基于長短期記憶神經網絡的檢修態電網暫態穩定評估方法

王步華 朱劭璇 熊浩清 謝 巖 李曉萌

基于長短期記憶神經網絡的檢修態電網暫態穩定評估方法

王步華1朱劭璇2熊浩清1謝 巖2李曉萌3

（1. 國網河南省電力公司，鄭州 450052； 2. 中國電力科學研究院有限公司，北京 100192； 3. 國網河南省電力公司電力科學研究院，鄭州 450052）

隨著電網規模不斷擴大，電力元件持續增多，電力系統檢修方式日趨復雜，僅依靠傳統方法難以對海量檢修方式下電網的暫態穩定風險進行評估。針對此問題，提出一種基于長短期記憶（LSTM）神經網絡的檢修態電網暫態穩定風險評估方法。首先提出電力系統檢修方式的統一編碼方法，使計算機能夠快速、準確識別電網在各種檢修方式下的運行狀態，然后建立長短期記憶神經網絡并基于大量檢修態電網故障樣本對網絡進行訓練，最終實現對不同檢修方式下電網暫態穩定程度的準確評估。最后，以華中地區某省級電網為算例，驗證了所提方法的準確性。

電力系統；檢修方式；暫態穩定；長短期記憶（LSTM）；神經網絡

0 引言

電力系統檢修方案的制定關系到電網安全穩定運行和社會經濟發展，歷來受到各國電網公司的高度關注。隨著特高壓交直流電網的快速發展，我國電力系統資源優化配置能力顯著提高，交直流混聯運行局面已經形成[1-3]。電網規模的增大，在極大提高資源配置能力的同時，也造成電網檢修方案制定日趨復雜。當電網處于不同檢修狀態時，電網全接線結構破壞程度不同，導致故障后電網暫態穩定不確定性增大。如何對海量檢修方式下電網的暫態穩定程度進行快速、準確評估，進而指導電力系統檢修方案的制定，是保證電網安全穩定運行亟待解決的問題。

目前，國內外在電力系統暫態穩定分析方面已經進行了大量研究，提出了很多各有優勢的分析方法，主要可分為時域仿真法[4-7]和直接法[8-11]。其中，時域仿真法可以在暫態穩定計算中考慮各個設備元件的詳細數學模型，計算結果準確性高，因而在電網實際運行分析中應用最多。但時域仿真法計算量大，計算時間長，往往采取“離線計算，在線匹配”分析方式，而對于大電網，當電網拓撲結構及潮流分布變化較大時，時域仿真的計算結果可能偏差較大甚至失效。直接法是基于前蘇聯學者李雅普諾夫提出的能量函數建立起來的一系列暫態穩定分析方法，主要包括主導不穩定平衡點法[12-13]、勢能界面法[14]及薛禹勝院士提出的擴展等面積準則（extended equal area criterion, EEAC）法[15-16]等。直接法克服了傳統時域仿真法計算時間長且無法給出系統穩定裕度的固有缺點，但計算結果往往偏 保守。

隨著電網復雜程度增加及海量電力大數據融入，人工智能算法不依賴電網物理模型、善于挖掘數據規律的優勢逐漸體現出來[17-19]。深度學習是近年來人工智能算法發展出的一條重要分支，其強大的非線性映射和特征提取能力得到了廣泛的應用并且效果顯著[20-24]。目前，已有研究將深度學習技術應用于電力系統暫態穩定分析領域并取得了一定成果。文獻[25]將故障切除后發電機短時受擾軌跡作為卷積神經網絡的訓練數據，并引入系統受擾程度信息，提升了訓練模型的泛化特性。文獻[26]提出一種基于兩階段遷移學習的暫態穩定評估框架，第一階段利用深度自適應網絡初步實現暫穩評估，第二階段利用遷移模型篩選高價值樣本，提高了評估結果準確度及算法泛化能力。文獻[27]通過提取發電機多電氣量的故障軌跡，利用卷積神經網絡和深度對抗網絡對系統暫態穩定進行評估，可同時預測系統穩定情況下的暫態穩定程度，以及失穩情況下的安控時間裕度。上述研究在針對某些特定運行方式下電網的暫態穩定評估方面取得了較好的效果，但當電網處于不同檢修狀態，拓撲結構發生較大變化時，上述方法的適應性和準確性有待進一步分析確認。

