基于改進深度殘差收縮網絡的電力系統暫態穩定評估

盧錦玲 郭魯豫

基于改進深度殘差收縮網絡的電力系統暫態穩定評估

盧錦玲 郭魯豫

（華北電力大學電氣與電子工程學院 保定 071003）

針對電力系統暫態穩定評估中，電力系統同步相量測量裝置（PMU）量測數據在采集和傳輸過程可能存在噪聲問題，以及由于暫態穩定與失穩樣本不平衡，導致基于數據驅動的暫態穩定評估模型訓練的傾向性和誤判后果嚴重問題，提出基于改進深度殘差收縮網絡（IDRSN）的電力系統暫態穩定評估方法。首先將底層量測電氣量構建成特征圖形式作為模型輸入，利用模型深層結構建立輸入與穩定結果之間的映射關系。面對噪聲問題，模型通過注意力機制，采用軟閾值函數自動學習噪聲閾值，減小噪聲及無關特征干擾；并通過焦點損失函數（FL），引入權重系數修正模型訓練的傾向性，利用調制因子重點關注誤分類樣本，提高模型訓練效率和評估性能。通過新英格蘭10機39節點系統進行仿真分析，所提模型能夠有效減小不同程度的噪聲干擾，在不平衡數據集上修正模型訓練偏向性，以減少誤分類樣本，在不同PMU配置方案下，均取得較好評估效果。

電力系統 暫態穩定評估 深度學習 深度殘差收縮網絡 焦點損失函數

0 引言

電力系統暫態穩定是指系統受到大擾動之后能否保持同步穩定的能力[1]。隨著智能電網建設不斷發展，新能源、高壓直流輸電的不斷加入，使得電力系統結構及其動態特性更加復雜[2]，相應地增加了面對故障時對系統進行穩定分析與控制的難度。因此，快速、準確地掌握暫態態勢，實現電力系統暫態評估，具有重要意義。

傳統電力系統暫態穩定分析方法主要有時域仿真法和直接法[3-5]。時域仿真法，模型構建較為精細，計算結果準確，但是耗時長，隨著電網規模增大，計算速度受到制約，難以在線應用；直接法，計算速度快，但是所用簡化模型，使得結果偏保守。

隨著同步相量量測技術的不斷發展，廣域測量信息系統（Wide Area Measurement System, WAMS）不斷完善，為電網運行監測提供大量實時數據，機器學習算法利用其穩態及暫態期間的數據與穩定結果，構造輸入特征與輸出之間的映射關系，無需對系統建模，就能實現暫態穩定評估，從而受到研究人員廣泛關注，相應研究工作主要包括人工神經網絡[6-9]（Artificial Neural Network, ANN）、支持向量機[10-15]（Support Vector Machine, SVM）、決策樹[16-17]（Decision Tree, DT）和集成學習[18-22]（Ensemble Learning, EL）等機器學習算法，傳統機器學習算法對相量測量裝置（Phasor Measurement Unit, PMU）采集到的生數據，特征提取能力弱，需要依靠人工提取特征，耗時耗力，且難免存在人工提取的特征不能完全表征系統特性的問題。

近年來，深度學習發展迅速，理論算法應用方面進步顯著，其善于從原始數據中挖掘隱藏規律，被廣泛應用于圖像識別、視覺計算和自然語言處理等多個領域，在電力系統負荷識別[23]、狀態檢測[24]和暫態穩定評估等多個方向也是熱點研究[25]，其中暫態穩定評估常用方法有深度置信網絡[26-28]、卷積神經網絡[29-32]、自動編碼器[33-35]和生成對抗網絡[36]等，其中卷積神經網絡利用卷積運算能夠有效提取數據集特征，備受關注，被廣泛應用于各個領域。

電力系統本身是一個高維非線性的系統，若要對其量測數據挖掘本質規律，需要構造較深層次的神經網絡，隨著電網規模的不斷擴大，所需要的深度學習評估模型也不斷加深，較深層次的神經網絡會出現訓練困難；PMU裝置傳輸信息時可能存在部分噪聲，影響模型判斷能力；電力系統中失穩樣本數量少于穩定樣本數量，數據集存在天然不平衡，模型訓練會有偏向性，若不加控制措施，模型訓練會偏向穩定樣本，更容易判定為穩定，若失穩樣本誤判為穩定，系統將會失去穩定，甚至解列，造成巨大的損失。本文結合電力系統暫態穩定評估的特點，提出基于改進深度殘差收縮網絡的電力系統暫態穩定評估方法。采用深度殘差收縮網絡能夠巧妙地減輕深層網絡訓練負擔，在殘差單元中引入收縮模塊克服噪聲干擾，利用焦點損失函數，解決電力系統暫態穩定與失穩數據集不平衡情況，并為誤分類樣本設置更多關注，以減少誤分類情況。最后通過仿真驗證所提方法在暫態穩定評估方面的有效性。

1 算法介紹

深度殘差收縮網絡[37]（Deep Residual Shrinkage Networks，DRSN）是2019年發表在國際期刊IEEE Transactions on Industrial Informatics上的一種人工智能方法。從本質上講，深度殘差收縮網絡為解決故障診斷噪聲問題，將注意力機制和軟閾值函數引入深度殘差網絡[38]，在深度殘差網絡的內部實現了自動軟閾值化，自適應地在特征學習的過程中消除冗余信息，提高有用特征的學習效果。本文所提模型將焦點損失函數（Focal Loss, FL）[39]引入DRSN中，改善數據不平衡引起的訓練問題，關注誤分類樣本，最終形成改進深度殘差收縮網絡（Improved Deep Residual Shrinkage Networks, IDRSN）。

