基于稳态特征量输入的大电网主导失稳机组辨识

虞景行; 黄济宇; 张勇军; 钟康骅

doi:10.7500/AEPS20231031007

您当前的位置：

首页 >

文章列表页 >

基于稳态特征量输入的大电网主导失稳机组辨识

学术研究 | 更新时间：2025-06-16

- 基于稳态特征量输入的大电网主导失稳机组辨识
- Identification of Leading Instable Generators for Large-scale Power Grid Based on Steady-state Characteristic Inputs
- 电力系统自动化 2024年48卷第13期页码：69-78
- 作者机构：
  
  1.华南理工大学电力学院，广东省广州市 510640
  2.华威大学统计学院，考文垂 CV4 7AL，英国
- 作者简介：
  
  虞景行(1999—)，男，硕士，主要研究方向：统计学习、人工智能应用。E-mail：535258447@qq.com
  黄济宇(1996—)，男，博士研究生，主要研究方向：人工智能在暂态稳定分析中的应用。E-mail：517145031@qq.com
  张勇军(1973—)，男，通信作者，博士，教授，博士生导师，主要研究方向：智能电网与能源互联网的规划、运行与控制等。E-mail：zhangjun@scut.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52077080);广东省重点领域研发计划资助项目(2021B0101230001)
- DOI：10.7500/AEPS20231031007
  中图分类号：
- 收稿：2023-10-31，
  
  修回：2023-12-25，
  
  网络出版：2024-04-11，
  
  纸质出版：2024-07-10
- 稿件说明：
移动端阅览
虞景行,黄济宇,张勇军等.基于稳态特征量输入的大电网主导失稳机组辨识[J].电力系统自动化,2024,48(13):69-78.

YU Jingxing,HUANG Jiyu,ZHANG Yongjun,et al.Identification of Leading Instable Generators for Large-scale Power Grid Based on Steady-state Characteristic Inputs[J].Automation of Electric Power Systems,2024,48(13):69-78.
虞景行,黄济宇,张勇军等.基于稳态特征量输入的大电网主导失稳机组辨识[J].电力系统自动化,2024,48(13):69-78. DOI： 10.7500/AEPS20231031007.

YU Jingxing,HUANG Jiyu,ZHANG Yongjun,et al.Identification of Leading Instable Generators for Large-scale Power Grid Based on Steady-state Characteristic Inputs[J].Automation of Electric Power Systems,2024,48(13):69-78. DOI： 10.7500/AEPS20231031007.

摘要

以稳态特征量为输入的数据驱动稳定评估模型在新型电力系统安全稳定研判中有重要的应用前景

但需要在模型设计中解决节点数量庞大和网络结构复杂带来的关键特征聚焦难题，并提供失稳模式等更为丰富的评估信息。因此，设计了一套基于稳态信息输入实现大电网主导失稳机群预测的深度学习稳定评估模型。首先，提出一种图和节点特征异构的动态池化降维模型，可伴随特征聚合过程，按节点特征相似性动态归并节点，实现大规模电网拓扑、节点数量和特征的并行降维。然后，提出一种单机扫描型主导失稳机组分类器模型，通过全局注意力聚合将全网机组的相对运动信息集成到每台发电机特征向量中，使主导失稳机组辨识模型在结构上可以应对发电机组数量变化，具有很好的泛化能力。最后，在实际大规模电网中进行模型验证，并可视化地分析了关键环节的作用效果和应用性能。

Abstract

The data-driven stability assessment model with the input of steady-state characteristics has an important application prospect in the safety and stability research and judgment of new power systems

but it needs to solve the problem of extracting key characteristics caused by the large number of nodes and complex network structure in the model design

and provide more abundant assessment information such as instability modes. Therefore

a set of deep learning stability assessment model based on steady-state information input is designed for prediction of the leading instable generators of large-scale power grid. Firstly

a dynamic pooling dimensionality reduction model of heterogeneous graphs and node characteristics is proposed

which can dynamically merge nodes according to the similarity of node characteristics during the characteristic aggregation process to achieve parallel dimensionality reduction of large-scale power grid topology

node number and characteristics. Secondly

a generator-specified classifier model for the leading instable generators is proposed. Through global attention aggregation

the relative motion information of generators of the whole network is integrated into each generator characteristic vector

so that the identification model of leading instable generators can cope with the number of generator in structure and has good generalization ability. Finally

the model is verified in the actual large-scale power grid

and the effect and application performance of the key links are visually analyzed.

关键词

Keywords

references

杨博，陈义军，姚伟，等 . 基于新一代人工智能技术的电力系统稳定评估与决策综述［J］. 电力系统自动化， 2022 ， 46 （ 22 ）： 200 - 223 .

YANG Bo ， CHEN Yijun ， YAO Wei ， et al . Review on stability assessment and decision for power systems based on new-generation artificial intelligence technology ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 22 ）： 200 - 223 .

REN C ， XU Y ， ZHANG R . An interpretable deep learning method for power system transient stability assessment via tree regularization ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 5 ）： 3359 - 3369 .