基于上述背景，本文首先提出電力系統檢修方式的統一編碼方法，包括檢修態電網拓撲結構編碼和潮流數據編碼，使計算機能夠快速、準確識別電網在各種檢修方式下的運行狀態。然后基于長短期記憶（long short term memory, LSTM）神經網絡給出檢修態電網暫態穩定風險的評估流程，包括建立重要故障集、制定暫態穩定指標函數及預測準確度函數等。仿真算例表明，所提方法可以有效評估不同檢修運行方式下電網的暫態穩定風險，預測準確率可達96.50%，較傳統人工智能算法提升明顯。

1 檢修態電網運行方式統一編碼方法

實際電力系統中線路、變壓器等設備數目龐大，當不同數量設備進行檢修時，其排列組合情況將是海量的，為使計算機能夠理解不同檢修方式下電網的拓撲結構和運行狀態，需要制定檢修方式下電力系統的統一編碼方法。

1.1 檢修態電網拓撲結構編碼規則

假設待研究電網中包含個母線節點，條支路。首先對個母線節點進行數字編號，然后利用不同母線節點之間連接的并聯線路數目，構建網絡拓撲矩陣，有

式中：為支路編號；和為支路兩端母線編號；V為矩陣中第行第列對應的元素；w為支路的并聯線路數，當支路僅含1條線路時其值為1。

以圖1所示簡單系統為例，其網絡拓撲矩陣為

由矩陣定義可知其為對稱矩陣。

當電網規模較大，母線節點數量較多時，若直接將矩陣作為人工智能算法的輸入數據，則會導致輸入數據維數過大，不利于人工智能算法的訓練和學習。

圖1 電網網絡拓撲示意圖

當電網中部分線路因檢修斷開時，只需調整中對應元素，如圖1系統中母線1和2之間并聯線路中有一條因檢修斷開，則對應元素值由2調整為1。

1.2 建立電網參數輸入向量I

為使人工智能算法能夠正確理解并區分不同檢修方式下電網的運行方式，不僅需要提供電網拓撲結構數據，還需要母線節點的有功、無功功率，以及節點電壓幅值、相位等潮流數據進行學習。如將上述變量全部作為人工智能算法的輸入數據進行訓練，會導致數據過于龐大，計算時間過長，甚至陷入維數災難。因此，必須從以上變量中選擇部分作為輸入數據，以實現降低維度、提高訓練效率的目的。

本文方法需要的電網潮流數據輸入向量包含兩部分：節點注入功率數據向量sb和節點電壓數據向量vb。

1）對節點注入功率數據向量sb，首先從電網全部母線節點中隨機挑選出sb個節點，比例系數為sb。

將所挑選母線節點的注入有功、無功功率按母線序號依次列入向量sb。

2）對節點電壓數據向量vb，同樣從電網全部母線節點中隨機挑選出vb個節點，比例系數為vb。

將所挑選母線節點的電壓幅值、相位按母線序號依次列入向量vb。

由上述向量sb、vb，結合電網拓撲結構向量，最終得到電網參數輸入向量為

2 基于LSTM神經網絡的暫態穩定評估方法

2.1 LSTM方法原理

LSTM神經網絡是在傳統卷積神經網絡基礎上進行改進得到的一種新的訓練方法，其最大的優點是通過增加記憶單元，使訓練網絡具備了對訓練數據記憶和傳承的能力，從而解決了傳統卷積神經網絡無法學習到數據之間依賴關系的問題。

LSTM神經網絡的內部單元結構如圖2所示，其主要特征是除傳統的輸入門和輸出門外還增加了一個遺忘門，負責控制先前學習記憶的傳遞。

圖2 LSTM神經網絡內部單元結構

2.2 基于LSTM的暫態穩定評估

為表征不同檢修運行方式下電網暫態穩定情況，制定暫態穩定指標函數為

重復上述步驟，最終形成電網暫態穩定數據集為

根據數據集，按照上述方法形成輸入向量集。為提高訓練性能，需對數據進行標準化處理，即

隨機選取數據集中的部分數據作為訓練集，剩余部分作為測試集，首先利用訓練集數據對LSTM神經網絡進行訓練，訓練過程中，可通過調節算法的網絡隱含單元個數、訓練輪數、梯度閾值、初始學習率等參數使整體訓練效果達到最優。

