基于長短期記憶神經(jīng)網(wǎng)絡(luò)的檢修態(tài)電網(wǎng)暫態(tài)穩(wěn)定評估方法

王步華 朱劭璇 熊浩清 謝 巖 李曉萌

基于長短期記憶神經(jīng)網(wǎng)絡(luò)的檢修態(tài)電網(wǎng)暫態(tài)穩(wěn)定評估方法

王步華1朱劭璇2熊浩清1謝 巖2李曉萌3

（1. 國網(wǎng)河南省電力公司，鄭州 450052； 2. 中國電力科學(xué)研究院有限公司，北京 100192； 3. 國網(wǎng)河南省電力公司電力科學(xué)研究院，鄭州 450052）

隨著電網(wǎng)規(guī)模不斷擴(kuò)大，電力元件持續(xù)增多，電力系統(tǒng)檢修方式日趨復(fù)雜，僅依靠傳統(tǒng)方法難以對海量檢修方式下電網(wǎng)的暫態(tài)穩(wěn)定風(fēng)險進(jìn)行評估。針對此問題，提出一種基于長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的檢修態(tài)電網(wǎng)暫態(tài)穩(wěn)定風(fēng)險評估方法。首先提出電力系統(tǒng)檢修方式的統(tǒng)一編碼方法，使計算機(jī)能夠快速、準(zhǔn)確識別電網(wǎng)在各種檢修方式下的運(yùn)行狀態(tài)，然后建立長短期記憶神經(jīng)網(wǎng)絡(luò)并基于大量檢修態(tài)電網(wǎng)故障樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終實現(xiàn)對不同檢修方式下電網(wǎng)暫態(tài)穩(wěn)定程度的準(zhǔn)確評估。最后，以華中地區(qū)某省級電網(wǎng)為算例，驗證了所提方法的準(zhǔn)確性。

電力系統(tǒng)；檢修方式；暫態(tài)穩(wěn)定；長短期記憶（LSTM）；神經(jīng)網(wǎng)絡(luò)

0 引言

電力系統(tǒng)檢修方案的制定關(guān)系到電網(wǎng)安全穩(wěn)定運(yùn)行和社會經(jīng)濟(jì)發(fā)展，歷來受到各國電網(wǎng)公司的高度關(guān)注。隨著特高壓交直流電網(wǎng)的快速發(fā)展，我國電力系統(tǒng)資源優(yōu)化配置能力顯著提高，交直流混聯(lián)運(yùn)行局面已經(jīng)形成[1-3]。電網(wǎng)規(guī)模的增大，在極大提高資源配置能力的同時，也造成電網(wǎng)檢修方案制定日趨復(fù)雜。當(dāng)電網(wǎng)處于不同檢修狀態(tài)時，電網(wǎng)全接線結(jié)構(gòu)破壞程度不同，導(dǎo)致故障后電網(wǎng)暫態(tài)穩(wěn)定不確定性增大。如何對海量檢修方式下電網(wǎng)的暫態(tài)穩(wěn)定程度進(jìn)行快速、準(zhǔn)確評估，進(jìn)而指導(dǎo)電力系統(tǒng)檢修方案的制定，是保證電網(wǎng)安全穩(wěn)定運(yùn)行亟待解決的問題。

