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

QIAN Beiqi; CHEN Qian; ZHANG Zhengwei; LIU Mingyang; WANG Suying; NIU Yinghao

doi:10.7500/AEPS20220921001

您当前的位置：

首页 >

文章列表页 >

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

Basic Research | 更新时间：2025-06-16

- Multi-task Transient Stability Assessment Based on Feature-level Fusion of Heterogeneous Data
- Automation of Electric Power Systems Vol. 47, Issue 9, Pages: 118-128(2023)
- 作者机构：
  
  1.河海大学能源与电气学院，江苏省南京市 211100
  2.国网河南省电力公司电力科学研究院，河南省郑州市 450052
- 作者简介：
- 基金信息：
- DOI：10.7500/AEPS20220921001
  CLC：
- Received：21 September 2022，
  
  Revised：2022-11-27，
  
  Published Online：16 February 2023，
  
  Published：10 May 2023
- 稿件说明：
移动端阅览
钱倍奇,陈谦,张政伟等.基于异构数据特征级融合的多任务暂态稳定评估[J].电力系统自动化,2023,47(9):118-128.

QIAN Beiqi,CHEN Qian,ZHANG Zhengwei,et al.Multi-task Transient Stability Assessment Based on Feature-level Fusion of Heterogeneous Data[J].Automation of Electric Power Systems,2023,47(9):118-128.
钱倍奇,陈谦,张政伟等.基于异构数据特征级融合的多任务暂态稳定评估[J].电力系统自动化,2023,47(9):118-128. DOI： 10.7500/AEPS20220921001.

QIAN Beiqi,CHEN Qian,ZHANG Zhengwei,et al.Multi-task Transient Stability Assessment Based on Feature-level Fusion of Heterogeneous Data[J].Automation of Electric Power Systems,2023,47(9):118-128. DOI： 10.7500/AEPS20220921001.

摘要

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面，异构数据常被忽略

且许多特征信息无法有效融合，为充分利用电力系统各类异构数据以提高模型的精确度和算法性能，提出了一种异构数据特征级融合的深度学习方法。首先，利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取；然后，采用张量融合方法对所提取特征进行特征级融合，并将展平的融合特征输入共享层，利用基于同方差不确定性的多任务学习方法，同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上，建立了暂态稳定评估模型，并对所提方法的性能进行了评估。最后，采用新英格兰10机39节点系统进行仿真、训练与验证，结果表明所提方法能有效提升评估的准确性与鲁棒性。

Abstract

Considering that the existing deep learning based transient stability assessment methods do not fully describe the input data of power systems

the heterogeneous data is often ignored

and lots of feature information is unable to be effectively fused. In order to make full use of the various kinds of heterogeneous data of the power system to improve the accuracy of the model and the performance of the algorithm

a deep learning method based on the feature-level fusion of heterogeneous data is proposed. Firstly

the multi-layer perceptron (MTL)

graph convolutional network (GCN)

and gated recurrent unit (GRU) are used to extract the features from static multivariable data

topological graph data

and time series multivariable data

respectively. Secondly

the method of tensor fusion is used to carry out the feature-level fusion of the extracted features. After the flattened fusion features are input into the shared layer

the transient stability discrimination and margin prediction are realized simultaneously by using the multi-task learning method based on the homoscedastic uncertainty. On this basis

a transient stability assessment model is established to evaluate the performance of the proposed method. Finally

the New England 10-machine 39-bus system is adopted for simulation

training and verification. The results show that the proposed method can effectively improve the assessment accuracy and robustness.

关键词

Keywords

references

薛禹胜，赖业宁 . 大能源思维与大数据思维的融合：（一）大数据与电力大数据［J］. 电力系统自动化， 2016 ， 40 （ 1 ）： 1 - 8 .

XUE Yusheng ， LAI Yening . Integration of macro energy thinking and big data thinking： Part one big data and power big data ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 1 ）： 1 - 8 .

刘晟源，林振智，李金城，等 . 电力系统态势感知技术研究综述与展望［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 229 - 239 .

LIU Shengyuan ， LIN Zhenzhi ， LI Jincheng ， et al . Review and prospect of situation awareness technologies of power system ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 229 - 239 .

SHI Z T ， YAO W ， ZENG L K ， et al . Convolutional neural network-based power system transient stability assessment and instability mode prediction ［J］. Applied Energy ， 2020 ， 263 ： 114586 .

郭志忠，朱文东，柳焯，等 . 电力系统暂态稳定的快速时域仿真判定法［J］. 电工技术学报， 1994 ， 9 （ 3 ）： 47 - 50 .

GUO Zhizhong ， ZHU Wendong ， LIU Zhuo ， et al . Fast judgement of power system transient stability by time domain simulation ［J］. Transactions of China Electrotechnical Society ， 1994 ， 9 （ 3 ）： 47 - 50 .

吴政球，荆勇 . 基于时域仿真的暂态稳定裕度灵敏度分析［J］. 中国电机工程学报， 2001 ， 21 （ 6 ）： 19 - 24 .

WU Zhengqiu ， JING Yong . Transient stability sensitivity based on time domain simulation ［J］. Proceedings of the CSEE ， 2001 ， 21 （ 6 ）： 19 - 24 .

