李向偉, 劉思言, 高昆侖*

(1.華北電力大學(xué)電氣與電子工程學(xué)院，北京 102206； 2.全球能源互聯(lián)網(wǎng)研究院，北京 102209)

隨著電力系統(tǒng)的復(fù)雜度日益提升，給系統(tǒng)安全帶來(lái)嚴(yán)峻考驗(yàn)，也對(duì)電網(wǎng)在線暫態(tài)穩(wěn)定評(píng)估(transient stability assessment, TSA)的快速性和精確性提出了更高要求[1-3]。傳統(tǒng)的時(shí)域仿真法[4]和直接法[5-7]分別受限于其計(jì)算速度慢和建模困難，使得兩種方法不能同時(shí)滿足快速性和精確性要求。近年來(lái)，廣域測(cè)量系統(tǒng)和機(jī)器學(xué)習(xí)方法的快速發(fā)展為問(wèn)題的解決提供了新思路[8-13]。

機(jī)器學(xué)習(xí)方法不需要建立復(fù)雜的物理模型，而是通過(guò)合適的輸入輸出量，即可建立一個(gè)對(duì)應(yīng)的非線性映射，自學(xué)習(xí)能力強(qiáng)；對(duì)于訓(xùn)練完成的模型，將測(cè)試樣本輸入即可立即進(jìn)行分類，評(píng)估速度快，因此成為暫態(tài)穩(wěn)定評(píng)估的熱點(diǎn)方法[8-13]。

以往研究取得了較好的評(píng)估效果，但同時(shí)也有很大局限。一是所選特征的構(gòu)造多以所有發(fā)電機(jī)的功角、轉(zhuǎn)速等電氣量數(shù)據(jù)為基礎(chǔ)，而這些特征的計(jì)算難度相對(duì)較大或采集所需時(shí)間較長(zhǎng)[14]，同時(shí)，還因現(xiàn)有條件下相量測(cè)量單溫(PMU)不能全面覆蓋而使得特征量的構(gòu)造更加困難；二是傳統(tǒng)研究均在純凈數(shù)據(jù)條件下進(jìn)行評(píng)估，而機(jī)器學(xué)習(xí)模型由于其非線表達(dá)能力有限，在處理復(fù)雜問(wèn)題時(shí)數(shù)據(jù)挖掘能力不強(qiáng)[15]，進(jìn)而限制了其在復(fù)雜條件下的評(píng)估準(zhǔn)確性。

近年來(lái)，機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)方法發(fā)展迅猛，它通過(guò)靈活多變的結(jié)構(gòu)、多樣的訓(xùn)練策略及不同的權(quán)值共享方式使其相對(duì)于機(jī)器學(xué)習(xí)模型能夠提取到更有用的特征，進(jìn)而挖掘數(shù)據(jù)的潛在規(guī)律[16]，在圖像、自然語(yǔ)言處理等領(lǐng)域取得較大成功[17]。

為了克服傳統(tǒng)方法的缺點(diǎn)，進(jìn)一步提高模型評(píng)估的準(zhǔn)確性，本文考慮到暫態(tài)過(guò)程的時(shí)間變化特點(diǎn)以及深度學(xué)習(xí)在處理復(fù)雜問(wèn)題上的優(yōu)勢(shì)，將深度學(xué)習(xí)中常用來(lái)處理時(shí)間序列問(wèn)題的雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)[18](bidirectional long short term memory network, BiLSTM)引入并和利用輕量梯度提升機(jī)[19](light gradient boosting machine, LGBM)改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)(improved convolutional neural networks, ICNN)在TSA問(wèn)題中進(jìn)行模型融合。此外在考慮了PMU不能全面覆蓋以及數(shù)據(jù)傳輸量不宜過(guò)大的場(chǎng)景上，提出在PMU最優(yōu)布點(diǎn)上進(jìn)行特征構(gòu)建的方法，在此基礎(chǔ)上構(gòu)建了“全階段”時(shí)間序列特征，所選數(shù)據(jù)易于計(jì)算采集，同時(shí)又能在應(yīng)用較少輸入量的條件下保證模型評(píng)估的準(zhǔn)確率。