1.1 深度殘差收縮網絡結構

深度殘差收縮網絡是深度殘差網絡的變體，深度殘差網絡ResNet[38]是由何凱明團隊2015年提出的一種改進型卷積神經網絡，其通過引入恒等路徑，降低模型訓練難度，解決神經網絡深層結構容易出現的梯度消失或爆炸問題。卷積網絡層與層之間存在交叉熵損失梯度，在恒等路徑的作用下，深層結構能夠鏈接距離輸入層“更近”、“更早”的神經網絡層，使梯度參數有效傳遞與更新，網絡參數的訓練難度大幅降低，從而容易訓練出效果好的深度學習模型。

深度殘差收縮網絡，整體結構包括輸入層，卷積層[40]（Convolutional layer, Conv），多個殘差收縮單元（Residual Shrinkage Building Units，RSBUs）、批標準化層[41]（Batch Normalization, BN）、激活函數（Rectifier Linear Unit，ReLU）、全局平均池化層（Global Average Pooling，GAP）和輸出全連接層（Fully Connected layer，FC），如圖1所示，

圖1 深度殘差網絡結構

卷積層Conv，是卷積網絡不同于傳統全連接神經網絡的關鍵元素。卷積層極大地減少了所需訓練的參數量。通過卷積運算代替矩陣乘法，卷積層內核所需參數比全連接網絡的變換矩陣更少，從而降低模型過擬合風險，卷積層的運算可表示為

式中，為特征圖第個通道的輸入；為特征圖的第個通道的輸出；k為卷積核；b為偏置；M為用于計算輸出特征圖的第通道的集合。

批標準化層BN，在機器學習理論中，規范化是數據預處理的一個步驟，其目的在于盡可能地縮小樣本數據及各維度特征的差異。傳統數據預處理只能保證輸入層數據具有較好的規范化特性，經過權值、偏置、激活函數一系列計算之后，無法保證隱藏層數據的規范化。批標準化層BN是在隱藏層之前對數據進行批標準化處理，保證隱藏層獲取規范化數據，加速網絡優化。BN算法實現步驟：①計算該批次數據的均值、方差；②用方差做分母，對批數據進行正態分布處理；③取值范圍限制在（0,1）。

激活函數ReLU，每個神經元計算最后步驟都是通過激活函數轉換權值和偏置的計算結果，其輸入輸出都是一個實數。激活函數能夠將神經元的輸出值限定在一定范圍內，不至于出現無限大，并且使神經元具有非線性計算能力，從而使神經網絡能夠處理非線性問題。傳統的激活函數sigmoid容易出現梯度消失問題。針對以上問題，本文采用ReLU函數，表達式為

在變量≤0時，導數固定為0；＞0，導數固定為1，解決激活函數容易出現梯度消失的問題。

全局平均池化層GAP，在全連接輸出層之前，是計算每個特征通道平均值的運算，其作用在于進行特征壓縮，提取主要特征，減少權重個數，簡化網絡計算復雜度，防止模型過擬合，有一定的抗干擾能力。

1.2 殘差收縮單元

殘差收縮單元是在殘差單元基礎上，將軟閾值函數引入層與層鏈接的路徑中，并利用注意力機制自動確定閾值，從而達到自動提取重要特征的效果。

1.2.1 軟閾值函數（soft thresholding）

軟閾值函數在信號去噪領域應用廣泛，運作機制為：卷積神經網絡自動進行濾波器學習，將原始數據映射到另一空間，進行軟閾值化處理，軟閾值化是將閾值區間[-，]內的特征置為0，讓距0較遠的特征向0進行收縮。軟閾值函數及其導數如圖2所示，軟閾值公式為

因為是可以通過自動學習得到的參數，所以軟閾值化，可以將任意區間的特征置為零，能夠靈活刪除某個取值范圍的特征，更好地表征非線性映射。

1.2.2 注意力機制

在深度殘差收縮網絡中，樣本具有不同的閾值，這是一種注意力機制：從所有輸入信息中找到需要重點關注的部分，并且從中挖掘重要特征，剔除不重要甚至無關的特征。雖然通過恒等路徑，高層特征中會存在不重要特征，但是通過模塊的深度堆疊，不重要特征所占比重會逐漸降低，直至消失。

殘差收縮單元，根據通道間閾值是否共享，分為閾值獨立型殘差收縮單元（Residual Shrinkage Building Unit with Channel-Wise thresholds, RSBU-CW）和閾值共享型殘差收縮單元（Residual Shrinkage Building Unit with Channel-Shared thresholds, RSBU-CS）。深度殘差收縮單元如圖3所示，其中和分別表示特征圖的通道數和寬度。殘差單元嵌入含有軟閾值處理的非線性變換層，能夠有效避免噪聲干擾，而且能夠利用模型深層結構自動學習閾值取值，無需專家利用專業知識針對噪聲專門設計閾值。

