融合多類型深度遷移學習的電力系統(tǒng)暫態(tài)穩(wěn)定自適應評估

李寶琴，吳俊勇，張若愚，強子玥，覃柳蕓，王春明，董向明

（1. 北京交通大學電氣工程學院，北京 100044；2. 中國長江三峽集團有限公司科學技術(shù)研究院，北京 100038；3. 國家電網(wǎng)公司華中分部，湖北武漢 430077）

0 引言

研究表明，大停電事故的開端往往伴隨著暫態(tài)穩(wěn)定的破壞。現(xiàn)代電網(wǎng)規(guī)模的不斷擴大、新能源接入比例的不斷提高，都對電力系統(tǒng)的安全穩(wěn)定運行提出了新的挑戰(zhàn)［1-2］。

現(xiàn)有的暫態(tài)穩(wěn)定評估（transient stability assessment，TSA）方法主要有時域仿真法［3］、直接法［4］和機器學習法［5-11］。時域仿真法是最成熟的TSA方法，其計算精度高，但其求解速度慢。直接法計算速度快，但面對復雜電網(wǎng)時不易確定能量函數(shù)。與傳統(tǒng)的TSA 方法相比，機器學習法從模式識別的角度出發(fā)，無需構(gòu)造復雜的數(shù)學解析模型，通過離線學習建立系統(tǒng)特征量與暫穩(wěn)態(tài)預測輸出結(jié)果間的隱式映射關(guān)系，在實際在線應用時，利用學習到的映射關(guān)系可快速得出穩(wěn)定評估結(jié)果。常用的淺層學習方法主要有支持向量機（support vector machine，SVM）［5］、決策樹（decision tree，DT）［6］、隨機森林（random forest，RF）［7］等。由于淺層學習方法對數(shù)據(jù)挖掘分析的能力有限，在線應用時其泛化能力受到限制。

近年來，隨著深度學習方法的快速發(fā)展以及由于深度學習方法在特征提取方面的優(yōu)越性能，其在人臉識別、自然語言處理等領(lǐng)域廣泛應用。在電力系統(tǒng)TSA領(lǐng)域：文獻［8］提出一種基于深度置信網(wǎng)絡(luò)（deep belief network，DBN）的TSA 方法，利用深層架構(gòu)對系統(tǒng)特征與穩(wěn)定結(jié)果之間的映射關(guān)系進行訓練；文獻［9］提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的TSA 方法，該方法直接面向底層測量數(shù)據(jù)，實現(xiàn)了端到端的“時序特征提取+暫態(tài)穩(wěn)定分類”；……