1 基于BiLSTM-ICNN的暫態(tài)穩(wěn)定評(píng)估模型設(shè)計(jì)

1.1 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)由連接著一個(gè)輸出層的前后兩向LSTM構(gòu)成，如圖1所示，其總輸出為前后向輸出之和。

圖1 雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖Fig.1 The model structure diagram of bidirectional long short term memory network

BiLSTM能綜合時(shí)間序列兩個(gè)方向的信息，主要用于多變量時(shí)間序列分類任務(wù)。每向LSTM計(jì)算方法相同，均由輸入層、輸出層和隱藏層構(gòu)成，隱藏層每一個(gè)記憶單元都擁有圖2所示結(jié)構(gòu)。

圖2 記憶單元結(jié)構(gòu)示意圖Fig.2 The structure diagram of memory cell

記憶單元的3個(gè)門接收當(dāng)前狀態(tài)xt、上一時(shí)刻的輸出ht-1以及歷史狀態(tài)信息ct-1作為輸入，隨后，每一個(gè)門通過(guò)對(duì)不同來(lái)源的輸入進(jìn)行運(yùn)算來(lái)決定對(duì)歷史信息和當(dāng)前信息的記憶程度。具體過(guò)程如下：首先，輸入門和遺忘門通過(guò)非線性函數(shù)對(duì)數(shù)據(jù)進(jìn)行變換，分別輸出it和ft，具體公式如下所示：

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(1)

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(2)

隨后，將ft與歷史狀態(tài)信息ct-1相乘，并和與經(jīng)控制激活函數(shù)相乘后的遺忘門的輸出疊加構(gòu)成當(dāng)前單元的狀態(tài)ct：

ct=ftct-1+itσ1(Wxcxt+Whcht-1+bc)

(3)

最后，再將當(dāng)前狀態(tài)信息ct與輸出門的控制激活值相乘構(gòu)成本單元的輸出：

ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)

(4)

ht=otσ1(ct)

(5)

式中：Wxc、Wxi、Wxf、Wxo為連接輸入信號(hào)xt的權(quán)重矩陣；Whc、Wih、Whf、Who為連接隱含層輸出信號(hào)ht的權(quán)重矩陣；Wci、Wcf、Wco為連接神經(jīng)元輸出矢量ct和門函數(shù)的對(duì)角矩陣；bi、bc、bf、bo為偏置向量；σ和σ1為sigmoid和tanh函數(shù)；ft和it分別為遺忘門和輸入門的輸出；xt、ht-1及ct-1分別為歷史狀態(tài)信息、上一時(shí)刻的輸出和歷史狀態(tài)信息。

1.2 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)通過(guò)卷積和池化操作能夠自動(dòng)提取到使模型易于分類的高階特征，隨后送入全連接層進(jìn)行分類。然而由于全連接層表達(dá)能力有限，因此其往往并不能作為最優(yōu)分類器來(lái)執(zhí)行任務(wù)。針對(duì)此問(wèn)題首次提出利用LGBM對(duì)其進(jìn)行替換。LGBM是微軟在2017年提出的改進(jìn)的梯度提升決策樹[20](gradient boosting decision tree, GBDT)模型，和GBDT一樣是一種集成分類器模型，每個(gè)子分類器為分類回歸樹。LGBM在GBDT的基礎(chǔ)上除了吸收了集成模型具有較高準(zhǔn)確率的優(yōu)點(diǎn)，又通過(guò)改進(jìn)直方圖算法[19]極大地加快了分類速度，降低了內(nèi)存的使用率，提高了模型的泛化性能。