圖3 深度殘差收縮單元

RSBU-CW每個通道都具有獨立的閾值，特征圖通過絕對值和全局平均池化降為一個一維向量，傳遞給一個兩層的全連接網絡，全連接網絡第二層神經元個數等于輸入特征圖通道個數，其輸入被縮放到（0,1）之間，縮放參數為

式中，為第層神經元的特征；為第層的縮放參數，閾值被定義為

式中，為特征圖第通道的閾值；、、分別為特征圖的寬度、高度和通道。乘用以獲取閾值，閾值為正且不能過大，若閾值大于特征圖最大絕對值，軟閾值輸出將會置零。

RSBU-CS所有通道共用一組閾值，所以式（6）、式（7）中的和不分通道計算，記為和。

1.3 數據不平衡處理

為解決暫態穩定數據集不平衡以及穩定誤分類后果嚴重問題，將焦點損失函數FL引入深度殘差收縮網絡中，表達式為

式中，為模型預測的樣本標簽概率，∈[0,1]；為樣本實際標簽；為類別。大量的穩定樣本使模型訓練時，具有偏向穩定的判定傾向。神經網絡訓練的關鍵步驟就是計算損失函數值和更新梯度。因為穩定樣本數量較多，自然會導致模型更加關注穩定樣本的訓練情況，為了改善這種數據數量上導致的不平衡，訓練時加入參數，調節類別權重，即為失穩樣本占總樣本的比重，∈[0,1]，在損失函數中設置不平衡權重，改善模型訓練傾向穩定問題。

若僅設置類別訓練權重，只能改善模型訓練的傾向性問題，但是不能關注到模型誤分類的樣本，這些樣本對訓練模型來說比較困難。考慮到實際電力系統暫態穩定評估錯誤將會帶來嚴重后果，失穩誤判為穩定，緊急控制措施不能啟動，將會造成系統失穩，甚至解列；穩定判定為失穩，系統將會啟動一定控制裝置，雖然能夠增加一定的安全裕度，但是會復雜化運行維護工作。在此，引入(1-p)作為調制因子，解決大量易分類正確樣本可能導致的損失函數值下降緩慢，無法收斂至最優的問題，增加對誤分類樣本的關注，減少誤分類樣本個數，從而提高分類準確度。當調制因子指數=0時，損失函數即為帶訓練權重的普通二分類交叉熵損失函數，只解決模型訓練的傾向性問題；＞0，調制因子發揮作用，重點關注誤分類情況。越大，對誤分類樣本的關注越多。

2 暫態評估模型

2.1 樣本集構造

本文旨在訓練一種端對端的評估模型，將電力系統中PMU裝置直接采集到的電氣量作為模型輸入，并結合三段式特征選擇原則，將全系統各節點，故障前0，故障瞬間f和故障切除時刻c的電壓幅值和相角作為模型特征量輸入，構造出三維數據分布，如圖4所示，與圖結構的長度、寬度和通道類似，有利于卷積模塊提取特征。

圖4 輸入特征圖

模型輸出為功角穩定結果，穩定判據為

2.2 評估指標

電力系統暫態穩定評估是二分類問題，而且樣本集存在不平衡和誤判代價不同現象。本文兼顧模型分類精度、不平衡樣本集和誤判代價不同三個方面，選擇準確率ACC、G-mean值，f1失穩評估綜合指標以及綜合分類指標（Comprehensive Assessment Index, CAI）作為評估指標。表1為暫態穩定分類的混淆矩陣。

表1 混淆矩陣

Tab.1 Confusion matrix

2.3 暫態穩定評估模型結構設計及評估流程

根據電力系統所提取數據的特征，本文所設計的IDRSN模型總體結構包括卷積層Conv、殘差收縮單元RSBUs、批標準化BN、激活函數ReLU、全局池化層GAP和全連接輸出層FC。殘差收縮單元包括1個RSBU-CW，2個RSBU-CS。其中，RSBU-CW采用不同閾值收縮不同通道噪聲相關的特征，相比RSBU-CS只有一組閾值，RSBU-CW更加準確靈活，但是所需參數量大；而RSBU-CS，減少了神經網絡需要訓練的參數個數，大大降低了訓練負擔，本文兼顧準確性和訓練情況，在總模型中組合兩種類型的殘差收縮單元。本文暫態評估流程分為離線訓練模型和在線評估，如圖5所示。

圖5 暫態穩定評估流程

離線訓練，通過時域仿真獲取系統各節點在0、f、c時刻電壓幅值和相角，處理成2.1節中樣本集構成，并進行標準化處理；將全數據集分為訓練集和測試集，進行模型訓練和測試。在線評估，是通過將PMU量測各節點數據，進行數據處理，然后傳遞給IDRSN暫態評估模型，進行穩定分類。

3 算例仿真

本文算例采用新英格蘭39節點標準系統，如圖6，此系統含10臺發電機，39個節點，46條線路，系統電壓為345kV，基準功率為100MW。采用電力系統仿真軟件PSD-BPA搭建仿真模型，發電機采用五階模型，負荷模型采用恒阻抗模型。負荷水平在0.8～1.2之間變化，為保證系統節點電壓在合理范圍，以及潮流收斂，隨機改變發電機出力，故障設置為最嚴重的三相短路，故障持續時間分別為0.1s、0.14s、0.18s、0.2s，生成-1線路故障集，去除電壓失穩樣本，共生成4 551個樣本，其中有2 744個穩定樣本，1 807個失穩樣本。

