ， SAMANTARAY S R ， JOOS G . Catastrophe predictors from ensemble decision-tree learning of wide-area severity indices ［J］. IEEE Transactions on Smart Grid ， 2010 ， 1 （ 2 ）： 144 - 158 .

章小强，管霖 . 基于蚁群优化算法和k阶近邻法的暂态稳定评估特征选择［J］. 广东电力， 2011 ， 24 （ 12 ）： 29 - 35 .

ZHANG Xiaoqiang ， GUAN Lin . Feature selection for transient stability assessment based on ACO and k-NN ［J］. Guangdong Electric Power ， 2011 ， 24 （ 12 ）： 29 - 35 .

朱乔木，党杰，陈金富，等 . 基于深度置信网络的电力系统暂态稳定评估方法［J］. 中国电机工程学报， 2018 ， 38 （ 3 ）： 735 - 743 .

ZHU Qiaomu ， DANG Jie ， CHEN Jinfu ， et al . A method for power system transient stability assessment based on deep belief networks ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 3 ）： 735 - 743 .

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 .

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 .

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 .

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 .

李福成，徐箭，廖思阳，等 . 基于样本关注度和多层次特征的多阶段电力系统暂态稳定评估［J］. 中国电机工程学报， 2021 ， 41 （ 22 ）： 7596 - 7608 .

LI Fucheng ， XU Jian ， LIAO Siyang ， et al . Multi-stage power system transient stability assessment based on sample attention and hierarchical features ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 22 ）： 7596 - 7608 .

周子涵，卜广全，王国政，等 . 基于数据空间可靠域的多智能体互补电力系统暂态稳定评估［J］. 中国电机工程学报， 2022 ， 42 （ 15 ）： 5471 - 5484 .

ZHOU Zihan ， BU Guangquan ， WANG Guozheng ， et al . Multi-agent complementary power system transient stability assessment based on data space reliability domain ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 15 ）： 5471 - 5484 .

GUO L ， LEI Y G ， XING S B ， et al . Deep convolutional transfer learning network： a new method for intelligent fault diagnosis of machines with unlabeled data ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 9 ）： 7316 - 7325 .

SHIN H C ， ROTH H R ， GAO M C ， et al . Deep convolutional neural networks for computer-aided detection： CNN architectures， dataset characteristics and transfer learning ［J］. IEEE Transactions on Medical Imaging ， 2016 ， 35 （ 5 ）： 1285 - 1298 .

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 .

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 .

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 .

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 .

HINTON G E ， SALAKHUTDINOV R R . Reducing the dimensionality of data with neural networks ［J］. Science ， 2006 ， 313 （ 5786 ）： 504 - 507 .

赵小强，宋昭漾 . Adam优化的CNN超分辨率重建［J］. 计算机科学与探索， 2019 ， 13 （ 5 ）： 858 - 865 .

ZHAO Xiaoqiang ， SONG Zhaoyang . Adam optimized CNN super-resolution reconstruction ［J］. Journal of Frontiers of Computer Science and Technology ， 2019 ， 13 （ 5 ）： 858 - 865 .

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

王毅星 . 基于深度学习和迁移学习的电力数据挖掘技术研究［D］. 杭州：浙江大学， 2019 .

WANG Yixing . Power data mining technology based on deep learning and transfer learning ［D］. Hangzhou ： Zhejiang University ， 2019 .

ZHU S Y ， CHEN B ， CHEN Z T ， et al . Asymptotically optimal one- and two-sample testing with kernels ［J］. IEEE Transactions on Information Theory ， 2021 ， 67 （ 4 ）： 2074 - 2092 .

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 .

COIFMAN R R ， WICKERHAUSER M V . Entropy-based algorithms for best basis selection ［J］. IEEE Transactions on Information Theory ， 1992 ， 38 （ 2 ）： 713 - 718 .

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 .

LIU X Z ， MIN Y ， CHEN L ， et al . Data-driven transient stability assessment based on kernel regression and distance metric learning ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 （ 1 ）： 27 - 36 .

刘友波，刘俊勇， TAYLOR Gareth ，等 . 面向同步相量轨迹簇规则的电力系统暂态稳定实时评估［J］. 中国电机工程学报， 2011 ， 31 （ 16 ）： 32 - 39 .

LIU Youbo ， LIU Junyong ， TAYLOR G ， et al . Rule-based combined algorithm for power system real-time transient stability assessment using synchronized phasor trajectory clusters ［J］. Proceedings of the CSEE ， 2011 ， 31 （ 16 ）： 32 - 39 .

周艳真，吴俊勇，于之虹，等 . 基于转子角轨迹簇特征的电力系统暂态稳定评估［J］. 电网技术， 2016 ， 40 （ 5 ）： 1482 - 1487 .

ZHOU Yanzhen ， WU Junyong ， YU Zhihong ， et al . Power system transient stability assessment based on cluster features of rotor angle trajectories ［J］. Power System Technology ， 2016 ， 40 （ 5 ）： 1482 - 1487 .

CHOW J H ， CHEUNG K W . A toolbox for power system dynamics and control engineering education and research ［J］. IEEE Transactions on Power Systems ， 1992 ， 7 （ 4 ）： 1559 - 1564 .

MAATEN L . Accelerating t-SNE using tree-based algorithms ［J］. IEEE Transactions on Industrial Informatics ， 2014 ， 15 （ 1 ）： 3221 - 3245 .

王斌，徐友平，党杰，等 . 华中电网动态稳定特性演化规律及防控体系构建［J］. 电网技术， 2021 ， 45 （ 8 ）： 3238 - 3246 .

WANG Bin ， XU Youping ， DANG Jie ， et al . Evolutional features and defense system construction of central China power grid dynamic stability ［J］. Power System Technology ， 2021 ， 45 （ 8 ）： 3238 - 3246 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

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

Transient Stability Assessment of Power Systems Based on Multi-scale Graph Attention Network

Multi-task Transient Stability Assessment Based on Feature-level Fusion of Heterogeneous Data

Related Author

LI Lusu

Baoqin LI

Junyong WU

Meiyang SHAO

Ruoyu ZHANG

Liangliang HAO

FU Taiguoyi

DU Youtian

Related Institution

School of Automation Science and Engineering, Xi’an Jiaotong University

National Key Laboratory of Grid Security (China Electric Power Research Institute)

School of Electrical Engineering, Xi’an Jiaotong University

School of Electrical Engineering, Xi'’an Jiaotong University

College of Energy and Electrical Engineering, Hohai University

⁰