基于改進(jìn)域?qū)惯w移學(xué)習(xí)的電力系統(tǒng)暫態(tài)穩(wěn)定自適應(yīng)評(píng)估

申錦鵬，楊 軍，李 蕊，張 俊，王 曉，王飛躍

（1. 武漢大學(xué)電氣與自動(dòng)化學(xué)院，湖北省武漢市 430072；2. 中國(guó)科學(xué)院自動(dòng)化研究所復(fù)雜系統(tǒng)管理與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京市 100190）

0 引言

隨著新能源和電力電子設(shè)備大量接入［1］，電力系統(tǒng)規(guī)模不斷擴(kuò)大，電網(wǎng)運(yùn)行工況日益復(fù)雜，給電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估（transient stability assessment，TSA）帶來(lái)了新的挑戰(zhàn)［2］。隨著人工智能技術(shù)的發(fā)展，以及廣域測(cè)量系統(tǒng)（wide area measurement system，WAMS） 、同 步 相 量 測(cè) 量 單 元（synchrophasor measurement unit，PMU）的普及，基于數(shù)據(jù)驅(qū)動(dòng)的穩(wěn)定評(píng)估方法受到了廣泛關(guān)注［3］。

目前，已提出多種基于數(shù)據(jù)驅(qū)動(dòng)的暫態(tài)穩(wěn)定評(píng)估算法，如決策樹(shù)［4］、支持向量機(jī)（support vector machine，SVM）［5］、集成學(xué)習(xí)［6］、深度學(xué)習(xí)［7］等。同時(shí)，生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network，GAN）、增量學(xué)習(xí)、代理模型等機(jī)器學(xué)習(xí)方法也分別應(yīng)用于解決數(shù)據(jù)不平衡、樣本更新、模型可解釋性等問(wèn)題。但機(jī)器學(xué)習(xí)模型均有很強(qiáng)的領(lǐng)域垂直特性［3］，即所應(yīng)用的領(lǐng)域越垂直、越細(xì)致，其效果越好，但模型的通用性也隨之降低。

為解決以上問(wèn)題，近年來(lái)有學(xué)者采用遷移學(xué)習(xí)方法，將原始場(chǎng)景中獲得的知識(shí)遷移至當(dāng)前評(píng)估模型的構(gòu)建中，以實(shí)現(xiàn)電力系統(tǒng)暫態(tài)穩(wěn)定性的自適應(yīng)評(píng)估。目前，遷移學(xué)習(xí)方法主要分為樣本遷移［8-9］、特征遷移［10-11］和模型遷移［12-13］。文獻(xiàn)［8］對(duì)源域和目標(biāo)域樣本間的歐氏距離進(jìn)行排序，根據(jù)樣本相似度選擇遷移樣本。文獻(xiàn)［9］基于關(guān)鍵故障持續(xù)時(shí)間和關(guān)鍵故障位置選擇遷移樣本，將選取的源域樣本和目標(biāo)域少量樣本融合起來(lái)訓(xùn)練模型，解決了新場(chǎng)景下訓(xùn)練樣本不足的問(wèn)題。文獻(xiàn)［10］基于遷移成分分析（transfer component analysis，TCA）算法，將源域和目標(biāo)域映射到相似度更高的再生核希爾伯特空間以減少其邊緣概率分布的距離，使得對(duì)源域知識(shí)的篩選更加精細(xì)。……