圖6 新英格蘭10機39節點模型

3.1 各算法比較

仿真驗證本文所提模型，并與邏輯回歸（Logistic Regression, LR）、支持向量機（SVM），K近鄰（K-Nearest Neighbor, KNN）、多層感知機（Multilayer Perceptron, MLP）、決策樹DT、隨機森林（Random Forest, RF）、深度殘差網絡（Deep Residual Network，DRN）以及深度殘差收縮網絡DRSN進行比較。本文所提改進深度殘差收縮網絡IDRSN模型采用Adam學習算法自適應調整學習率，采用L1和L2結合正則化訓練，L1和L2正則項系數分別設置為0.08和0.000 5。采用焦點損失函數，引入兩個超參數和。為失穩樣本數量與總數據集數量比值，為調制因子指數。文獻[39]中，經過大量數據集訓練驗證了當=2時，模型訓練效果最好，經本文數據驗證，取=2。由式（10）可知，當=0時，損失函數即為帶訓練權重的普通二分類交叉熵損失函數，訓練情況對比如圖7所示。

圖7 模型訓練損失值對比

由圖7可以看出，在訓練集和測試集上，加了調制因子的焦點損失函數比普通交叉熵損失函數下降得更快，訓練過程也更加平穩。采用焦點損失函數的模型，訓練集與測試集損失值同步下降，且差距較小，而普通交叉熵損失函數訓練過程中，訓練集和測試集損失值差距較大，說明本文模型采用焦點損失函數防止模型過擬合，從而使模型泛化能力更好。以下仿真討論均采用=2作為超參數。

LR采用lbfgs求解器，加入L2懲罰項，正則化系數設置為0.4；SVM采用徑向基核函數，=1，=0.006；MLP激活函數為Relu，訓練方法采用Adam自適應調整學習率，DT采用CART（classification and regression trees）算法，最大樹深度設置為7，RF基分類器與DT相同，最大深度設置為6，DRN模型學習率、正則化和網絡基本結構與所提模型保持一致，采用交叉熵損失函數，DRSN模型結構與IDRSN保持一致，采用交叉熵損失函數。仿真硬件為Intel Core i5-6200 CPU，4GB RAM 64位PC，GPU為NVIDIA Tesla P4。原始數據集取80%做訓練集，20%做測試集，各模型評估性能指標見表2。

表2 各模型評估性能指標

Tab.2 Evaluation performance indicators of each model

從表2可以看出，LR、SVM、MLP、KNN表現較好，準確率分別達到了0.970 4、0.971 5、0.967 1和0.958 3；DT表現較差，比IDRSN準確率低了0.070 2，RF是DT的集成，效果比DT好，但是也只有0.945 1；DRN與IDRSN層次結構相同，準確率達到0.971 5，DRSN僅在損失函數上與所提模型不同，由于原始數據集的不平衡，所以模型表現略遜色于IDRSN，所提模型是殘差收縮模塊和焦點損失函數的應用改進模型，使評估準確率進一步提高，達到0.984 6。

從數據不平衡和代價不平衡角度看G-mean值和f1指標，所提模型G-mean值高于其他模型，說明本文模型能夠較好地克服數據不平衡導致的訓練傾向性問題；由于穩定樣本多于失穩樣本，淺層機器學習算法失穩判準綜合f1指標往往偏小，但是失穩誤判為穩定的后果較為嚴重，該評估傾向不利于系統安全運行；從綜合指標CAI來看，IDRSN比其他算法表現優秀。

從訓練時間及預測時間來看，深度學習模型由于其深層架構，參數精細且較多，較淺層機器學習模型具有較長的訓練時間，但是模型表現優秀，IDRSN經過損失函數改進，專注于誤分類樣本，比DRSN模型訓練高效，評估指標提升的同時，時間大大縮減，所提模型預測時間平均單個樣本耗時0.2ms，基本能夠符合暫態穩定評估的時長要求。

3.2 噪聲

PMU裝置在實際量測數據時，可能存在因外部設備損壞或者故障造成噪聲污染、數據缺失等現象。根據 IEEE C37.118標準[42]，PMU相量量測誤差應小于1%，按照信噪比（Signal-to-Noise Ratio, SNR）計算公式

式中，S和N分別為信號和噪聲的有效功率，含有1%的噪聲折算為信噪比等于20dB。為測試模型的抗噪能力，將原始數據集中加入不同水平，服從標準正態分布的高斯白噪聲，信噪比為60dB、50dB、40dB、30dB、20dB、15dB，模擬噪聲污染，綜合指標CAI見表3。

表3 不同噪聲條件下各模型CAI

Tab.3 CAI of each model under different noise conditions

由表3可以看出，隨著噪聲增大，相比于DRN的綜合指標下降4.83%，所提模型IDRSN和DRSN只下降了1.48%和2.17%，幅度和程度均比較小，得益于模型中殘差收縮模塊的抗噪能力，所以始終能保持較好的評估性能；LR、SVM、KNN、DT屬于簡單機器學習算法，學習能力有限，噪聲增加的同時評估效果下降嚴重，分別下降13.31%、66.59%、2.19%、11.28%，尤其是SVM在無噪聲和噪聲較小的時候，仍能保持較高的分類水平，在噪聲較大的時候，模型抗噪能力弱的缺點就凸顯出來；RF集成多棵決策樹，評估效果比單一決策樹好，CAI下降了7.22%；而MLP下降幅度較大，達到14.03%，說明模型抗噪能力弱。