目前，國內(nèi)外在電力系統(tǒng)暫態(tài)穩(wěn)定分析方面已經(jīng)進(jìn)行了大量研究，提出了很多各有優(yōu)勢的分析方法，主要可分為時域仿真法[4-7]和直接法[8-11]。其中，時域仿真法可以在暫態(tài)穩(wěn)定計算中考慮各個設(shè)備元件的詳細(xì)數(shù)學(xué)模型，計算結(jié)果準(zhǔn)確性高，因而在電網(wǎng)實際運(yùn)行分析中應(yīng)用最多。但時域仿真法計算量大，計算時間長，往往采取“離線計算，在線匹配”分析方式，而對于大電網(wǎng)，當(dāng)電網(wǎng)拓?fù)浣Y(jié)構(gòu)及潮流分布變化較大時，時域仿真的計算結(jié)果可能偏差較大甚至失效。直接法是基于前蘇聯(lián)學(xué)者李雅普諾夫提出的能量函數(shù)建立起來的一系列暫態(tài)穩(wěn)定分析方法，主要包括主導(dǎo)不穩(wěn)定平衡點(diǎn)法[12-13]、勢能界面法[14]及薛禹勝院士提出的擴(kuò)展等面積準(zhǔn)則（extended equal area criterion, EEAC）法[15-16]等。直接法克服了傳統(tǒng)時域仿真法計算時間長且無法給出系統(tǒng)穩(wěn)定裕度的固有缺點(diǎn)，但計算結(jié)果往往偏 保守。

隨著電網(wǎng)復(fù)雜程度增加及海量電力大數(shù)據(jù)融入，人工智能算法不依賴電網(wǎng)物理模型、善于挖掘數(shù)據(jù)規(guī)律的優(yōu)勢逐漸體現(xiàn)出來[17-19]。深度學(xué)習(xí)是近年來人工智能算法發(fā)展出的一條重要分支，其強(qiáng)大的非線性映射和特征提取能力得到了廣泛的應(yīng)用并且效果顯著[20-24]。目前，已有研究將深度學(xué)習(xí)技術(shù)應(yīng)用于電力系統(tǒng)暫態(tài)穩(wěn)定分析領(lǐng)域并取得了一定成果。文獻(xiàn)[25]將故障切除后發(fā)電機(jī)短時受擾軌跡作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，并引入系統(tǒng)受擾程度信息，提升了訓(xùn)練模型的泛化特性。文獻(xiàn)[26]提出一種基于兩階段遷移學(xué)習(xí)的暫態(tài)穩(wěn)定評估框架，第一階段利用深度自適應(yīng)網(wǎng)絡(luò)初步實現(xiàn)暫穩(wěn)評估，第二階段利用遷移模型篩選高價值樣本，提高了評估結(jié)果準(zhǔn)確度及算法泛化能力。文獻(xiàn)[27]通過提取發(fā)電機(jī)多電氣量的故障軌跡，利用卷積神經(jīng)網(wǎng)絡(luò)和深度對抗網(wǎng)絡(luò)對系統(tǒng)暫態(tài)穩(wěn)定進(jìn)行評估，可同時預(yù)測系統(tǒng)穩(wěn)定情況下的暫態(tài)穩(wěn)定程度，以及失穩(wěn)情況下的安控時間裕度。上述研究在針對某些特定運(yùn)行方式下電網(wǎng)的暫態(tài)穩(wěn)定評估方面取得了較好的效果，但當(dāng)電網(wǎng)處于不同檢修狀態(tài)，拓?fù)浣Y(jié)構(gòu)發(fā)生較大變化時，上述方法的適應(yīng)性和準(zhǔn)確性有待進(jìn)一步分析確認(rèn)。

基于上述背景，本文首先提出電力系統(tǒng)檢修方式的統(tǒng)一編碼方法，包括檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼和潮流數(shù)據(jù)編碼，使計算機(jī)能夠快速、準(zhǔn)確識別電網(wǎng)在各種檢修方式下的運(yùn)行狀態(tài)。然后基于長短期記憶（long short term memory, LSTM）神經(jīng)網(wǎng)絡(luò)給出檢修態(tài)電網(wǎng)暫態(tài)穩(wěn)定風(fēng)險的評估流程，包括建立重要故障集、制定暫態(tài)穩(wěn)定指標(biāo)函數(shù)及預(yù)測準(zhǔn)確度函數(shù)等。仿真算例表明，所提方法可以有效評估不同檢修運(yùn)行方式下電網(wǎng)的暫態(tài)穩(wěn)定風(fēng)險，預(yù)測準(zhǔn)確率可達(dá)96.50%，較傳統(tǒng)人工智能算法提升明顯。