式中：t為算法實際訓練時長；kt為時間成本系數，取值范圍為(0, 10]，視調度運行人員要求調整。

為綜合考慮算法預測準確度、預測方差及訓練時間等因素，提出一種算法綜合評價指標，以實現對算法整體效果的綜合評價。

結合電網實際情況，分別計算預測準確度、預測方差及訓練時間成本，進而得到算法綜合評價指標判斷是否滿足電網實際要求，若滿足則說明LSTM神經網絡訓練成功，否則應調整輸入數據的比例系數sb、vb，直至綜合評價指標達到實際要求。

方法整體流程如圖4所示。

圖4 方法整體流程

3 仿真算例

以華中地區某省級電網為例，該電網包含500kV節點69個，500kV輸電線路88條（其中雙回或多回線路均計為1條），電網裝機容量11 000萬kW，其中新能源裝機容量為3 400萬kW，新能源占比約為31%。算例訓練所用計算機配置為Intel(R) Core(TM) i7—10710U CPU@1.10GHz 12核處理器。

首先，生成算例所需訓練集和測試集。針對所選省級電網的具體情況，挑選電網中檢修時易發生暫態失穩事故的14條線路作為重點線路。依次考慮重點線路（1～14）檢修，即開斷線路，利用計算機程序對該省級電網內的發電機、新能源及負荷功率進行隨機調整，調整比例范圍設定為[0.5, 1.2]，剔除無法收斂的潮流數據，最終生成14×200=2 800組可收斂潮流數據。

然后，挑選電網中易發生暫態失穩事故的500kV節點共10個，針對每組潮流數據，對上述節點分別進行三永-2故障穩定計算，得到機組角度差的最大值n。由于我國電網實際運行中安全穩定裕度較大，不易發生暫態失穩事故，為避免電網失穩樣本較少，本算例將故障持續時間c延長至0.15s，仿真總時長s設為5s。通過以上計算，得到數據樣本共14×200=2 800組，隨機選取1 400組數據作為訓練集，剩余1 400組為測試集。

3.1 輸入數據不包含拓撲結構編碼

首先測試未將電網拓撲結構作為輸入數據時，本方法對不同檢修方式下電網暫態穩定風險的預測準確度。此時，LSTM神經網絡的輸入數據集中不包含電網拓撲結構編碼，僅包含節點注入功率數據和節點電壓數據，比例系數sb和vb均設定為1。

建立LSTM神經網絡并利用訓練集對網絡進行訓練，設定網絡隱含單元個數為96×3，訓練輪數為100輪，梯度閾值設置為1。指定初始學習率0.005，在50輪訓練后通過乘以因子0.2來降低學習率。

利用測試集數據對訓練好的LSTM神經網絡進行測試，由式（15）和式（16）得到未將電網拓撲結構作為輸入數據時，所提方法的預測準確率為91.71%，方均誤差為0.020 3。測試集1 400組數據的預測誤差曲線如圖5所示。

3.2 輸入數據包含拓撲結構編碼

下面對本文所提方法準確度進行驗證。首先按式（1）～式（8）生成包含檢修態電網拓撲結構編碼及節點功率、節點電壓等潮流數據編碼在內的電網參數輸入向量，其中比例系數sb和vb仍設定為1。

圖5 未考慮電網拓撲結構時的預測誤差曲線

利用訓練集數據對LSTM神經網絡進行訓練，網絡隱含單元個數、訓練輪數、梯度閾值、學習率等網絡參數設置與3.1節中一致。利用測試集數據對訓練好的LSTM神經網絡進行測試，經計算，考慮檢修態電網拓撲結構后，本文方法的預測準確率為96.50%，較不考慮電網拓撲結構時提升了4.79%，同時方均誤差為0.003 3，降低了83.74%，說明考慮檢修態電網拓撲結構可以有效提升算法的準確率并減小方均誤差。本文算法下測試集1 400組數據的預測誤差曲線如圖6所示，可以發現較未考慮電網拓撲結構時誤差分布區間縮小明顯。

圖6 考慮電網拓撲結構時的預測誤差曲線

經計算，不同方法下的預測結果見表1。發現傳統CNN預測準確率與未考慮檢修態電網拓撲結構的LSTM相接近，二者準確率均好于SVM方法，而本文方法預測準確率明顯優于其他方法。在訓練時間成本方面，由于CNN與SVM訓練時間均小于1h，其時間成本均為0，未考慮拓撲結構的LSTM和本文方法分別為1h4min和1h23min，由式（17）得到其時間成本分別為0.006 7和0.038 0。從算法綜合評價指標來看，本文方法評價值為0.943 4，明顯高于其他方法，從而驗證了本文方法的有效性。