1.3 BiLSTM-ICNN模型結(jié)構(gòu)設(shè)計(jì)

設(shè)計(jì)了一種基于BiLSTM-ICNN的模型，結(jié)構(gòu)如圖3所示。考慮到TSA問(wèn)題的時(shí)間序列數(shù)據(jù)較長(zhǎng)，首先利用能夠存儲(chǔ)長(zhǎng)期記憶并能綜合前后兩個(gè)方向信息的雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)初始化處理后的電網(wǎng)的時(shí)間序列數(shù)據(jù)進(jìn)行特征抽象，數(shù)據(jù)抽象后的電氣量維度變換為k，時(shí)間序列維度不變；隨后，利用一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)BiLSTM抽象后的數(shù)據(jù)進(jìn)行進(jìn)一步的特征提取。一維卷積神經(jīng)網(wǎng)絡(luò)一方面能通過(guò)窗口大于1的卷積核的卷積操作進(jìn)一步抽取特征的前后時(shí)間序列信息，另一方面，相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，CNN能夠通過(guò)權(quán)值共享方式加速模型的訓(xùn)練以及通過(guò)最大池化操作保留最重要的特征；卷積神經(jīng)網(wǎng)絡(luò)的最后一次池化操作后，將特征數(shù)據(jù)變換成為一維向量，考慮到集成模型在分類能力上優(yōu)于單一模型，因此將最后一次池化后的一維特征數(shù)據(jù)輸入到輕量梯度提升機(jī)中來(lái)進(jìn)行分類任務(wù)。

圖3 本文TSA模型結(jié)構(gòu)示意圖Fig.3 The TSA model structure diagram of this paper

為了防止深度學(xué)習(xí)出現(xiàn)過(guò)擬合，通過(guò)正則化方法來(lái)增強(qiáng)模型的泛化性和穩(wěn)定性。利用L2-范數(shù)對(duì)各層的權(quán)值矩陣進(jìn)行約束[21]，使模型學(xué)習(xí)到更小的權(quán)值，降低模型復(fù)雜度，讓數(shù)據(jù)擬合方式更恰當(dāng)。此外，采用批歸一化技術(shù)[22](batch normalization)以及Dropout[23]策略進(jìn)一步防止過(guò)擬合現(xiàn)象。Dropout策略是對(duì)網(wǎng)絡(luò)訓(xùn)練期間的優(yōu)化，體現(xiàn)在網(wǎng)絡(luò)訓(xùn)練時(shí)按一定概率隨機(jī)丟棄部分神經(jīng)網(wǎng)絡(luò)單元，即每次均訓(xùn)練不同的網(wǎng)絡(luò)，因而使得網(wǎng)絡(luò)不依賴于某些局部特征而去學(xué)習(xí)更加魯棒的特征，同時(shí)文獻(xiàn)[24]指出Dropout具有數(shù)據(jù)增強(qiáng)功能；批歸一化技術(shù)于2015年由谷歌提出，設(shè)計(jì)在激活函數(shù)之前，主要操作是將神經(jīng)元的輸出進(jìn)行類似歸一化的操作，減小輸出數(shù)據(jù)分布的變化，進(jìn)而充分利用激活函數(shù)[22]。

2 暫態(tài)穩(wěn)定評(píng)估過(guò)程

2.1 在最優(yōu)PMU配置基礎(chǔ)上的時(shí)間序列特征

電力系統(tǒng)在擾動(dòng)發(fā)生后各電氣量將會(huì)隨時(shí)間的變化而變化，構(gòu)造能反映系統(tǒng)暫態(tài)動(dòng)態(tài)過(guò)程的特征是暫態(tài)穩(wěn)定能夠進(jìn)行有效評(píng)估的前提。

傳統(tǒng)TSA問(wèn)題的特征構(gòu)建往往是在PMU全面覆蓋的基礎(chǔ)上進(jìn)行的，主要包括基于“三段式”特征[8-10, 13]及基于受擾后軌跡特征[11-12]的構(gòu)建方法。從PMU配置的實(shí)際出發(fā)，吸收兩種方法的優(yōu)點(diǎn)，并克服其缺點(diǎn)，構(gòu)建了在最優(yōu)PMU配置基礎(chǔ)上的“全階段”時(shí)間序列特征。