1 檢修態(tài)電網(wǎng)運(yùn)行方式統(tǒng)一編碼方法

實際電力系統(tǒng)中線路、變壓器等設(shè)備數(shù)目龐大，當(dāng)不同數(shù)量設(shè)備進(jìn)行檢修時，其排列組合情況將是海量的，為使計算機(jī)能夠理解不同檢修方式下電網(wǎng)的拓?fù)浣Y(jié)構(gòu)和運(yùn)行狀態(tài)，需要制定檢修方式下電力系統(tǒng)的統(tǒng)一編碼方法。

1.1 檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼規(guī)則

假設(shè)待研究電網(wǎng)中包含個母線節(jié)點(diǎn)，條支路。首先對個母線節(jié)點(diǎn)進(jìn)行數(shù)字編號，然后利用不同母線節(jié)點(diǎn)之間連接的并聯(lián)線路數(shù)目，構(gòu)建網(wǎng)絡(luò)拓?fù)渚仃?，?/p>

式中：為支路編號；和為支路兩端母線編號；V為矩陣中第行第列對應(yīng)的元素；w為支路的并聯(lián)線路數(shù)，當(dāng)支路僅含1條線路時其值為1。

以圖1所示簡單系統(tǒng)為例，其網(wǎng)絡(luò)拓?fù)渚仃嚍?/p>

由矩陣定義可知其為對稱矩陣。

當(dāng)電網(wǎng)規(guī)模較大，母線節(jié)點(diǎn)數(shù)量較多時，若直接將矩陣作為人工智能算法的輸入數(shù)據(jù)，則會導(dǎo)致輸入數(shù)據(jù)維數(shù)過大，不利于人工智能算法的訓(xùn)練和學(xué)習(xí)。

圖1 電網(wǎng)網(wǎng)絡(luò)拓?fù)涫疽鈭D

當(dāng)電網(wǎng)中部分線路因檢修斷開時，只需調(diào)整中對應(yīng)元素，如圖1系統(tǒng)中母線1和2之間并聯(lián)線路中有一條因檢修斷開，則對應(yīng)元素值由2調(diào)整為1。

1.2 建立電網(wǎng)參數(shù)輸入向量I

為使人工智能算法能夠正確理解并區(qū)分不同檢修方式下電網(wǎng)的運(yùn)行方式，不僅需要提供電網(wǎng)拓?fù)浣Y(jié)構(gòu)數(shù)據(jù)，還需要母線節(jié)點(diǎn)的有功、無功功率，以及節(jié)點(diǎn)電壓幅值、相位等潮流數(shù)據(jù)進(jìn)行學(xué)習(xí)。如將上述變量全部作為人工智能算法的輸入數(shù)據(jù)進(jìn)行訓(xùn)練，會導(dǎo)致數(shù)據(jù)過于龐大，計算時間過長，甚至陷入維數(shù)災(zāi)難。因此，必須從以上變量中選擇部分作為輸入數(shù)據(jù)，以實現(xiàn)降低維度、提高訓(xùn)練效率的目的。

本文方法需要的電網(wǎng)潮流數(shù)據(jù)輸入向量包含兩部分：節(jié)點(diǎn)注入功率數(shù)據(jù)向量sb和節(jié)點(diǎn)電壓數(shù)據(jù)向量vb。

1）對節(jié)點(diǎn)注入功率數(shù)據(jù)向量sb，首先從電網(wǎng)全部母線節(jié)點(diǎn)中隨機(jī)挑選出sb個節(jié)點(diǎn)，比例系數(shù)為sb。

將所挑選母線節(jié)點(diǎn)的注入有功、無功功率按母線序號依次列入向量sb。

2）對節(jié)點(diǎn)電壓數(shù)據(jù)向量vb，同樣從電網(wǎng)全部母線節(jié)點(diǎn)中隨機(jī)挑選出vb個節(jié)點(diǎn)，比例系數(shù)為vb。