在噪聲為15dB時，各算法綜合指標下降最多，采用t-SNE可視化技術，將IDRSN的殘差收縮模塊的輸出情況展示在（1,2）二維空間，噪聲條件下各層輸出數據分布如圖8所示。

圖8 噪聲條件下各層輸出數據分布

由圖8a～圖8d變化可以看出，每經過一層殘差收縮模塊之后，數據分布逐漸改善，在經過最后一層殘差收縮模塊后，數據分布明顯，說明模型在高噪聲條件下，仍能對特征進行有效提取，實現分類評估有效性，模型具有良好的魯棒性。

3.3 數據不平衡

在實際電網運行中，暫態失穩情況遠遠少于穩定情況，因此數據集兩種樣本的比例呈現不平衡狀況。為驗證模型對不平衡樣本的評估能力，在原數據集穩定與不穩定樣本中隨機抽取比例為1800:1 800，2 100:1 500，2 400:1 200，2 700:900，準確率ACC，數據不平衡綜合評估指標G-mean，失穩判準綜合指標f1和綜合評價指標CAI，具體表現如圖9所示。

圖9 不平衡條件下模型評估指標

由圖9可以看出，從ACC指標來看，隨著穩定樣本逐漸增多，機器學習算法LR、SVM、KNN、DT、DF逐漸上升，神經網絡MLP、DRN和DRSN的訓練受數據分布不平衡影響，表現出下降的分類準確度。本文所提模型IDRSN雖然以神經網絡為基礎，但是針對不平衡樣本集做出改進，所以ACC一直保持較高水平，且波動較小。在不平衡數據集上，單一地看ACC指標對系統安全運行往往沒有太大意義，所以需要分析不平衡相關指標以及對系統安全運行影響較大的失穩判準指標。從G-means指標來看，不平衡加劇整體呈現下降趨勢，MLP、DT、RF受影響較大，波動程度較大，LR、SVM、KNN、DRN、DRSN次之，本文所提模型下降幅度明顯小于其他模型。從綜合指標CAI來看，隨著樣本不平衡程度的加大，綜合指標有所下降，在樣本平衡時，各模型的分類性能較好。從f1指標來看，隨著失穩樣本逐漸減小，各模型訓練時更偏向穩定樣本（多數樣本），失穩誤分類率有所提高，所以各類模型失穩判準綜合指標均呈現下降趨勢。相比于DRSN模型隨著數據不平衡程度加劇，各項指標下降程度較大，模型泛化能力較弱，難以較好地適應暫態穩定問題中存在的數據不平衡問題。本文模型通過為失穩樣本自適應設置權重，并引入調制因子，關注誤分類樣本進行訓練，減小了下降程度，使得指標總體保持較高水平。

3.4 PMU安裝情況分析

在電力系統暫態評估過程中，需要有全系統節點實時數據，因此需要大量的同步相量量測裝置（PMU），保證全系統的可觀性，但是PMU裝置昂貴，大量安裝經濟性較差，因此PMU的安裝位置和安裝個數是影響模型評估的重要影響因素。本文采用輕型梯度提升機（Light Gradient Boosting Machine, LGBM）[43]，對各節點特征重要程度排序，并在特征重要程度大的節點位置安裝PMU，配置方案見表4，模型評估結果如圖10所示。

表4 PMU配置方案

Tab.4 PMU configuration scheme

圖10 不同PMU配置方案下的模型評估對比

在不同的PMU配置方案下，可以看出隨著PMU安裝數量的減少，所有模型的綜合指標CAI均有一定下降，其中，本文所提模型的CAI指標下降最少，僅為1.25%，說明模型較其他評估模型，具有較好的泛化能力，能從有限數據中挖掘深層信息，達到較好的評估效果。在PMU安裝數量達到20個后，IDRSN和DRSN評估參數沒有明顯上升，其他模型效果略有下降，說明之后的信息存在冗余，得益于殘差收縮網絡中的注意力機制，能夠找到全部節點信息中的關鍵節點信息，剔除不重要節點信息的影響，并且挖掘其與穩定結果之間的關系，從而得到較好的穩定判別結果。

4 結論

本文提出基于改進深度殘差收縮網絡的電力系統暫態穩定評估方法。構建暫態過程全階段的特征圖信息作為模型輸入，穩定結果作為輸出，進行模型訓練，并在新英格蘭10機39節點系統進行仿真驗證，所得結論如下：

1）相比于傳統淺層機器學習算法LR、SVM、KNN、MLP、DT、RF以及同層次結構的深度學習算法DRN、DRSN、IDRSN算法直接面向底層電氣量測數據，能夠更加有效地挖掘數據隱藏信息，進行特征提取，并在分類性能評估指標上表現優秀。

2）數據采集傳輸過程中可能存在噪聲干擾，噪聲越大，數據質量下降越嚴重，嚴重影響分類效果。IDRSN得益于其結構中的軟閾值函數模塊和注意力機制，能夠自動設置閾值，從而減小甚至消除噪聲對模型效果的影響，在不同大小的噪聲數據中均能夠保持較好的評估性能。

