基于去噪扩散概率模型不平衡样本增强的暂态稳定评估

李雨婷; 刘俊; 刘嘉诚; 王光耀; 默天啸; 林凯威

doi:10.7500/AEPS20240415007

您当前的位置：

首页 >

文章列表页 >

基于去噪扩散概率模型不平衡样本增强的暂态稳定评估

研制与开发 | 更新时间：2025-06-16

- 基于去噪扩散概率模型不平衡样本增强的暂态稳定评估
- Transient Stability Assessment Based on Imbalanced Sample Enhancement of Denoising Diffusion Probabilistic Model
- 电力系统自动化 2024年48卷第21期页码：148-157
- 作者机构：
  
  西安交通大学电气工程学院，陕西省西安市 710049
- 作者简介：
  
  李雨婷(2000—)，女，硕士研究生，主要研究方向：电力系统暂态稳定性分析、人工智能在电力系统中的应用。E-mail：lyt1118@stu.xjtu.edu.cn
  刘俊(1982—)，男，通信作者，博士，教授，主要研究方向：电力系统运行分析和控制、电力系统稳定性、电力系统并行计算、可再生能源并网、高压直流输电和柔性交流输电系统技术等。E-mail：eeliujun@mail.xjtu.edu.cn
  刘嘉诚(1998—)，男，博士研究生，主要研究方向：电力系统暂态稳定性分析、新能源电力系统优化运行。E-mail：ljc9980227@stu.xjtu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2021YFB2400800)
- DOI：10.7500/AEPS20240415007
  中图分类号：
- 收稿：2024-04-15，
  
  修回：2024-07-24，
  
  网络出版：2024-09-05，
  
  纸质出版：2024-11-10
- 稿件说明：
移动端阅览
李雨婷,刘俊,刘嘉诚等.基于去噪扩散概率模型不平衡样本增强的暂态稳定评估[J].电力系统自动化,2024,48(21):148-157.

LI Yuting,LIU Jun,LIU Jiacheng,et al.Transient Stability Assessment Based on Imbalanced Sample Enhancement of Denoising Diffusion Probabilistic Model[J].Automation of Electric Power Systems,2024,48(21):148-157.
李雨婷,刘俊,刘嘉诚等.基于去噪扩散概率模型不平衡样本增强的暂态稳定评估[J].电力系统自动化,2024,48(21):148-157. DOI： 10.7500/AEPS20240415007.

LI Yuting,LIU Jun,LIU Jiacheng,et al.Transient Stability Assessment Based on Imbalanced Sample Enhancement of Denoising Diffusion Probabilistic Model[J].Automation of Electric Power Systems,2024,48(21):148-157. DOI： 10.7500/AEPS20240415007.

摘要

准确有效的电力系统暂态稳定评估对电力系统安全稳定运行具有重要意义。目前，基于深度学习的暂态稳定评估方法面临着时序特征空间表征困难、样本类别严重不平衡等问题，影响到评估结果的可信度。为了弥补现有研究的不足，提出了一种基于去噪扩散概率模型(DDPM)不平衡样本增强的电力系统暂态稳定评估方法。首先，构建改进HSV颜色模型对高维数据进行二维图像化处理，从而直观表征高维数据，便于后续训练；然后，基于DDPM算法对不平衡失稳样本空间进行表征学习，规模化生成概率同分布的增强样本，进而解决类别不平衡问题；最后，提出梯度加权类激活映射卷积神经网络以构建暂态稳定评估模型，提升模型的可信度与可解释性。IEEE 39节点系统测试的仿真结果表明，所构建的模型相较于其他方法具备更高的稳定性判别精度，且对失稳样本的识别率显著提高，验证了所提方法的有效性。

Abstract

The accurate and effective transient stability assessment for power systems is of great significance for the safe and stable operation of power systems. At present

transient stability assessment methods based on deep learning are faced with problems such as difficulty in time-series feature space representation and serious imbalance of sample categories

which affect the reliability of assessment results. In order to make up for the shortcomings of existing studies

a transient stability assessment method for power systems based on the imbalanced sample enhancement of denoising diffusion probabilistic model (DDPM) is proposed. First

an improved HSV colour model is constructed to process the high-dimensional data in two-dimensional image

so as to visually represent the high-dimensional data and facilitate subsequent training. Then

based on DDPM algorithm

the imbalanced unstable sample space is characterized and learned

and the enhanced samples with the same probability distribution are generated on a large scale to solve the category imbalance problem. Finally

a gradient-weighted class activation mapping convolutional neural network is proposed to construct a transient stability assessment model to improve the reliability and interpretability of the model. The simulation results of IEEE 39-bus system test show that compared with other methods

the proposed model has higher stability discrimination accuracy

and the recognition rate of unstable samples is significantly improved

which verify the effectiveness of the proposed method.

关键词

Keywords

references

耿华，何长军，刘浴霜，等 . 新能源电力系统的暂态同步稳定研究综述［J］. 高电压技术， 2022 ， 48 （ 9 ）： 3367 - 3383 .

GENG Hua ， HE Changjun ， LIU Yushuang ， et al . Overview on transient synchronization stability of renewable-rich power systems ［J］. High Voltage Engineering ， 2022 ， 48 （ 9 ）： 3367 - 3383 .

胡博，谢开贵，邵常政，等 . 双碳目标下新型电力系统风险评述：特征、指标及评估方法［J］. 电力系统自动化， 2023 ， 47 （ 5 ）： 1 - 15 .