將所挑選母線節(jié)點(diǎn)的電壓幅值、相位按母線序號依次列入向量vb。

由上述向量sb、vb，結(jié)合電網(wǎng)拓?fù)浣Y(jié)構(gòu)向量，最終得到電網(wǎng)參數(shù)輸入向量為

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的暫態(tài)穩(wěn)定評估方法

2.1 LSTM方法原理

LSTM神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上進(jìn)行改進(jìn)得到的一種新的訓(xùn)練方法，其最大的優(yōu)點(diǎn)是通過增加記憶單元，使訓(xùn)練網(wǎng)絡(luò)具備了對訓(xùn)練數(shù)據(jù)記憶和傳承的能力，從而解決了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)無法學(xué)習(xí)到數(shù)據(jù)之間依賴關(guān)系的問題。

LSTM神經(jīng)網(wǎng)絡(luò)的內(nèi)部單元結(jié)構(gòu)如圖2所示，其主要特征是除傳統(tǒng)的輸入門和輸出門外還增加了一個遺忘門，負(fù)責(zé)控制先前學(xué)習(xí)記憶的傳遞。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部單元結(jié)構(gòu)

2.2 基于LSTM的暫態(tài)穩(wěn)定評估

為表征不同檢修運(yùn)行方式下電網(wǎng)暫態(tài)穩(wěn)定情況，制定暫態(tài)穩(wěn)定指標(biāo)函數(shù)為

重復(fù)上述步驟，最終形成電網(wǎng)暫態(tài)穩(wěn)定數(shù)據(jù)集為

根據(jù)數(shù)據(jù)集，按照上述方法形成輸入向量集。為提高訓(xùn)練性能，需對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即

隨機(jī)選取數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)作為訓(xùn)練集，剩余部分作為測試集，首先利用訓(xùn)練集數(shù)據(jù)對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過程中，可通過調(diào)節(jié)算法的網(wǎng)絡(luò)隱含單元個數(shù)、訓(xùn)練輪數(shù)、梯度閾值、初始學(xué)習(xí)率等參數(shù)使整體訓(xùn)練效果達(dá)到最優(yōu)。

式中：t為算法實際訓(xùn)練時長；kt為時間成本系數(shù)，取值范圍為(0, 10]，視調(diào)度運(yùn)行人員要求調(diào)整。

為綜合考慮算法預(yù)測準(zhǔn)確度、預(yù)測方差及訓(xùn)練時間等因素，提出一種算法綜合評價指標(biāo)，以實現(xiàn)對算法整體效果的綜合評價。

結(jié)合電網(wǎng)實際情況，分別計算預(yù)測準(zhǔn)確度、預(yù)測方差及訓(xùn)練時間成本，進(jìn)而得到算法綜合評價指標(biāo)判斷是否滿足電網(wǎng)實際要求，若滿足則說明LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功，否則應(yīng)調(diào)整輸入數(shù)據(jù)的比例系數(shù)sb、vb，直至綜合評價指標(biāo)達(dá)到實際要求。

方法整體流程如圖4所示。

圖4 方法整體流程

3 仿真算例

以華中地區(qū)某省級電網(wǎng)為例，該電網(wǎng)包含500kV節(jié)點(diǎn)69個，500kV輸電線路88條（其中雙回或多回線路均計為1條），電網(wǎng)裝機(jī)容量11 000萬kW，其中新能源裝機(jī)容量為3 400萬kW，新能源占比約為31%。算例訓(xùn)練所用計算機(jī)配置為Intel(R) Core(TM) i7—10710U CPU@1.10GHz 12核處理器。

首先，生成算例所需訓(xùn)練集和測試集。針對所選省級電網(wǎng)的具體情況，挑選電網(wǎng)中檢修時易發(fā)生暫態(tài)失穩(wěn)事故的14條線路作為重點(diǎn)線路。依次考慮重點(diǎn)線路（1～14）檢修，即開斷線路，利用計算機(jī)程序?qū)υ撌〖夒娋W(wǎng)內(nèi)的發(fā)電機(jī)、新能源及負(fù)荷功率進(jìn)行隨機(jī)調(diào)整，調(diào)整比例范圍設(shè)定為[0.5, 1.2]，剔除無法收斂的潮流數(shù)據(jù)，最終生成14×200=2 800組可收斂潮流數(shù)據(jù)。