表1 不同方法預測結果統計

此外，比例系數sb和vb的取值不同，將影響算法預測結果的準確度，圖7為比例系數由0.1～1.0變化時，本文算例中預測準確度曲線。

圖7 預測準確度隨比例系數變化曲線

由圖7可知，所提方法的預測準確度隨比例系數的增大呈上升趨勢，說明輸入LSTM神經網絡的潮流數據越詳細，算法的準確率越高。當比例系數達到0.8附近時，預測準確率接近最大值，此后再增大比例系數，算法準確率提升不明顯。此外，當比例系數越大時，LSTM神經網絡的訓練時間也越長，本算例中比例系數由0.8增大到1.0時，訓練時間從56min增加到1h23min，增加了48.2%。

算法綜合評價指標隨比例系數的變化曲線如圖8所示。引入訓練時間成本后，當比例系數從0.8繼續增大時，由于此時算法訓練時間超過1h，訓練成本將隨比例系數的增大而增加，而此時預測準確度及方均誤差指標變化很小，導致綜合評價指標逐漸減小，因此比例系數為0.8時，算法綜合評價值最大，即對于本算例，比例系數最優值為0.8。

圖8 算法綜合評價指標隨比例系數變化曲線

4 結論

本文提出了一種基于LSTM神經網絡的檢修態電網暫態穩定風險評估方法，通過仿真分析，得到以下結論：

1）訓練數據中加入檢修態電網拓撲結構編碼后，本文方法可以有效評估不同檢修運行方式下電網的暫態穩定風險，預測準確率較傳統CNN及SVM等人工智能算法提升明顯。

2）輸入數據比例系數的增大有利于提高算法的準確率，但當比例系數達到一定值后，再增大比例系數，算法準確率提升不再明顯，因此實際應用中應綜合考慮算法預測準確度、方均誤差和訓練時間，找到綜合評價指標最高的最優比例系數。

[1] 劉曄, 沈沉. 交直流混聯系統的能量函數構造方法綜述與探究[J]. 中國電機工程學報, 2022, 42(8): 2842-2854.

[2] 張曉華, 徐偉, 吳峰, 等. 交直流混聯電網連鎖故障特征事件智能溯源及預測方法[J]. 電力系統自動化, 2021, 45(10):17-24.

[3] 郭小穎, 唐俊杰, 舒銅, 等. 基于改進模態分析法的柔性多端交直流混聯系統靜態電壓穩定性評估[J]. 電工技術學報, 2021, 36(17): 3741-3752.

[4] 蘇福, 楊松浩, 王懷遠, 等. 電力系統暫態穩定時域仿真快速終止算法研究[J]. 中國電機工程學報, 2017, 37(15): 4372-4378.

[5] 汪芳宗, 陳德樹, 何仰贊. 大規模電力系統暫態穩定性實時仿真及快速判斷[J]. 中國電機工程學報, 1993, 13(6): 13-19.

[6] 潘明帥, 汪芳宗, 宋墩文, 等. 基于廣義向后差分方法的電力系統暫態穩定性快速數值計算方法[J]. 電力系統保護與控制, 2018, 46(1): 9-15.

[7] 吳滋坤, 張俊勃, 黃欽雄, 等. 基于非誠實牛頓法和雅可比迭代的電力系統時域計算隱式梯形積分交替求解算法[J]. 中國電機工程學報, 2022, 42(8): 2864-2873.

[8] 王長江, 姜濤, 陳厚合, 等. 基于相位校正李雅普諾夫指數的電力系統暫態電壓穩定評估[J]. 電工技術學報, 2021, 36(15): 3221-3236.

[9] PAI M A, SAUER P W. Stability analysis of power systems by Lyapunov’s direct method[J]. IEEE Control Systems Magazine, 1989, 9(1): 23-27.

[10] 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.

[11] 劉志遠, 王杰, 劉瑞麟. 基于Noether定理的多機系統能量函數構造方法[J]. 電網技術, 2020, 44(3): 1034-1040.

