摘要
电力系统暂态稳定评估对于维持电力系统安全稳定运行非常重要，随着现代电力系统规模的扩大以及系统运行不确定性的增加，暂态稳定评估在评估准确率和计算速度等方面面临了更大的挑战。机器学习的快速发展为暂态稳定评估注入了新的生命力，基于机器学习模型的暂态稳定评估方法成为了电力领域的研究热点。本文对此开展了研究，主要工作及研究成果归纳如下： 对建立暂态稳定评估机器学习模型流程中的一些关键技术问题，包括数据处理、特征选取和模型评价指标等进行了研究。探讨了数据变换对暂态稳定评估样本的必要性；利用采样的方法改善暂态稳定评估样本中存在的类别不平衡问题；分析了不同输入特征对模型的影响；研究了适用于非平衡分类问题的模型评价指标。通过算例对以上研究进行了验证，为后续的研究内容奠定了基础。 提出了一种基于聚类自适应主动学习的电力系统暂态稳定评估方法，该方法利用K-means聚类算法选择主动学习的初始样本，使得初始样本具有代表性，加快了主动学习进程；为了使主动学习每轮迭代选择对模型提升最大的样本，提出了将不确定性指标和代表性指标相结合的参数自适应方法，样本不确定性指标用熵值的大小来衡量，样本代表性指标用样本之间的欧式距离来衡量，在主动学习过程中，根据加入样本后模型准确率的变化动态调整两种指标的权重，选取最优的样本。算例仿真结果表明，所提方法可以在保证模型准确率的前提下大幅减少带标注样本的数量，减少时域仿真所需时间，进而降低了样本准备与模型训练的总耗时，与传统主动学习选择策略相比，大幅提高了训练效率。 提出了一种基于图卷积神经网络的电力系统暂态稳定评估方法，该方法将电力系统的拓扑信息作为输入的一部分，将节点状态信息与拓扑信息相聚合，采用知识跳跃层以改善图卷积层过多导致的过平滑问题。算例仿真结果表明，所提方法性能优于未考虑电力系统拓扑信息的机器学习模型；对拓扑发生变化的系统具有很强的适应性，可以对旧模型进行微调以快速适应新系统的拓扑，具有良好的泛化能力。
NETL