由于對(duì)系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)為PMU主要功能之一[25]，因此以系統(tǒng)的可監(jiān)測(cè)性為前提，采用0～1整數(shù)規(guī)劃方法進(jìn)行PMU最優(yōu)布點(diǎn)。在此最優(yōu)布點(diǎn)基礎(chǔ)上，根據(jù)所用數(shù)據(jù)易于計(jì)算采集且能充分反映系統(tǒng)動(dòng)態(tài)變化的原則進(jìn)行初始電氣量選擇。由于PMU可直接量測(cè)其布點(diǎn)的母線電壓和與布點(diǎn)母線相連的線路的電流，進(jìn)而量測(cè)PMU布點(diǎn)所連線路的功率，而與發(fā)電機(jī)母線直接相連線路的有功功率能反映發(fā)電機(jī)出力變化，對(duì)暫態(tài)穩(wěn)定具有重要意義，因此選擇該類線路有功功率作為特征；除此之外，電壓作為電力系統(tǒng)里最基本的電氣量，一方面能夠通過(guò)PMU直接進(jìn)行采集計(jì)算，另一方面，由于電壓軌跡是系統(tǒng)故障后的直接時(shí)域響應(yīng)，可作為系統(tǒng)受擾程度和穩(wěn)定性質(zhì)的重要表征，因此再選取布點(diǎn)母線的電壓幅值和相角作為特征。最終選取了最優(yōu)節(jié)點(diǎn)的上述三類特征從故障發(fā)生前2周波至故障切除后3周波的全時(shí)間序列作為輸入數(shù)據(jù)。

2.2 構(gòu)造穩(wěn)定判據(jù)

基于深度學(xué)習(xí)的暫態(tài)穩(wěn)定評(píng)估最終要給出系統(tǒng)在擾動(dòng)下穩(wěn)定與否，因此是一個(gè)二分類問(wèn)題，根據(jù)暫態(tài)穩(wěn)定指標(biāo)(transient stability index, TSI)對(duì)樣本穩(wěn)定與否進(jìn)行標(biāo)注。TSI的計(jì)算如下：

(6)

式(6)中：Δδmax為發(fā)生擾動(dòng)后4 s末任意兩臺(tái)發(fā)電機(jī)功角差最大值。對(duì)于每個(gè)樣本，如果TSI為正，則系統(tǒng)是穩(wěn)定的，樣本標(biāo)簽標(biāo)注為1；如果TSI為負(fù)，系統(tǒng)是不穩(wěn)定的，樣本標(biāo)簽標(biāo)注為0。

2.3 建立評(píng)估指標(biāo)

由于電力系統(tǒng)對(duì)于穩(wěn)定樣本判定為失穩(wěn)和失穩(wěn)樣本判定為穩(wěn)定的代價(jià)不同，前者將失穩(wěn)樣本錯(cuò)判為穩(wěn)定，導(dǎo)致運(yùn)行人員在系統(tǒng)即將失穩(wěn)前不采取任何控制措施，將給系統(tǒng)造成嚴(yán)重破壞，而后者將穩(wěn)定樣本誤判為失穩(wěn)，帶來(lái)的影響要小得多，因此為了檢驗(yàn)?zāi)Ｐ偷木C合評(píng)價(jià)性能除采用準(zhǔn)確率(accuracy, Acc)外，還引入召回率(recall, Rec)作為評(píng)估指標(biāo)，以更好地評(píng)估模型的實(shí)用性。召回率計(jì)算公式如下：

(7)

式(7)中：Tus表示失穩(wěn)樣本被正確分類的樣本數(shù)；Fs表示“失穩(wěn)樣本誤判為穩(wěn)定”的樣本數(shù)。

2.4 離線訓(xùn)練和在線評(píng)估

基于BiLSTM-ICNN的評(píng)估方法可在離線階段通過(guò)離線數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，保存一個(gè)具有較好泛化性能的模型，以便在發(fā)生故障時(shí)進(jìn)行快速在線評(píng)估?？赏ㄟ^(guò)對(duì)典型運(yùn)行方式下的測(cè)試系統(tǒng)設(shè)置故障，得到各種典型工況和典型故障下的時(shí)域仿真樣本集，并通過(guò)訓(xùn)練得到能夠適應(yīng)不同場(chǎng)景和工況下的評(píng)估模型。在擾動(dòng)發(fā)生時(shí)，即可通過(guò)PMU獲取實(shí)時(shí)量測(cè)數(shù)據(jù)并利用訓(xùn)練好的TSA模型進(jìn)行在線穩(wěn)定評(píng)估。