BHUI P ， SENROY N . Real-time prediction and control of transient stability using transient energy function ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 2 ）： 923 - 934 .

周念成，廖建权，王强钢，等 . 深度学习在智能电网中的应用现状分析与展望［J］. 电力系统自动化， 2019 ， 43 （ 4 ）： 180 - 191 .

ZHOU Niancheng ， LIAO Jianquan ， WANG Qianggang ， et al . Analysis and prospect of deep learning application in smart grid ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 4 ）： 180 - 191 .

WANG H Y ， CHEN Q F ， ZHANG B H . Transient stability assessment combined model framework based on cost-sensitive method ［J］. IET Generation ， Transmission & Distribution， 2020 ， 14 （ 12 ）： 2256 - 2262 .

鞠平，周孝信，陈维江，等 . “智能电网+”研究综述［J］. 电力自动化设备， 2018 ， 38 （ 5 ）： 2 - 11 .

JU Ping ， ZHOU Xiaoxin ， CHEN Weijiang ， et al . “ Smart grid plus” research overview ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 5 ）： 2 - 11 .

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 .

AMRAEE T ， RANJBAR S . Transient instability prediction using decision tree technique ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 3 ）： 3028 - 3037 .

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 .

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 .

姚德全，贾宏杰，赵帅 . 基于复合神经网络的电力系统暂态稳定评估和裕度预测［J］. 电力系统自动化， 2013 ， 37 （ 20 ）： 41 - 46 .

YAO Dequan ， JIA Hongjie ， ZHAO Shuai . Power system transient stability assessment and stability margin prediction based on compound neural network ［J］. Automation of Electric Power Systems ， 2013 ， 37 （ 20 ）： 41 - 46 .

马骞，杨以涵，刘文颖，等 . 多输入特征融合的组合支持向量机电力系统暂态稳定评估［J］. 中国电机工程学报， 2005 ， 25 （ 6 ）： 17 - 23 .

MA Qian ， YANG Yihan ， LIU Wenying ， et al . Power system transient stability assessment with combined SVM method mixing multiple input features ［J］. Proceedings of the CSEE ， 2005 ， 25 （ 6 ）： 17 - 23 .

陈庆超，韩松，毛钧毅 . 采用多层次特征融合SPP-net的暂态稳定多任务预测［J］. 控制与决策， 2022 ， 37 （ 5 ）： 1279 - 1288 .

CHEN Qingchao ， HAN Song ， MAO Junyi . Multi-task prediction for transient stability using multi-level feature fusion based SPP-net ［J］. Control and Decision ， 2022 ， 37 （ 5 ）： 1279 - 1288 .

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 .

庄颖睿，肖谭南，程林，等 . 基于时空图卷积网络的电力系统暂态稳定评估［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 11 - 18 .

ZHUANG Yingrui ， XIAO Tannan ， CHENG Lin ， et al . Transient stability assessment of power system based on spatio-temporal graph convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 11 - 18 .

LECUN Y ， BENGIO Y ， HINTON G . Deep learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 .

JIA X ， GAVVES E ， FERNANDO B ， et al . Guiding the long-short term memory model for image caption generation ［C］// 2015 IEEE International Conference on Computer Vision ， December 7-13 ， 2016 ， Santiago， Chile ： 2407 - 2415 .

ZHANG Y ， YANG Q . An overview of multi-task learning ［J］. National Science Review ， 2017 ， 5 （ 1 ）： 30 - 43 .

CIPOLLA R ， GAL Y ， KENDALL A . Multi-task learning using uncertainty to weigh losses for scene geometry and semantics ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition ， June 18-23 ， 2018 ， Salt Lake City， USA ： 7482 - 7491 .

王红霞，王波，董旭柱，等 . 面向多源电力感知终端的异构多参量特征级融合：融合模式、融合框架与场景验证［J］. 电工技术学报， 2021 ， 36 （ 7 ）： 1314 - 1323 .

WANG Hongxia ， WANG Bo ， DONG Xuzhu ， et al . Heterogeneous multi-parameter feature-level fusion for multi-source power sensing terminals： fusion mode， fusion framework and application scenarios ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 7 ）： 1314 - 1323 .

ZADEH A ， CHEN M H ， PORIA S ， et al . Tensor fusion network for multimodal sentiment analysis ［C］// 2017 Conference on Empirical Methods in Natural Language Processing ， September 7-11 ， 2017 ， Copenhagen， Denmark .

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 .

ZHANG R ， XU Y ， DONG Z Y ， et al . Feature selection for intelligent stability assessment of power systems ［C］// 2012 IEEE Power and Energy Society General Meeting ， July 22-26 ， 2012 ， San Diego， USA ： 1 - 7 .

GISBRECHT A . Parametric nonlinear dimensionality reduction using kernel t-SNE ［J］. Neurocomputing ， 2015 ， 147 ： 71 - 82 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

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

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

Transient Stability Assessment of Power System Based on Bi-directional Gated Recurrent Unit

Related Author

FU Taiguoyi

DU Youtian

LYU Hao

LI Zonghan

LIU Jun

LI Baoqin

WU Junyong

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

School of Electrical Engineering, Beijing Jiaotong University

⁰