HU Bo ， XIE Kaigui ， SHAO Changzheng ， et al . Commentary on risk of new power system under goals of carbon emission peak and carbon neutrality： characteristics， indices and assessment methods ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 5 ）： 1 - 15 .

刘俊，孙惠文，吴柳，等 . 电力系统暂态稳定性评估综述［J］. 智慧电力， 2019 ， 47 （ 12 ）： 44 - 53 .

LIU Jun ， SUN Huiwen ， WU Liu ， et al . Overview of transient stability assessment of power systems ［J］. Smart Power ， 2019 ， 47 （ 12 ）： 44 - 53 .

XIAO T N ， WANG J Q ， GAO Y F ， et al . Improved sparsity techniques for solving network equations in transient stability simulations ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 5 ）： 4878 - 4888 .

吕睿，薛禹胜，黄天罡，等 . 关于电力系统失稳判据病态研究的评述［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 169 - 178 .

LYU Rui ， XUE Yusheng ， HUANG Tiangang ， et al . Review on ill-condition research of power system instability criterion ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 169 - 178 .

HASSAN R ， LI C G ， LIU Y T . Online dynamic security assessment of wind integrated power system using SDAE with SVM ensemble boosting learner ［J］. International Journal of Electrical Power and Energy Systems ， 2021 ， 125 ： 106429 .

武宇翔，韩肖清，牛哲文，等 . 基于变权重随机森林的暂态稳定评估方法及其可解释性分析［J］. 电力系统自动化， 2023 ， 47 （ 14 ）： 93 - 104 .

WU Yuxiang ， HAN Xiaoqing ， NIU Zhewen ， et al . Transient stability assessment method based on variable weight random forest and its interpretability analysis ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 14 ）： 93 - 104 .

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 .

LI X ， YANG Z G ， GUO P F ， et al . An intelligent transient stability assessment framework with continual learning ability ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 12 ）： 8131 - 8141 .

CHEN Q F ， LIN N ， BU S Q ， et al . Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 3 ）： 2776 - 2790 .

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 - 2349 .

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 - 2349 .

谭本东，杨军，刘源，等 . 考虑数据缺失的电力系统暂态稳定自适应集成评估方法［J］. 电力系统自动化， 2021 ， 45 （ 23 ）： 68 - 75 .

TAN Bendong ， YANG Jun ， LIU Yuan ， et al . Adaptive integrated assessment method for transient stability of power system considering PMU data missing ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 23 ）： 68 - 75 .

HAMILTON R I ， PAPADOPOULOS P N ， BUKHSH W ， et al . Identification of important locational， physical and economic dimensions in power system transient stability margin estimation ［J］. IEEE Transactions on Sustainable Energy ， 2022 ， 13 （ 2 ）： 1135 - 1146 .

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 .

刘嘉诚，刘俊，李雨婷，等 . 基于两阶段信息压缩的电网动态轨迹预测与稳定性评估［J］. 电力系统自动化， 2023 ， 47 （ 20 ）： 13 - 22 .

LIU Jiacheng ， LIU Jun ， LI Yuting ， et al . Dynamic trajectory prediction and stability assessment for power grid based on two-stage information compression ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 20 ）： 13 - 22 .

高发骏，王怀远，党然 . 基于Transformer的暂态稳定评估模型的可解释性分析与模型更新研究［J］. 电力系统保护与控制， 2023 ， 51 （ 17 ）： 15 - 25 .

GAO Fajun ， WANG Huaiyuan ， DANG Ran . Interpretability analysis and model update research of a transient stability assessment model based on Transformer ［J］. Power System Protection and Control ， 2023 ， 51 （ 17 ）： 15 - 25 .

DU Y X ， HU Z J ， WANG F Z . A hierarchical power system transient stability assessment method considering sample imbalance ［J］. Energy Reports ， 2021 ， 7 ： 224 - 232 .

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 .

吴思婕，王怀远 . 基于集成学习的时间自适应电力系统暂态稳定评估方法［J］. 电力系统保护与控制， 2022 ， 50 （ 24 ）： 112 - 119 .

WU Sijie ， WANG Huaiyuan . Transient stability assessment of power system with time-adaptive method based on ensemble learning ［J］. Power System Protection and Control ， 2022 ， 50 （ 24 ）： 112 - 119 .

周生存，罗毅，易煊承，等 . 基于边界强化混合采样的两阶段电力系统暂态稳定评估［J］. 电力自动化设备， 2024 ， 44 （ 4 ）： 143 - 150 .

ZHOU Shengcun ， LUO Yi ， YI Xuancheng ， et al . Two-stage transient stability assessment of power system based on boundary enhanced hybrid sampling ［J］. Electric Power Automation Equipment ， 2024 ， 44 （ 4 ）： 143 - 150 .

HO J ， JAIN A ， ABBEEL P . Denoising diffusion probabilistic models ［J］. Advances in Neural Information Processing Systems ， 2020 ， 33 ： 6840 - 6851 .

SELVARAJU R R ， COGSWELL M ， DAS A ， et al . Grad-CAM： visual explanations from deep networks via gradient-based localization ［J］. International Journal of Computer Vision ， 2020 ， 128 （ 2 ）： 336 - 359 .

ZHANG R ， ISOLA P ， EFROS A A ， et al . The unreasonable effectiveness of deep features as a perceptual metric ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition ， June 18-23 ， 2018 ， Salt Lake City， USA .

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

样本不平衡情况下的电力系统暂态稳定集成评估方法

计及样本不平衡与重叠的暂态稳定评估方法

基于KAN的可解释净负荷概率预测方法