然后，挑選電網(wǎng)中易發(fā)生暫態(tài)失穩(wěn)事故的500kV節(jié)點(diǎn)共10個，針對每組潮流數(shù)據(jù)，對上述節(jié)點(diǎn)分別進(jìn)行三永-2故障穩(wěn)定計算，得到機(jī)組角度差的最大值n。由于我國電網(wǎng)實際運(yùn)行中安全穩(wěn)定裕度較大，不易發(fā)生暫態(tài)失穩(wěn)事故，為避免電網(wǎng)失穩(wěn)樣本較少，本算例將故障持續(xù)時間c延長至0.15s，仿真總時長s設(shè)為5s。通過以上計算，得到數(shù)據(jù)樣本共14×200=2 800組，隨機(jī)選取1 400組數(shù)據(jù)作為訓(xùn)練集，剩余1 400組為測試集。

3.1 輸入數(shù)據(jù)不包含拓?fù)浣Y(jié)構(gòu)編碼

首先測試未將電網(wǎng)拓?fù)浣Y(jié)構(gòu)作為輸入數(shù)據(jù)時，本方法對不同檢修方式下電網(wǎng)暫態(tài)穩(wěn)定風(fēng)險的預(yù)測準(zhǔn)確度。此時，LSTM神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集中不包含電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼，僅包含節(jié)點(diǎn)注入功率數(shù)據(jù)和節(jié)點(diǎn)電壓數(shù)據(jù)，比例系數(shù)sb和vb均設(shè)定為1。

建立LSTM神經(jīng)網(wǎng)絡(luò)并利用訓(xùn)練集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定網(wǎng)絡(luò)隱含單元個數(shù)為96×3，訓(xùn)練輪數(shù)為100輪，梯度閾值設(shè)置為1。指定初始學(xué)習(xí)率0.005，在50輪訓(xùn)練后通過乘以因子0.2來降低學(xué)習(xí)率。

利用測試集數(shù)據(jù)對訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，由式（15）和式（16）得到未將電網(wǎng)拓?fù)浣Y(jié)構(gòu)作為輸入數(shù)據(jù)時，所提方法的預(yù)測準(zhǔn)確率為91.71%，方均誤差為0.020 3。測試集1 400組數(shù)據(jù)的預(yù)測誤差曲線如圖5所示。

3.2 輸入數(shù)據(jù)包含拓?fù)浣Y(jié)構(gòu)編碼

下面對本文所提方法準(zhǔn)確度進(jìn)行驗證。首先按式（1）～式（8）生成包含檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼及節(jié)點(diǎn)功率、節(jié)點(diǎn)電壓等潮流數(shù)據(jù)編碼在內(nèi)的電網(wǎng)參數(shù)輸入向量，其中比例系數(shù)sb和vb仍設(shè)定為1。

圖5 未考慮電網(wǎng)拓?fù)浣Y(jié)構(gòu)時的預(yù)測誤差曲線

利用訓(xùn)練集數(shù)據(jù)對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)隱含單元個數(shù)、訓(xùn)練輪數(shù)、梯度閾值、學(xué)習(xí)率等網(wǎng)絡(luò)參數(shù)設(shè)置與3.1節(jié)中一致。利用測試集數(shù)據(jù)對訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，經(jīng)計算，考慮檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)后，本文方法的預(yù)測準(zhǔn)確率為96.50%，較不考慮電網(wǎng)拓?fù)浣Y(jié)構(gòu)時提升了4.79%，同時方均誤差為0.003 3，降低了83.74%，說明考慮檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)可以有效提升算法的準(zhǔn)確率并減小方均誤差。本文算法下測試集1 400組數(shù)據(jù)的預(yù)測誤差曲線如圖6所示，可以發(fā)現(xiàn)較未考慮電網(wǎng)拓?fù)浣Y(jié)構(gòu)時誤差分布區(qū)間縮小明顯。

