摘要
电力系统在国民经济发展中扮演着极其重要的角色，其暂态稳定评估一直是科研人员的重点研究领域，稳定、快速、可靠的评估方法能够保证电力系统发生故障时快速识别并解除危机。目前常规的电力系统暂态稳定评估方法输入多为一维序列或二维矩阵，即欧式结构数据，没有考虑电力系统拓扑结构对暂态稳定的影响。当输入考虑系统拓扑结构时，输入数据为非欧式结构数据，常规的方法难以处理。图是典型的非欧式结构数据，随着深度学习技术的不断发展，图神经网络应运而生。图卷积神经网络作为图神经网络重要分支之一，成功在图上实现卷积操作。 本文研究基于图卷积神经网络的电力系统暂态稳定评估，主要研究内容如下： （1）对电力系统进行图结构表示，以输电线路为边，以母线为节点，实现电力系统的图结构表示。图结构表示后的电力系统符合图卷积神经网络要求，神经网络的输入既包含节点特征信息，又包含系统拓扑结构信息。 （2）提出基于RS-GCN的电力系统暂态稳定评估方法。介绍了图卷积的具体实现，同时介绍了图卷积神经网络的输入、输出和层间递进公式。本文以IEEE10机39节点系统为例，利用MATLAB仿真获得数据集，通过搭建的图卷积神经网络模型进行电力系统暂态稳定评估。在此基础上应用模糊邻域决策粗糙集对输入进行属性约简，采用改进的RS-GCN模型进行电力系统暂态稳定评估。仿真结果验证了GCN的优越性能，同时表明改进的RS-GCN模型能够更好地适应电力系统暂态稳定评估的要求。 （3）实际电力系统节点众多，图卷积神经网络在处理大规模节点数据时计算量巨大。考虑到计算能力和时效性要求，本文引入具有结构学习的层次图池化(HGP-SL)算法。HGP-SL包含图池化和结构学习两个步骤。图池化可以对节点进行降采样，减少计算量，同时获得重要节点；结构学习可以在获得重要节点的同时不破坏结构本身，保证其完整性。将HGP-SL算法融合进GCN算法，搭建新的GCN+HGP-SL模型。应用IEEE10机39节点系统数据集，通过GCN+HGP-SL算法进行电力系统暂态稳定评估。仿真结果验证了加入HGP-SL算法的有效性，表明该方法对电力系统暂态稳定评估性能更优。同时通过对其影响因素的分析进一步验证了设置参数的合理性并提出了GCN+HGP-SL模型参数设置建议。
NETL