基于时空图卷积网络的电力系统暂态稳定评估

庄颖睿; 肖谭南; 程林; 陈颖; 关慧哲

doi:10.7500/AEPS20210629014

您当前的位置：

首页 >

文章列表页 >

基于时空图卷积网络的电力系统暂态稳定评估

学术研究 | 更新时间：2025-06-16

- 基于时空图卷积网络的电力系统暂态稳定评估
- Transient Stability Assessment of Power System Based on Spatio-Temporal Graph Convolutional Network
- 电力系统自动化 2022年46卷第11期页码：11-18
- 作者机构：
  
  清华大学电机工程与应用电子技术系，北京市 100084
- 作者简介：
  
  庄颖睿(1999—)，男，博士研究生，主要研究方向：配电网规划与运行、配电网大数据应用等。E-mail：thuzyr17@163.com
  肖谭南(1991—)，男，博士后，主要研究方向：电力系统稳定分析与控制、高性能计算、人工智能。E-mail：ee_xiaoxh@foxmail.com
  程林(1973—)，男，博士，教授，博士生导师，主要研究方向：电力系统可靠性分析、配电网规划。E-mail：chenglin@mail.tsinghua.edu.cn
  陈颖(1979—），男，通信作者，博士，研究员，主要研究方向：并行计算与分布式计算、电磁暂态仿真、信息物理系统建模、信息物理安全。E-mail：chen_ying@mail.tsinghua.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52037006);中国博士后科学基金资助项目(2020TQ0160)
- DOI：10.7500/AEPS20210629014
  中图分类号：
- 收稿日期：2021-06-29，
  
  修回日期：2021-12-29，
  
  网络出版日期：2022-04-19，
  
  纸质出版日期：2022-06-10
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20210629014.

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. DOI： 10.7500/AEPS20210629014.

摘要

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强，作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题，提出了一种基于时空图卷积网络模型的暂态稳定分析方法，将短时仿真与神经网络预测相结合，减少暂态稳定分析所需时间，可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题，利用数据驱动方法训练神经网络模型，建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比，所提出的方法仅需进行短时间仿真分析，提高了分析效率。与其他机器学习模型相比，时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征，引入了更多与稳定性相关的先验知识，具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。

Abstract

Fast and accurate transient stability analysis of the power system is of great significance to the safe and stable operation of the power system. With the increasing complexity and diversity of equipment components in the modern power system

the nonlinear characteristics of the system are increasingly strengthened. As a traditional transient stability analysis method of the power system

the time-domain simulation is too time-consuming. To solve this problem

a transient stability analysis method based on the spatio-temporal graph convolutional network (STGCN) is proposed

which combines short-term simulation and neural network prediction to reduce the time required for transient stability analysis and can be applied in a variety of simulation analysis scenarios. By modeling the transient stability analysis as a sample space mapping problem with the proposed method

a data-driven method is adopted to train the neural network model and establish a mapping from the spatial structure and temporal power flow data of power grid in the transient process to the transient stability. The model simultaneously extracts the characteristics of the spatial structure and temporal power flow of power grid before

during

and after the failure in the transient process to realize the fast and accurate judgment of the transient stability of the system. Compared with the traditional transient stability analysis method

the proposed method only needs to complete a short-time simulation analysis

which improves the analysis efficiency. Compared with other machine learning models

the STGCN model simultaneously discovers the spatial and temporal characteristics of the transient process of the power system

introduces more prior knowledge about stability

and has better characteristic extracting ability and analysis performance. Test results based on the New England 39-bus system verify the feasibility

effectiveness and superiority of the proposed method.

关键词

Keywords

references

WU Z H ， PAN S R ， CHEN F W ， et al . A comprehensive survey on graph neural networks ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2021 ， 32 （ 1 ）： 4 - 24 .

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 .

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 .

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 .

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 .

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 .

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 .

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 .

TIAN F ， ZHANG X ， YU Z H ， et al . Online decision-making and control of power system stability based on super-real-time simulation ［J］. CSEE Journal of Power and Energy Systems ， 2016 ， 2 （ 1 ）： 95 - 103 .

XIAO T N ， ZOU Y ， XIA Y H ， et al . Design and tests of a super real-time simulation-based power system real-time decision-making emergency control system ［J］. IET Generation ， Transmission & Distribution， 2020 ， 14 （ 9 ）： 1714 - 1725 .

DAUPHIN Y N ， FAN A ， AULI M ， et al . Language modeling with gated convolutional networks ［EB/OL］. ［ 2021-04-20 ］. https：//arxiv.org/abs/1612.08083 https://arxiv.org/abs/1612.08083 .

WANG Z Y ， JI S W . Second-order pooling for graph neural networks ［J/OL］. IEEE Transactions on Pattern Analysis and Machine Intelligence ［ 2021-04-20 ］. https：//ieeexplore.ieee.org/document/9104936 https://ieeexplore.ieee.org/document/9104936 .

GORI M ， MONFARDINI G ， SCARSELLI F . A new model for learning in graph domains ［C］// Proceedings of 2005 IEEE International Joint Conference on Neural Networks ， July 31-August 4 ， 2005 ， Montreal， Canada ： 729 - 734 .

BRUNA J ， ZAREMBA W ， SZLAM A ， et al . Spectral networks and locally connected networks on graphs ［EB/OL］. ［ 2021-04-20 ］. https：//arxiv.org/abs/1312.6203 https://arxiv.org/abs/1312.6203 .

DEFFERRARD M ， BRESSON X ， VANDERGHEYNST P . Convolutional neural networks on graphs with fast localized spectral filtering ［EB/OL］. ［ 2021-04-20 ］. https：//arxiv.org/abs/1606.09375v2 https://arxiv.org/abs/1606.09375v2 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep residual learning for image recognition ［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 27-30 ， 2016 ， Las Vegas， USA ： 770 - 778 .

YU B ， YIN H T ， ZHU Z X . Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting ［EB/OL］. ［ 2021-04-20 ］. https：//arxiv.org/abs/1709.04875v4 https://arxiv.org/abs/1709.04875v4 .

XIAO T N ， TONG W L ， WANG J Q . A new fully parallel BBDF method in transient stability simulations ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 1 ）： 304 - 314 .

XIAO T ， CHEN Y ， WANG J ， et al . Exploration of AI-oriented power system transient stability simulations ［EB/OL］. ［ 2021-04-20 ］. http：//arxiv.org/abs/2110.00931 http://arxiv.org/abs/2110.00931 .

杨帅 . 基于深度学习的电力系统暂态稳定性评估［D］. 北京：华北电力大学， 2019 .

YANG Shuai . Power system transient stability assessment based on deep learning ［D］. Beijing ： North China Electric Power University ， 2019 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

电力系统关键技术进步与低碳转型的协同优化

不确定性环境下数据驱动的电力系统优化调度方法综述