圖6 考慮電網(wǎng)拓?fù)浣Y(jié)構(gòu)時的預(yù)測誤差曲線

經(jīng)計算，不同方法下的預(yù)測結(jié)果見表1。發(fā)現(xiàn)傳統(tǒng)CNN預(yù)測準(zhǔn)確率與未考慮檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)的LSTM相接近，二者準(zhǔn)確率均好于SVM方法，而本文方法預(yù)測準(zhǔn)確率明顯優(yōu)于其他方法。在訓(xùn)練時間成本方面，由于CNN與SVM訓(xùn)練時間均小于1h，其時間成本均為0，未考慮拓?fù)浣Y(jié)構(gòu)的LSTM和本文方法分別為1h4min和1h23min，由式（17）得到其時間成本分別為0.006 7和0.038 0。從算法綜合評價指標(biāo)來看，本文方法評價值為0.943 4，明顯高于其他方法，從而驗證了本文方法的有效性。

表1 不同方法預(yù)測結(jié)果統(tǒng)計

此外，比例系數(shù)sb和vb的取值不同，將影響算法預(yù)測結(jié)果的準(zhǔn)確度，圖7為比例系數(shù)由0.1～1.0變化時，本文算例中預(yù)測準(zhǔn)確度曲線。

圖7 預(yù)測準(zhǔn)確度隨比例系數(shù)變化曲線

由圖7可知，所提方法的預(yù)測準(zhǔn)確度隨比例系數(shù)的增大呈上升趨勢，說明輸入LSTM神經(jīng)網(wǎng)絡(luò)的潮流數(shù)據(jù)越詳細(xì)，算法的準(zhǔn)確率越高。當(dāng)比例系數(shù)達(dá)到0.8附近時，預(yù)測準(zhǔn)確率接近最大值，此后再增大比例系數(shù)，算法準(zhǔn)確率提升不明顯。此外，當(dāng)比例系數(shù)越大時，LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間也越長，本算例中比例系數(shù)由0.8增大到1.0時，訓(xùn)練時間從56min增加到1h23min，增加了48.2%。

算法綜合評價指標(biāo)隨比例系數(shù)的變化曲線如圖8所示。引入訓(xùn)練時間成本后，當(dāng)比例系數(shù)從0.8繼續(xù)增大時，由于此時算法訓(xùn)練時間超過1h，訓(xùn)練成本將隨比例系數(shù)的增大而增加，而此時預(yù)測準(zhǔn)確度及方均誤差指標(biāo)變化很小，導(dǎo)致綜合評價指標(biāo)逐漸減小，因此比例系數(shù)為0.8時，算法綜合評價值最大，即對于本算例，比例系數(shù)最優(yōu)值為0.8。

圖8 算法綜合評價指標(biāo)隨比例系數(shù)變化曲線

4 結(jié)論

本文提出了一種基于LSTM神經(jīng)網(wǎng)絡(luò)的檢修態(tài)電網(wǎng)暫態(tài)穩(wěn)定風(fēng)險評估方法，通過仿真分析，得到以下結(jié)論：

1）訓(xùn)練數(shù)據(jù)中加入檢修態(tài)電網(wǎng)拓?fù)浣Y(jié)構(gòu)編碼后，本文方法可以有效評估不同檢修運(yùn)行方式下電網(wǎng)的暫態(tài)穩(wěn)定風(fēng)險，預(yù)測準(zhǔn)確率較傳統(tǒng)CNN及SVM等人工智能算法提升明顯。

2）輸入數(shù)據(jù)比例系數(shù)的增大有利于提高算法的準(zhǔn)確率，但當(dāng)比例系數(shù)達(dá)到一定值后，再增大比例系數(shù)，算法準(zhǔn)確率提升不再明顯，因此實際應(yīng)用中應(yīng)綜合考慮算法預(yù)測準(zhǔn)確度、方均誤差和訓(xùn)練時間，找到綜合評價指標(biāo)最高的最優(yōu)比例系數(shù)。

[1] 劉曄, 沈沉. 交直流混聯(lián)系統(tǒng)的能量函數(shù)構(gòu)造方法綜述與探究[J]. 中國電機(jī)工程學(xué)報, 2022, 42(8): 2842-2854.