[12] 朱劭璇, 王彤, 王增平, 等. 考慮主導不穩定平衡點變化的電力系統暫態穩定切機控制策略[J]. 電力系統保護與控制, 2021, 49(5): 20-28.

[13] 杜兆斌, 黃昌樹, 陳智穎, 等. 基于主導不穩定平衡點法的暫態電壓穩定性研究[J]. 電測與儀表, 2022, 59(12): 64-70.

[14] 傅書逖. 勢能界面法(PEBS)暫態穩定分析的綜述及展望[J]. 電力系統自動化, 1998, 22(9): 16-18.

[15] 黃天罡, 薛禹勝, 林振智, 等. 動態EEAC的自適應分段映射[J]. 電力系統自動化, 2018, 42(21): 21-27.

[16] XUE Y, VAN C T, RIBBENS-PAVELLA M. Extended equal area criterion justifications, generalizations, applications[J]. IEEE Transactions on Power Systems, 1989, 4(1): 44-52.

[17] 陳軒偉. 基于BP-QR模型的負荷區間預測[J]. 電氣技術, 2022, 23(4): 14-17, 24.

[18] 馮雙, 崔昊, 陳佳寧, 等. 人工智能在電力系統寬頻振蕩中的應用與挑戰[J]. 中國電機工程學報, 2021, 41(23): 7889-7905.

[19] 宓登凱, 王彤, 相禹維, 等. 基于Elastic Net的暫態穩定裕度在線評估[J]. 電網技術, 2020, 44(1): 19-26.

[20] 陳振祥, 林培杰, 程樹英, 等. 基于K-means++和混合深度學習的光伏功率預測[J]. 電氣技術, 2021, 22(9): 7-13, 33.

[21] AZMAN S K, ISBEIH Y, MOURSI M, et al. A unified online deep learning prediction model for small signal and transient stability[J]. IEEE Transactions on Power Systems, 2020, 35(6): 4585-4598.

[22] ZHU Lipeng, LUO Yonghong. Deep feedback learning based predictive control for power system under- voltage load shedding[J]. IEEE Transactions on Power Systems, 2021, 36(4): 3349-3361.

[23] 臧國強, 劉曉莉, 徐穎菲, 等. 深度學習在電力設備缺陷識別中的應用進展[J]. 電氣技術, 2022, 23(6): 1-7.

[24] 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[J]. 電工技術學報, 2021, 36(11): 2233-2244.

[25] 安軍, 艾士琪, 劉道偉, 等. 基于短時受擾軌跡的電力系統暫態穩定評估方法[J]. 電網技術, 2019, 43(5): 1690-1697.

[26] 李保羅, 孫華東, 張恒旭, 等. 基于兩階段遷移學習的電力系統暫態穩定評估框架[J]. 電力系統自動化, 2022, 46(17): 176-185.

[27] 時純, 劉君, 梁卓航, 等. 基于GAN和多通道CNN的電力系統暫態穩定評估[J]. 電網技術, 2022, 46(8): 3191-3202.

Assessment method of transient stability for maintenance power system based on long short term memory neural network

WANG Buhua1ZHU Shaoxuan2XIONG Haoqing1XIE Yan2LI Xiaomeng3

(1. State Grid He’nan Electric Power Company, Zhengzhou 450052; 2. China Electric Power Research Institute, Beijing 100192; 3. Electric Power Research Institute of State Grid He’nan Electric Power Company, Zhengzhou 450052)

With the expansion of power grid scale and the increase of power components, the maintenance methods of power system become more and more complex. It is difficult to evaluate the transient stability risk of power grid under massive maintenance only by traditional methods. To solve this problem, a risk assessment method of transient stability in maintenance power network based on long short term memory (LSTM) neural network is proposed. Firstly, the unified coding method of power system maintenance mode is proposed, so that the computer can quickly and accurately identify the operation state of power grid under various maintenance modes. Then, a long short term memory neural network is established and trained based on a large number of fault samples of the power grid under maintenance. After that, the accurate evaluation of the power grid transient stability under different maintenance modes is realized. Finally, a regional power grid in Central China is taken as an example to verify the accuracy of the proposed method.

power system; maintenance mode; transient stability; long short term memory (LSTM); neural network

國網河南省電力公司科技項目（5217022000A8）

2022-11-29

2022-12-18

王步華（1965—），男，高級工程師，研究方向為電力系統運行與控制，新能源發電及并網，電力儲能應用。