3）暫態穩定問題是一種不平衡數據集分類問題，IDSRN引入焦點損失函數FL，在對不平衡數據集設置權重系數的同時，引入調制因子，重點關注誤分類樣本，改善模型訓練具有傾向于穩定樣本的現象，提高訓練效率，減少誤分類情況。

4）所提方法在系統PMU配置有限時，仍能保持較好的分類性能，泛化能力較好；在出現信息冗余時，也能夠對信息進行有效挖掘，減小冗余信息對模型的影響，具有較好的魯棒性。

[1]湯奕, 崔晗, 李峰, 等. 人工智能在電力系統暫態問題中的應用綜述[J]. 中國電機工程學報, 2019, 39(1): 4-15, 317. Tang Yi, Cui Han, Li Feng, et al. Review on artificial intelligence in power system transient stability analysis[J]. Proceedings of the CSEE, 2019, 39 (1): 4-15, 317.

[2]蔣海峰, 張曼, 趙斌炎, 等. 基于改進Hilbert-Huang變換的電網故障診斷[J]. 電工技術學報, 2019, 34(增刊1): 336-342, 351. Jiang Haifeng, Zhang Man, Zhao Binyan, et al. Fault diagnosis of power grid based on improved Hilbert-Huang transform[J]. Transactions of China Electrote-chnical Society, 2019, 34(S1): 336-342, 351.

[3]倪以信, 陳壽孫, 張寶霖. 動態電力系統的理論和分析[M]. 北京: 清華大學出版社, 2002.

[4]閔勇, 陳磊, 姜齊榮. 電力系統穩定分析[M]. 北京:清華大學出版社, 2016.

[5]陳厚合, 王長江, 姜濤, 等. 基于端口能量的含VSC-HVDC的交直流混合系統暫態穩定評估[J]. 電工技術學報, 2018, 33(3): 498-511. Chen Houhe, Wang Changjiang, Jiang Tao, et al. Transient stability assessment in hybrid AC/DC systems with VSC-HVDC via port energy[J]. Transactions of China Electrotechnical Society, 2018, 33(3): 498-511.

[6]劉艷芳, 顧雪平. 一種用于半監督BP算法的實用結束判據及其應用[J]. 電力系統自動化, 2003, 27(14): 41-44. Liu Yanfang, Gu Xueping. A useful ending-criterion of semi-supervised BP algorithm and its application[J]. Automation of Electric Power Systems, 2003, 27(14): 41-44.

[7]Almasri A N, Kadir M Z, Hizam H, et al. A novel implementation for generator rotor angle stability prediction using an adaptive artificial neural network application for dynamic security assessment[J]. IEEE Transactions on Power Systems, 2013, 28(3): 2516-2525.

[8]顧雪平, 李揚, 吳獻吉. 基于局部學習機和細菌群體趨藥性算法的電力系統暫態穩定評估[J]. 電工技術學報, 2013, 28(10): 277-285. Gu Xueping, Li Yang, Wu Xianji. Transient stability assessment of power systems based on local learning machine and bacterial colony chemotaxis algorithm[J]. Transactions of China Electrotechnical Society, 2013, 28 (10): 277-285.

[9]盧錦玲, 於慧敏. 極限學習機和遺傳算法在暫態穩定評估特征選擇中的應用[J]. 電力系統及其自動化學報, 2016, 28(12): 107-112. Lu Jinling, Yu Huimin. Application of extreme learning machine and genetic algorithm to feature selection of transient stability assessment[J]. Proceedings of the CSU-EPSA, 2016, 28 (12): 107-112.

[10]Gomez F, Rajapakse A D, Annakkage U D, et al. Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements[J]. IEEE Transactions on Power Systems, 2011, 26(3): 1474-1483.

[11]霍思敏, 王科, 陳震海, 等. 基于軌跡輸入特征支持向量機的湖南電網暫態穩定在線識別[J]. 電力系統保護與控制, 2012, 40(18): 19-23, 29. Huo Simin, Wang Ke, Chen Zhenhai, et al. Hunan power grid transient stability online detection based on support vector machine with trajectory input features[J]. Power System Protection and Control, 2012, 40 (18): 19-23, 29.

[12]邵雅寧, 唐飛, 劉滌塵, 等. 一種適用于WAMS量測數據的系統暫態功角穩定評估方法[J]. 電力系統保護與控制, 2015, 43(6): 33-39. Shao Yaning, Tang Fei, Liu Dichen, et al. An approach of transient angle stability assessment in power system for WAMS measured data[J]. Power System Protection and Control, 2015, 43 (6): 33-39.

[13]Wang Bo, Fang Biwu, Wang Yajun, et al. Power system transient stability assessment based on big data and the core vector machine[J]. IEEE Transactions on Smart Grid, 2016, 7(5): 2561-2570.

[14]陳厚合, 王長江, 姜濤, 等. 基于投影能量函數和Pin-SVM的電力系統暫態穩定評估[J]. 電工技術學報, 2017, 32(11): 71-80. Chen Houhe, Wang Changjiang, Jiang Tao, et al. Transient stability assessment in bulk power grid using projection energy function and support vector machine with Pinball loss[J]. Transactions of China Electrotechnical Society, 2017, 32 (11): 71-80.