3 實(shí)例驗(yàn)證分析

3.1 樣本生成及初始數(shù)據(jù)采集

采用TSA問(wèn)題中眾多專家學(xué)者[8-13]常用的系統(tǒng)頻率為60 Hz的新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)對(duì)所提方法進(jìn)行驗(yàn)證(圖4)。應(yīng)用PSS/E仿真軟件，發(fā)電機(jī)模型采用六階模型，負(fù)荷為恒阻抗模型。分別設(shè)置了80%～120%的五種負(fù)荷水平，在不同線路的10%、35%、50%、65%、90%處設(shè)置永久性三相短路故障，保護(hù)裝置動(dòng)作時(shí)間為故障發(fā)生后0.2～0.6 s，數(shù)據(jù)采樣間隔為0.008 3 s。仿真共得到樣本10 200條，其中穩(wěn)定樣本7 714條，失穩(wěn)樣本2 486條，穩(wěn)定/失穩(wěn)樣本比例為3∶1。PMU最優(yōu)布點(diǎn)采用整數(shù)規(guī)劃方法，最終布點(diǎn)結(jié)果為母線：2、6、9、10、13、14、17、19、22、23、25、29、34。

圖4 IEEE39節(jié)點(diǎn)系統(tǒng)Fig.4 IEEE39 node system

由于故障切除時(shí)間不是一個(gè)固定常數(shù)，因此按2.1節(jié)所選的序列長(zhǎng)度會(huì)因不同的故障切除時(shí)間而不同。由于基于深度學(xué)習(xí)的模型能夠識(shí)別出不對(duì)特征做出貢獻(xiàn)的0值序列，因此以最長(zhǎng)故障切除時(shí)刻為基準(zhǔn)對(duì)不足序列進(jìn)行補(bǔ)零，使得最終數(shù)據(jù)的特征矩陣大小相等?？紤]到實(shí)際采樣條件下由于數(shù)據(jù)采集過(guò)程中會(huì)產(chǎn)生噪聲和異常值，因此對(duì)干凈數(shù)據(jù)集添加10 dB的高斯噪聲和1%的異常值(用0值表示)，此類數(shù)據(jù)以下簡(jiǎn)稱噪聲數(shù)據(jù)。

3.2 模型在不同條件下的評(píng)估性能

將樣本集隨機(jī)按8∶1∶1比例劃分為訓(xùn)練集/驗(yàn)證集/測(cè)試集，BiLSTM-ICNN模型的超參數(shù)根據(jù)問(wèn)題實(shí)際及參數(shù)尋優(yōu)確定，BiLSTM神經(jīng)元個(gè)數(shù)為64；CNN卷積層共有2層，每一個(gè)卷積層均設(shè)計(jì)具有64個(gè)窗口大小為3的卷積核；LGBM葉子數(shù)為50，最大樹深度限制為6；采用Adam[26]優(yōu)化算法對(duì)學(xué)習(xí)率進(jìn)行自適應(yīng)調(diào)整，初始學(xué)習(xí)率0.001。將所提模型與傳統(tǒng)機(jī)器學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、決策樹(decision tree, DT)及支持向量機(jī)(support vector machine, SVM)和傳統(tǒng)深度學(xué)習(xí)算法CNN、LSTM進(jìn)行對(duì)比。其中ANN和CNN的激活函數(shù)、正則化策略和優(yōu)化算法與所提模型保持一致，6種模型的結(jié)構(gòu)及參數(shù)均進(jìn)行尋優(yōu)，最終確定ANN結(jié)構(gòu)為[500，200，50，1]；CNN采用四次卷積加池化操作，4層卷積核分別為[32，32，64，64]，CNN利用全連接層進(jìn)行分類；LSTM結(jié)構(gòu)同本文模型的BiLSTM中的前向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，并利用全連接層進(jìn)行分類；4種神經(jīng)網(wǎng)絡(luò)模型的迭代次數(shù)均設(shè)計(jì)為50。DT采用CART樹，SVM選用線性核函數(shù)。