[2] 張曉華, 徐偉, 吳峰, 等. 交直流混聯(lián)電網(wǎng)連鎖故障特征事件智能溯源及預(yù)測方法[J]. 電力系統(tǒng)自動化, 2021, 45(10):17-24.

[3] 郭小穎, 唐俊杰, 舒銅, 等. 基于改進(jìn)模態(tài)分析法的柔性多端交直流混聯(lián)系統(tǒng)靜態(tài)電壓穩(wěn)定性評估[J]. 電工技術(shù)學(xué)報, 2021, 36(17): 3741-3752.

[4] 蘇福, 楊松浩, 王懷遠(yuǎn), 等. 電力系統(tǒng)暫態(tài)穩(wěn)定時域仿真快速終止算法研究[J]. 中國電機(jī)工程學(xué)報, 2017, 37(15): 4372-4378.

[5] 汪芳宗, 陳德樹, 何仰贊. 大規(guī)模電力系統(tǒng)暫態(tài)穩(wěn)定性實時仿真及快速判斷[J]. 中國電機(jī)工程學(xué)報, 1993, 13(6): 13-19.

[6] 潘明帥, 汪芳宗, 宋墩文, 等. 基于廣義向后差分方法的電力系統(tǒng)暫態(tài)穩(wěn)定性快速數(shù)值計算方法[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(1): 9-15.

[7] 吳滋坤, 張俊勃, 黃欽雄, 等. 基于非誠實牛頓法和雅可比迭代的電力系統(tǒng)時域計算隱式梯形積分交替求解算法[J]. 中國電機(jī)工程學(xué)報, 2022, 42(8): 2864-2873.

[8] 王長江, 姜濤, 陳厚合, 等. 基于相位校正李雅普諾夫指數(shù)的電力系統(tǒng)暫態(tài)電壓穩(wěn)定評估[J]. 電工技術(shù)學(xué)報, 2021, 36(15): 3221-3236.

[9] PAI M A, SAUER P W. Stability analysis of power systems by Lyapunov’s direct method[J]. IEEE Control Systems Magazine, 1989, 9(1): 23-27.

[10] 陳厚合, 王長江, 姜濤, 等. 基于端口能量的含VSC-HVDC的交直流混合系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 電工技術(shù)學(xué)報, 2018, 33(3): 498-511.

[11] 劉志遠(yuǎn), 王杰, 劉瑞麟. 基于Noether定理的多機(jī)系統(tǒng)能量函數(shù)構(gòu)造方法[J]. 電網(wǎng)技術(shù), 2020, 44(3): 1034-1040.

[12] 朱劭璇, 王彤, 王增平, 等. 考慮主導(dǎo)不穩(wěn)定平衡點(diǎn)變化的電力系統(tǒng)暫態(tài)穩(wěn)定切機(jī)控制策略[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(5): 20-28.

[13] 杜兆斌, 黃昌樹, 陳智穎, 等. 基于主導(dǎo)不穩(wěn)定平衡點(diǎn)法的暫態(tài)電壓穩(wěn)定性研究[J]. 電測與儀表, 2022, 59(12): 64-70.

[14] 傅書逖. 勢能界面法(PEBS)暫態(tài)穩(wěn)定分析的綜述及展望[J]. 電力系統(tǒng)自動化, 1998, 22(9): 16-18.

[15] 黃天罡, 薛禹勝, 林振智, 等. 動態(tài)EEAC的自適應(yīng)分段映射[J]. 電力系統(tǒng)自動化, 2018, 42(21): 21-27.