[15]田芳, 周孝信, 于之虹. 基于支持向量機綜合分類模型和關鍵樣本集的電力系統暫態穩定評估[J]. 電力系統保護與控制, 2017, 45(22): 6-13. Tian Fang, Zhou Xiaoxin, Yu Zhihong. Power system transient stability assessment based on comprehensive SVM classification model and key sample set[J]. Power System Protection and Control, 2017, 45 (22): 6-13.

[16]Amraee T, Ranjbar S. Transient instability prediction using decision tree technique[J]. IEEE Transactions on Power Systems, 2013, 28(3): 3028-3037.

[17]石訪, 張林林, 胡熊偉, 等. 基于多屬性決策樹的電網暫態穩定規則提取方法[J]. 電工技術學報, 2019, 34(11): 122-132. Shi Fang, Zhang Linlin, Hu Xiongwei, et al. Power system transient stability rules extraction based on multi-attribute decision tree[J]. Transactions of China Electrotechnical Society, 2019, 34 (11): 122-132.

[18]He Miao, Zhang Junshan, Vittal V. Robust online dynamic security assessment using adaptive ensemble decision-tree learning[J]. IEEE Transactions on Power Systems, 2013, 28(4): 4089-4098.

[19]Chen Minghua, Liu Qunying, Chen Shuheng, et al. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system[J]. IEEE Access, 2019: 13149-13158.

[20]張晨宇, 王慧芳, 葉曉君. 基于XGBoost算法的電力系統暫態穩定評估[J]. 電力自動化設備, 2019, 39(3): 83-89, 95. Zhang Chenyu, Wang Huifang, Ye Xiaojun. Transient stability assessment of power system based on XGBoost algorithm[J]. Electric Power Automation Equipment, 2019, 39 (3): 83-89, 95.

[21]周挺, 楊軍, 周強明, 等. 基于改進LightGBM的電力系統暫態穩定評估方法[J]. 電網技術, 2019, 43(6): 81-90. Zhou Ting, Yang Jun, Zhou Qiangming, et al. Power system transient stability assessment based on modified LightGBM[J]. Power System Technology, 2019, 43 (6): 81-90.

[22]李兵洋, 肖健梅, 王錫淮. 融合鄰域粗糙約簡與深度森林的電力系統暫態穩定評估[J]. 電工技術學報, 2020, 35(15): 3245-3257. Li Bingyang, Xiao Jianmei, Wang Xihuai. Power system transient stability assessment based on hybrid neighborhood rough reduction and deep forest[J]. Transactions of China Electrotechnical Society, 2020, 35(15): 3245-3257.

[23]徐春華, 陳克緒, 馬建, 等. 基于深度置信網絡的電力負荷識別[J]. 電工技術學報, 2019, 34(19): 4135-4142. Xu Chunhua, Chen Kexu, Ma Jian, et al. Recognition of power loads based on deep belief network[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4135-4142.

[24]張倩, 王建平, 李帷韜. 基于反饋機制的卷積神經網絡絕緣子狀態檢測方法[J]. 電工技術學報, 2019, 34(16): 3311-3321. Zhang Qian, Wang Jianping, Li Weitao. Insulator state detection of convolutional neural networks based on feedback mechanism[J]. Transactions of China Electrotechnical Society, 2019, 34(16): 3311-3321.

[25]周念成, 廖建權, 王強鋼, 等. 深度學習在智能電網中的應用現狀分析與展望[J]. 電力系統自動化, 2019, 43(4): 180-197. Zhou Niancheng, Liao Jianquan, Wang Qianggang, et al. Analysis and prospect of deep learning application in smart grid[J]. Automation of Electric Power Systems, 2019, 43 (4): 180-197.

[26]胡偉, 鄭樂, 閔勇, 等. 基于深度學習的電力系統故障后暫態穩定評估研究[J]. 電網技術, 2017, 41(10): 3140-3146. Hu Wei, Zheng Le, Min Yong, et al. Research on power system transient stability assessment based on deep learning of big data technique[J]. Power Grid Technology, 2017, 41 (10): 3140-3146.

[27]朱喬木, 黨杰, 陳金富, 等. 基于深度置信網絡的電力系統暫態穩定評估方法[J]. 中國電機工程學報, 2018, 38(3): 735-743. Zhu Qiaomu, Dang Jie, Chen Jinfu, et al. A method for power system transient stability assessment based on deep belief networks[J]. Proceedings of the CSEE, 2018, 38 (3): 735-743.

[28]李寶琴, 吳俊勇, 邵美陽, 等. 基于集成深度置信網絡的精細化電力系統暫態穩定評估[J]. 電力系統自動化, 2020, 44(6):17-28. Li Baoqin, Wu Junyong, Shao Meiyang, et al. Refined transient stability evaluation for power system based on ensemble deep belief network[J]. Automation of Electric Power Systems, 2020, 44(6):17-28.

[29]楊維全, 朱元振, 劉玉田. 基于卷積神經網絡的暫態電壓穩定快速評估[J]. 電力系統自動化, 2019, 43(22): 46-52, 139. Yang Weiquan, Zhu Yuanzhen, Liu Yutian. Fast assessment of transient voltage stability based on convolutional neural network[J]. Automation of Electric Power Systems, 2019, 43(22): 46-52, 139.

