CN114330571A

CN114330571A - 基于迁移学习的电力系统主导失稳模式识别方法及系统

Info

Publication number: CN114330571A
Application number: CN202111663449.2A
Authority: CN
Inventors: 姚伟; 张润丰; 石重托; 文劲宇
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2021-12-31
Filing date: 2021-12-31
Publication date: 2022-04-12

Abstract

本发明公开了一种基于迁移学习的电力系统主导失稳模式识别方法及系统，属于电力系统稳定性判断领域，方法包括：利用源域训练深度神经网络模型；主导失稳模式识别过程中出现新工况时，仿真获取新工况下的状态数据以形成目标域；将目标域和源域中的状态数据分别输入深度神经网络模型，经由特征提取网络进行特征提取后输出相对应的特征数据；基于特征数据之间的局部最大平均差异计算源域与目标域之间的分布差异损失，利用源域计算深度神经网络模型的交叉熵分类损失，并对分布差异损失和交叉熵分类损失进行加权求和得到最终损失；根据最终损失优化深度神经网络模型并进行主导失稳模式识别。令深度神经网络模型具备适应电力系统中未知工况的能力。

Description

基于迁移学习的电力系统主导失稳模式识别方法及系统

技术领域

本发明属于电力系统稳定性判断领域，更具体地，涉及一种基于迁移学习的电力系统主导失稳模式识别方法及系统。

背景技术

电力系统的运行稳定性与社会经济的可持续发展密切相关。为了保证电力系统运行在一个安全稳定的状态，电力公司需要每年进行大规模的数字仿真工作，数字仿真为电力系统的运行方式、稳控措施制定提供了很强的指导，在实际工程中具有重要意义。

电网仿真可以分为仿真计算和仿真数据分析两个部分，前者为后者提供数据支持。在仿真计算过程中，会生成大量的高维、稀疏且复杂的仿真数据。目前，大部分的仿真数据方法还是通过人工实现，严重依赖专家经验同时耗费大量人力、精力。在仿真数据分析中，电力系统发生故障后失稳，暂态功角失稳和暂态电压失稳会交织出现。然而，现有的研究以及工程实践表明，系统失稳必然由一种失稳模式主导，不同的失稳模式对应不同的控制策略。现阶段基于物理机理的主导失稳模式判别方法存在着适应性不强、计算复杂等问题，难以适应大规模的仿真数据分析过程。而人工智能方法则具有快速判别、适应能力强的优点，可以在仿真数据分析中发挥很大作用。

传统的机器学习方法需要专家手动提取特征，严重依赖专家经验且具有一定的主观性，很难保证模型的适用性。近几年来兴起的深度学习方法具有很强的特征提取能力，可以实现从原始数据到目标之间的端对端学习，无需依赖专家进行繁琐的特征提取工程，进而极大地提升机器学习模型的适应能力。然而，深度学习模型往往鲁棒性较差，尤其是当应用过程中的样本与训练中使用的样本分布差异较大时，其结果会出现很大的偏差，进而影响仿真数据分析中主导失稳模式识别的准确率。一般而言，在应用深度学习训练好的模型进行主导失稳模式识别时，很可能会出现需要判断失稳的样本工况是训练时不存在的，例如潮流发生转移、故障持续时间、故障位置和电网拓扑改变等；在这些情况下，深度学习模型的效果会受到很大影响。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于迁移学习的电力系统主导失稳模式识别方法及系统，其目的在于令深度神经网络模型具备适应电力系统中未知工况的能力。

为实现上述目的，按照本发明的一个方面，提供了一种基于迁移学习的电力系统主导失稳模式识别方法，包括：S1，仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域，利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；S2，利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；S3，将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；S4，基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；S5，根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。

更进一步地，所述S4中还包括：分别计算与同一类别对应的源域的特征数据和目标域的特征数据之间的最大平均差异，并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加权，得到所述局部最大平均差异，所述类别为电力系统主导失稳模式的种类。

更进一步地，所述局部最大平均差异为：

其中，

为所述局部最大平均差异，C为主导失稳模式的类别数，

为源域，

为目标域，X_i为源域中第i个状态数据，X_j为目标域中第j个状态数据，

为X_i对应的特征数据，

为X_j对应的特征数据，

为源域中第c个类别的样本在源域所有类别的样本中的占比，

为目标域中第c个类别的样本在目标域所有类别的样本中的占比，Φ(·)为映射函数，

为RKHS空间的二范数。

更进一步地，所述最终损失为：

其中，

为所述最终损失，n_s为源域的样本数量，J(·)为交叉熵分类损失函数，

为X_i对应的特征数据，X_i为源域中第i个状态数据，f(·)为所述深度神经网络模型的输出，

为X_i对应的人工标注结果，α为权重系数，

为所述局部最大平均差异。

更进一步地，所述特征提取网络和全连接分类网络均为多层网络，所述S5中优化所述深度神经网络模型包括：冻结所述特征提取网络中最后一层之外的其它层，优化所述特征提取网络的最后一层以及所述全连接分类网络的所有层。

更进一步地，所述深度神经网络模型中，最后一层神经网络采用softmax函数作为激活函数，其他层神经网络采用ReLU函数作为激活函数。

更进一步地，所述状态数据包括母线电压和相角，所述S1包括：仿真获取不同工况下电力系统的母线电压和相角，并生成相应的母线电压矩阵和相角矩阵；采用z-score标准化方法分别对所述母线电压矩阵和相角矩阵进行归一化处理，基于归一化处理后的结果生成相应的人工标注结果；以所述母线电压和相角为输入，以所述人工标注结果为标签，训练所述深度神经网络模型。