3.2.1 模型在干凈數(shù)據(jù)條件下的評(píng)估性能

將不考慮噪聲和異常值條件下的數(shù)據(jù)分別輸入6種模型中進(jìn)行暫態(tài)穩(wěn)定評(píng)估，結(jié)果如表1所示。

表1 干凈數(shù)據(jù)條件下的評(píng)估結(jié)果Table 1 Assessment results of clean data

由表1可知，干凈數(shù)據(jù)集下本文模型具有最高的評(píng)估性能，準(zhǔn)確率和召回率分別達(dá)到98.54%和97.19%，對(duì)比另外兩種深度學(xué)習(xí)模型，體現(xiàn)了融合模型能夠利用各自優(yōu)勢(shì)對(duì)時(shí)間序列進(jìn)行更好地處理。對(duì)比三種深度學(xué)習(xí)模型與三種機(jī)器學(xué)習(xí)模型可知，機(jī)器學(xué)習(xí)模型的準(zhǔn)確率雖然都處于90%以上，但從召回率指標(biāo)可以看出三種機(jī)器學(xué)習(xí)模型在樣本比例不均的情況下更傾向于分類為比例較高樣本；ANN相較于另外兩種模型而言性能較高，但因其結(jié)構(gòu)不能較好地利用時(shí)間序列數(shù)據(jù)，因此其準(zhǔn)確率和召回率仍不如三種深度學(xué)習(xí)模型。

3.2.2 模型在噪聲條件下的評(píng)估性能

在干凈數(shù)據(jù)集中添加1%的異常值和10 dB的高斯噪聲數(shù)據(jù)以驗(yàn)證模型的抗噪性能。將數(shù)據(jù)分別輸入6種模型，結(jié)果如表2所示。

表2 噪聲條件下的暫態(tài)穩(wěn)定評(píng)估結(jié)果Table 2 Assessment results of noisy data

由表2可知本文所提算法的評(píng)估性能依然較其他算法有著很大優(yōu)勢(shì)，具有較好的穩(wěn)定性，同時(shí)另外兩種深度學(xué)習(xí)模型在含有異常值和10 dB噪聲數(shù)據(jù)下也保持著較機(jī)器學(xué)習(xí)更優(yōu)越的抗噪性能。這是由于深度學(xué)習(xí)在有著強(qiáng)大的自動(dòng)特征提取能力外還通過(guò)Dropout、批歸一化操作保持了較高的泛化性能，因此不易陷入過(guò)擬合和局部最優(yōu)，同時(shí)本文模型的LGBM結(jié)構(gòu)所采用的改進(jìn)直方圖算法也在一定程度上提高了模型的泛化性。ANN也采用了和深度學(xué)習(xí)一樣的正則化方法，因而其評(píng)估性能好于另外兩種機(jī)器學(xué)習(xí)方法，但相對(duì)于深度學(xué)習(xí)模型，表現(xiàn)依然不盡如人意。

3.2.3 模型在PMU不同布點(diǎn)下的評(píng)估性能

為了測(cè)試在不同布點(diǎn)條件下的模型評(píng)估性能，將最優(yōu)配置方案與方案a(在所有發(fā)電機(jī)母線以及部分重要母線進(jìn)行布點(diǎn))和方案b(隨機(jī)布點(diǎn))在噪聲集上進(jìn)行對(duì)比，兩種方案PMU布點(diǎn)數(shù)與3.1節(jié)一致，選用布點(diǎn)如表3所示。