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 .

ZHANG T Q ， SUN M Y ， CREMER J L ， et al . A confidence-aware machine learning framework for dynamic security assessment ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 5 ）： 3907 - 3920 .

田芳，周孝信，史东宇，等 . 基于卷积神经网络综合模型和稳态特征量的电力系统暂态稳定评估［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4025 - 4032 .

TIAN Fang ， ZHOU Xiaoxin ， SHI Dongyu ， et al . Power system transient stability assessment based on comprehensive convolutional neural network model and steady-state features ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4025 - 4032 .

WU S ， ZHENG L ， HU W ， et al . Improved deep belief network and model interpretation method for power system transient stability assessment ［J］. Journal of Modern Power Systems and Clean Energy ， 2020 ， 8 （ 1 ）： 27 - 37 .

YAN R ， GENG G C ， JIANG Q Y ， et al . Fast transient stability batch assessment using cascaded convolutional neural networks ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 4 ）： 2802 - 2813 .

LI Y S ， GAO W ， YAN W H ， et al . Data-driven optimal control strategy for virtual synchronous generator via deep reinforcement learning approach ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 （ 4 ）： 919 - 929 .

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 .

杜一星，胡志坚，李犇，等 . 基于双向门控循环单元的电力系统暂态稳定评估［J］. 电力系统自动化， 2021 ， 45 （ 20 ）： 103 - 112 .

DU Yixing ， HU Zhijian ， LI Ben ， et al . Transient stability assessment of power system based on bi-directional gated recurrent unit ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 20 ）： 103 - 112 .

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 .

房佳姝，刘崇茹，苏晨博，等 . 基于自注意力Transformer编码器的多阶段电力系统暂态稳定评估方法［J］. 中国电机工程学报， 2023 ， 43 （ 15 ）： 5745 - 5758 .

FANG Jiashu ， LIU Chongru ， SU Chenbo ， et al . Multi-stage transient stability assessment of power system based on self-attention Transformer encoder ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 15 ）： 5745 - 5758 .

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 .

SHI Z T ， YAO W ， TANG Y ， et al . Bidirectional active transfer learning for adaptive power system stability assessment and dominant instability mode identification ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 6 ）： 5128 - 5142 .

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 .

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 .

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 .

HUANG J Y ， GUAN L ， SU Y S ， et al . System-scale-free transient contingency screening scheme based on steady-state information： a pooling-ensemble multi-graph learning approach ［J］. IEEE Transactions on Power Systems ， 2022 ， 37 （ 1 ）： 294 - 305 .

ZHANG R F ， YAO W ， SHI Z T ， et al . A graph attention networks-based model to distinguish the transient rotor angle instability and short-term voltage instability in power systems ［J］. International Journal of Electrical Power & Energy Systems ， 2022 ， 137 ： 107783 .

黄济宇，管霖，郭梦轩，等 . 图深度学习技术在智能暂态稳定评估中的应用及展望［J］. 电网技术， 2023 ， 47 （ 4 ）： 1500 - 1511 .

HUANG Jiyu ， GUAN Lin ， GUO Mengxuan ， et al . Application and prospect of graph deep learning technique in intelligent transient stability assessment ［J］. Power System Technology ， 2023 ， 47 （ 4 ）： 1500 - 1511 .

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 .

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 .

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 - 7607 .

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 - 7607 .

赵冬梅，谢家康，王闯，等 . 基于Bagging集成学习的电力系统暂态稳定在线评估［J］. 电力系统保护与控制， 2022 ， 50 （ 8 ）： 1 - 10 .

ZHAO Dongmei ， XIE Jiakang ， WANG Chuang ， et al . On-line transient stability assessment of a power system based on Bagging ensemble learning ［J］. Power System Protection and Control ， 2022 ， 50 （ 8 ）： 1 - 10 .

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 .

周子涵，卜广全，马士聪，等 . 基于特征分离型神经网络的电力系统暂态稳定性评估与优化方法［J］. 电网技术， 2021 ， 45 （ 9 ）： 3658 - 3666 .

ZHOU Zihan ， BU Guangquan ， MA Shicong ， et al . Assessment and optimization of power system transient stability based on feature-separated neural networks ［J］. Power System Technology ， 2021 ， 45 （ 9 ）： 3658 - 3666 .

DIEHL F ， BRUNNER T ， LE M T ， et al . Towards graph pooling by edge contraction ［C］// ICML 2019 Workshop on Learning and Reasoning with Graph-Structured Data ， June 9-15 ， 2019 ， Long Beach， USA .

GUPTA A ， GURRALA G ， SASTRY P S . An online power system stability monitoring system using convolutional neural networks ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 2 ）： 864 - 872 .

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 .

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

基于KAN的可解释净负荷概率预测方法

基于大语言模型的配电主站日志异常检测

基于改进时空图神经网络的高渗透率有源配电网故障定位

基于多尺度图注意力网络的电力系统暂态稳定评估