[30]高昆侖, 楊帥, 劉思言, 等. 基于一維卷積神經網絡的電力系統暫態穩定評估[J]. 電力系統自動化, 2019, 43(12): 30-38. Gao Kunlun, Yang Shuai, Liu Siyan, et al. Transient stability assessment for power system based on one-dimensional convolutional neural network[J]. Automation of Electric Power Systems, 2019, 43 (12): 30-38.

[31]Yan Rong, Geng Guangchao, Jiang Quanyuan, et al. Fast transient stability batch assessment using cascaded convolutional neural networks[J]. IEEE Transactions on Power Systems, 2019, 34(4): 2802-2813.

[32]Shi Zhongtuo, Yao Wei, Zeng Lingkang, et al. Convolutional neural network-based power system transient stability assessment and instability mode prediction[J]. Applied Energy, 2020, 263: 114586.

[33]Zhu Qiaomu, Chen Jinfu, Zhu Lin, et al. A deep end-to-end model for transient stability assessment with PMU data[J]. IEEE Access, 2018, 6: 65474-65487.

[34]朱喬木, 陳金富, 李弘毅, 等. 基于堆疊自動編碼器的電力系統暫態穩定評估[J]. 中國電機工程學報, 2018, 38(10): 2937-2946, 3144. Zhu Qiaomu, Chen Jinfu, Li Hongyi, et al. Transient stability assessment based on stacked autoencoder[J]. Proceedings of the CSEE, 2018, 38 (10): 2937-2946, 3144.

[35]王懷遠, 陳啟凡. 基于代價敏感堆疊變分自動編碼器的暫態穩定評估方法[J]. 中國電機工程學報, 2020, 40(7): 2213-2220, 2400. Wang Huaiyuan, Chen Qifan. A transient stability assessment method based on cost-sensitive stacked variational auto-encoder[J]. Proceedings of the CSEE, 2020, 40 (7): 2213-2220, 2400.

[36]譚本東, 楊軍, 賴秋頻, 等. 基于改進CGAN的電力系統暫態穩定評估樣本增強方法[J]. 電力系統自動化, 2019, 43(1): 203-214. Tan Bendong, Yang Jun, Lai Qiupin, et al. Data augment method for power system transient stability assessment based on improved conditional generative adversarial network[J]. Automation of Electric Power Systems, 2019, 43(1): 203-214.

[37]Zhao Minghang, Zhong Shisheng, Fu Xuyun, et al. Deep residual shrinkage networks for fault diagnosis[J]. IEEE Transactions on Industrial Informatics, 2019, 16(7): 4681-4690.

[38]He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE Computer Society, Las Vegas, USA, 2016: 770-778.

[39]Lin Tsungyi, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]//2017 IEEE International Conference on Computer Vision (ICCV), 2017, Venice, Italy, 2999-3007.

[40]Shelhamer E, Long J, Darrell T, et al. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640-651.

[41]Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]//international conference on machine learning, Lile, France, 2015: 448-456.

[42]Martin K E, Hamai D, Adamiak M, et al. Exploring the IEEE Standard C37. 118–2005 synchrophasors for power systems[J]. IEEE Transactions on Power Delivery, 2008, 23(4): 1805-1811.

[43]Ke Guolin, Meng Qi, Finley T W, et al. LightGBM: a highly efficient gradient boosting decision tree[C]//Advances in Neural Information Processing Systems, Long Beach, USA, 2017: 3147-3155.

Power System Transient Stability Assessment Based on Improved Deep Residual Shrinkage Network

Lu Jinling Guo Luyu

（School of Electrical and Electronic Engineering North China Electric Power University Baoding 071003 China）

In power system transient stability assessment, the measurement data of power system synchronous phasor measurement unit (PMU) may exist noise problems during acquisition and transmission process, and the transient stability and instability samples are imbalanced, resulting in the tendency of data-driven transient stability assessment model training and serious misjudgment problems. This paper proposes a power system transient stability assessment method based on improved deep residual shrinkage networks (IDRSN). First, the bottom-level measured electrical quantity is constructed as a feature map as the input of model, and the deep structure of model is used to establish the mapping relationship between the input and the stable result. Faced with noise problems, the model uses the attention mechanism to automatically learn the noise threshold through a soft threshold function to reduce noise and irrelevant feature interference; and through focus loss function (FL), the weight coefficient is introduced to correct the tendency of model training. Modulation factors is used to focus on misclassified samples to improve model training efficiency and evaluation performance. Through the simulation verification of the New England 10-machine 39-node system, the proposed model can effectively reduce the noise interference of different degrees, correct the bias of the model training on the imbalanced data set, and reduce the misclassified samples. Under different PMU configuration schemes, all are obtained better evaluation effect.

Power system, transient stability assessment, deep learning, deep residual shrinkage network, focal loss

TM712

10.19595/j.cnki.1000-6753.tces.200437

2020-05-05

2020-08-05

盧錦玲 女，1971年生，博士，副教授，研究方向為電力系統運行、分析與控制等。E-mail：lujinling@126. com

郭魯豫 女，1996年生，碩士研究生，研究方向為電力系統運行、分析。E-mail：guoluyu111@126. com（通信作者）

（編輯 赫蕾）