三種不同布點(diǎn)方案下的模型評(píng)估結(jié)果如表4所示。

表3 方案a、b的PMU布點(diǎn)位置Table 3 The PMU placement of plan a and b

表4 三種布點(diǎn)方案下的評(píng)估結(jié)果Table 4 The assessment results of three different plans

結(jié)果表明相較于基于PMU最優(yōu)配置方案，在方案a、方案b下各模型準(zhǔn)確率和召回率均有所下降，且隨機(jī)方案普遍下降較大，這是因?yàn)镻MU最優(yōu)布點(diǎn)方案滿足系統(tǒng)可觀測(cè)要求，具有較高的代表性，所選布點(diǎn)大多為所連線路較多的重要母線，因此具有更高的優(yōu)越性。同時(shí)，三種深度學(xué)習(xí)模型在另外兩種布點(diǎn)上仍然具有相對(duì)較高的準(zhǔn)確率和召回率，機(jī)器學(xué)習(xí)模型依舊傾向于分類為高比例樣本，因此體現(xiàn)了深度學(xué)習(xí)模型具有較高的魯棒性，且本文方法同樣保持著最優(yōu)越的評(píng)估性能。

3.2.4 模型在PMU全布點(diǎn)下的評(píng)估性能

采用所有母線的電壓幅值、相角和所有與發(fā)電機(jī)母線直連線路的有功功率三類電氣量的時(shí)間序列數(shù)據(jù)作為輸入，在噪聲集中評(píng)估結(jié)果如表5所示。

表5 PMU全布點(diǎn)方案下的評(píng)估結(jié)果Table 5 The assessment results of PMU full placement

PMU全布點(diǎn)下的性能指標(biāo)普遍有所上升，但由于現(xiàn)有條件下一方面PMU價(jià)格昂貴無(wú)法全面覆蓋，另一方面由于數(shù)據(jù)傳輸量巨大也會(huì)造成通信延時(shí)，因此使得其應(yīng)用受限。雖然本文模型在最優(yōu)PMU配置條件下，準(zhǔn)確率和召回率分別降低了0.39%和1.20%，但仍然保持在一個(gè)較高的水平，且將數(shù)據(jù)量壓縮到了近1/3，因此具有較好的實(shí)用性。

4 結(jié)論

首次在電力系統(tǒng)暫態(tài)穩(wěn)定問(wèn)題中提出一種基于BiLSTM-ICNN的評(píng)估方法，并在PMU最優(yōu)布點(diǎn)基礎(chǔ)上構(gòu)建了全階段時(shí)序特征以適應(yīng)其不能全面覆蓋的現(xiàn)實(shí)場(chǎng)景，通過(guò)在新英格蘭10機(jī)39節(jié)點(diǎn)系統(tǒng)上進(jìn)行實(shí)驗(yàn)，得到如下結(jié)論。

(1)相比傳統(tǒng)機(jī)器學(xué)習(xí)和傳統(tǒng)深度學(xué)習(xí)方法，所提模型能夠有效利用暫態(tài)過(guò)程的時(shí)序特征，評(píng)估準(zhǔn)確率及召回率較高。

(2)對(duì)于現(xiàn)實(shí)場(chǎng)景中存在噪聲以及PMU不能全面覆蓋的限制，模型依然具有較好的評(píng)估性能，體現(xiàn)了方法的穩(wěn)定性和魯棒性。

(3)方法利用故障發(fā)生前2周波至故障切除后3周波的數(shù)據(jù)即可迅速對(duì)系統(tǒng)進(jìn)行判穩(wěn)，滿足快速性的要求。

深度學(xué)習(xí)方法在電力系統(tǒng)暫態(tài)穩(wěn)定問(wèn)題中具有較好的應(yīng)用前景，未來(lái)可研究所提方法在加入單相故障、兩相故障以及復(fù)故障的場(chǎng)景下如何進(jìn)行應(yīng)用，同時(shí)利用深度學(xué)習(xí)方法進(jìn)行暫態(tài)穩(wěn)定控制也是未來(lái)的研究方向。