[16] XUE Y, VAN C T, RIBBENS-PAVELLA M. Extended equal area criterion justifications, generalizations, applications[J]. IEEE Transactions on Power Systems, 1989, 4(1): 44-52.

[17] 陳軒偉. 基于BP-QR模型的負(fù)荷區(qū)間預(yù)測[J]. 電氣技術(shù), 2022, 23(4): 14-17, 24.

[18] 馮雙, 崔昊, 陳佳寧, 等. 人工智能在電力系統(tǒng)寬頻振蕩中的應(yīng)用與挑戰(zhàn)[J]. 中國電機(jī)工程學(xué)報, 2021, 41(23): 7889-7905.

[19] 宓登凱, 王彤, 相禹維, 等. 基于Elastic Net的暫態(tài)穩(wěn)定裕度在線評估[J]. 電網(wǎng)技術(shù), 2020, 44(1): 19-26.

[20] 陳振祥, 林培杰, 程樹英, 等. 基于K-means++和混合深度學(xué)習(xí)的光伏功率預(yù)測[J]. 電氣技術(shù), 2021, 22(9): 7-13, 33.

[21] AZMAN S K, ISBEIH Y, MOURSI M, et al. A unified online deep learning prediction model for small signal and transient stability[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4585-4598.

[22] ZHU Lipeng, LUO Yonghong. Deep feedback learning based predictive control for power system under- voltage load shedding[J]. IEEE Transactions on Power Systems, 2021, 36(4): 3349-3361.

[23] 臧國強(qiáng), 劉曉莉, 徐穎菲, 等. 深度學(xué)習(xí)在電力設(shè)備缺陷識別中的應(yīng)用進(jìn)展[J]. 電氣技術(shù), 2022, 23(6): 1-7.

[24] 盧錦玲, 郭魯豫. 基于改進(jìn)深度殘差收縮網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 電工技術(shù)學(xué)報, 2021, 36(11): 2233-2244.

[25] 安軍, 艾士琪, 劉道偉, 等. 基于短時受擾軌跡的電力系統(tǒng)暫態(tài)穩(wěn)定評估方法[J]. 電網(wǎng)技術(shù), 2019, 43(5): 1690-1697.

[26] 李保羅, 孫華東, 張恒旭, 等. 基于兩階段遷移學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定評估框架[J]. 電力系統(tǒng)自動化, 2022, 46(17): 176-185.

[27] 時純, 劉君, 梁卓航, 等. 基于GAN和多通道CNN的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 電網(wǎng)技術(shù), 2022, 46(8): 3191-3202.

Assessment method of transient stability for maintenance power system based on long short term memory neural network

WANG Buhua1ZHU Shaoxuan2XIONG Haoqing1XIE Yan2LI Xiaomeng3

(1. State Grid He’nan Electric Power Company, Zhengzhou 450052; 2. China Electric Power Research Institute, Beijing 100192; 3. Electric Power Research Institute of State Grid He’nan Electric Power Company, Zhengzhou 450052)

With the expansion of power grid scale and the increase of power components, the maintenance methods of power system become more and more complex. It is difficult to evaluate the transient stability risk of power grid under massive maintenance only by traditional methods. To solve this problem, a risk assessment method of transient stability in maintenance power network based on long short term memory (LSTM) neural network is proposed. Firstly, the unified coding method of power system maintenance mode is proposed, so that the computer can quickly and accurately identify the operation state of power grid under various maintenance modes. Then, a long short term memory neural network is established and trained based on a large number of fault samples of the power grid under maintenance. After that, the accurate evaluation of the power grid transient stability under different maintenance modes is realized. Finally, a regional power grid in Central China is taken as an example to verify the accuracy of the proposed method.

power system; maintenance mode; transient stability; long short term memory (LSTM); neural network

國網(wǎng)河南省電力公司科技項目（5217022000A8）

2022-11-29

2022-12-18

王步華（1965—），男，高級工程師，研究方向為電力系統(tǒng)運(yùn)行與控制，新能源發(fā)電及并網(wǎng)，電力儲能應(yīng)用。