基于双向门控循环单元的电力系统暂态稳定评估.pdfVIP

第45 卷 第20 期 2021 年10 月25 日 Vol.45No.20 Oct.25，2021 DOI：10.7500/AEPS20210118001 基于双向门控循环单元的电力系统暂态稳定评估 杜一星，胡志坚，李 犇，陈锦鹏，翁菖宏 （武汉大学电气与自动化学院，湖北省武汉市 430072） 摘要：常规的机器学习模型应用于电力系统暂态稳定评估时对时间序列的整体感知能力较弱，难 以挖掘蕴藏在电气量响应轨迹中的动态信息，且对于临界样本预测结果的可靠性较低。针对上述 问题，提出了一种基于双向门控循环单元(BiGRU)的2阶段暂态稳定评估方法。该方法以受扰后 底层量测数据的动态轨迹作为输入，首先通过持续的动态评估筛选出可信样本，然后通过回归模型 预测不确定样本和可信稳定样本的故障严重度。文中通过向损失函数中引入截断函数和权重系数 对BiGRU分类器加以改进，强化了模型对困难样本和失稳样本的学习力度。在修改的新英格兰 10机39节点系统上的实验结果表明，所提方法在显著减少对失稳样本漏判的同时，提升了对稳定 样本的识别能力。 关键词：暂态稳定评估；深度学习；双向门控循环单元；时间序列；损失函数 0 引言 域，一般的评估模型难以对其作出精准的预测，易造 成漏报和误报，难以满足工程实际应用对可靠性的 近年来，基于同步相量测量单元（synchrophasor 要求。文献［8］通过引入加权投票机制，赋予失稳样 measurementunit，PMU）的广域量测系统（wide- 本更高的投票权值，进而提升模型对失稳样本的识 areameasurementsystem，WAMS）在各级电网中广 别率。但随着失稳样本权值的增大，在失稳样本漏 泛部署，调度中心可实时获取电网动态运行数据，为 报率降低的同时却伴随着稳定样本误报率的提高。 基于机器学习的暂态稳定评估方法提供了有力的数 文献［9］在轻梯度提升机中引入焦点损失函数，提高 据支撑。随着深度学习技术的飞速发展，研究者已 ［1］ 了重叠区域样本的误分类代价，同时有效降低了漏 将其引入暂态稳定评估领域并取得一定成效 ，涉 报和误报率，但基学习器的树形结构限制了模型对 及较多的模型有深度置信网络（deepbeliefnetwork， ［2-3］ 特征时序信息的进一步挖掘。文献［3］基于DBN模 DBN） 、卷积神经网络 （convolutional neural ［4-5］ 型的概率输出引入可信度指标，采用分层动态评估 network，CNN） 、堆叠自动编码器 （stacked ［6-7］ 的策略，逐层筛选出可信度高于阈值的样本以避免 autoencoder，SAE） 等。相较于浅层模型，深度学 误分类。但DBN缺乏对时间序列的整体感知能力， 习模型通过多层非线性变换，能够从底层输入渐进 底层电气量的响应轨迹数据需要经过二次转换以输 式提取高级抽象特征，克服了人工特征选择的主观 入模型，将加大通信延迟且具有较高的在线维护 性和片面性，具有更强的表示能力和泛化能力