按照本发明的另一个方面，提供了一种基于迁移学习的电力系统主导失稳模式识别系统，包括：源域获取模块，用于仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域；预训练模块，用于利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；目标域获取模块，用于利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；特征提取模块，用于将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；最终损失计算模块，用于基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；优化及识别模块，用于根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。

按照本发明的另一个方面，提供了一种电子设备，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的基于迁移学习的电力系统主导失稳模式识别方法。

按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于迁移学习的电力系统主导失稳模式识别方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：本发明提出的基于迁移学习的电力系统主导失稳模式识别方法，通过迁移学习可以优化预训练的深度神经网络模型，使得迁移后的模型具备自适应新工况的能力，该方法是一种无监督方法，在迁移学习过程中不需要对新工况样本进行标注，此外，该方法训练简单，可以广泛适应各种深度学习网络，测试结果表明该方法能够极大降低样本的标注成本，具有适应实际电网的能力；除此之外，提出了一种考虑不同类别的最大平均差异的分布差异计算方式，进一步提高迁移学习的效果。

附图说明

图1为本发明实施例提供的基于迁移学习的电力系统主导失稳模式识别方法的流程图；

图2为本发明实施例提供的作为算例研究的测试电力系统的接线图；

图3为本发明实施例提供的优选使用的深度神经网络模型的结构图、以及迁移过程中对模型的处理情况；

图4为本发明实施例提供的验证所提出的方法的有效性的训练曲线图；

图5为本发明实施例提供的基于迁移学习的电力系统主导失稳模式识别系统的框图；

图6为本发明实施例提供的电子设备的框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

相角失稳表现为电力系统受到扰动后同步发电机不再保持同步运行的现象。从系统能量的角度分析，相角失稳是由于系统发生故障并且失稳后，多余的加速不平衡能量无法被系统势能所消纳造成的，因而针对相角失稳占主导的情况，通常采用切发电机的控制措施使得系统恢复稳定运行。从物理机理角度分析，电压失稳主要是由于负荷对系统的电流要求太大，最终超过了等值电流源所能提供给的最大电流，反映出来就是系统动态无功支撑不足，因此电压失稳采取的控制措施通常是切负荷。如果将相角失稳误判为电压失稳，那么会造成控制措施的误动作进而使得故障加重。

为了实现故障后快速准确判断系统主导失稳模式，本发明引入了一种机器学习方法。具体地，采用深度图注意力网络对原始输入特征进行学习，获得有效的降维特征表示，将学得的特征传入全连接层中进行分类。该机器学习方法可以构建从原始数据到主导失稳模式的复杂映射关系，训练良好的模型可以快速准确的判断出系统的主导失稳模式，有效的区分出电压失稳和相角失稳这两种失稳类别，在仿真数据分析中为后续制定控制决策表提供依据。

需要说明的是，电力系统稳定类型可以分为相角稳定、电压稳定和频率稳定，由于频率失稳的控制措施相对独立，因此在进行识别过程中不与其他两种失稳模式一起进行考虑。具体地，相角稳定又可以根据扰动的大小细分为大扰动相角稳定和小扰动相角稳定，同理，电压失稳也可以分为小扰动电压稳定(静态电压稳定)和大扰动电压稳定。其中，扰动的大小没有具体的定量标准，一般工程上认为大扰动包括短路、断路等，小扰动包括：负荷变化、发电机出力改变等。大小扰动需要分开进行研究，采取不同的方法，本发明实施例主要是研究短路故障后的特性，即大干扰稳定问题。

现阶段应用于电力系统稳定性分析领域的深度学习方法通常面临着鲁棒性较差的问题，具体表现为：当应用训练好的深度学习模型进行稳定性预测、判别时，如果需要预测、判别的样本是训练时没有考虑到的工况，例如待分析的场景发生了拓扑或者发电机开停机发生改变，或者出现了训练集中没有考虑到的故障位置等，那么预训练的深度学习模型在应用时其准确率往往会受到较大下降，进而影响后续进行控制措施的制定。本发明实施例考虑到上述问题，通过引入了一种简单、易训练的迁移学习方法，当应用过程中出现了未知工况时能够通过迁移学习使得预训练好的深度神经网络模型实现对未知待应用的工况的自适应。

近几年基于深度学习的迁移学习方法发展迅速，主要分为基于对抗训练的方法和基于评估分布差异的方法，前者模型结构复杂，且训练过程复杂，但对于样本较少的时候具有较好效果；后者结构简单，在原始深度神经网络的结构上只需要引入一个新的样本分布差异损失值即可，但是需要较多的源域和目标域样本。在电网仿真数据分析中，仿真样本的生成简单高效，但是对于样本进行标注的难度很高，因此本发明实施例选择基于评估样本分布差异的无监督迁移学习方法，在进行迁移学习的时候，无需对目标域样本进行标注，大大减弱了迁移学习应用的难度。

本发明实施例中，首先，需要构建一个深度神经网络模型，利用特征提取网络对原始数据进行表征学习，而后利用全连接层对图卷积网络学到的特征进行分类，模型将覆盖电力系统故障后的所有状态，包括稳定、电压失稳和相角失稳。其次，将基准样本集(即源域)合理化分为训练集、验证集和测试集，训练集和验证集用于训练深度神经网络模型中的参数，测试集用于验证深度神经网络模型性能，这种样本划分方法可以有效观察模型的泛化能力。后续应用中，如果需要分析的工况是训练集中已经包含的，可以直接将原始数据输入到模型中，即可快速判断出主导失稳模式；如果是新工况，那么则通过迁移学习实现对预训练后深度神经网络模型的领域自适应，使得迁移后的深度神经网络模型能够同时准确分析基准测试集中的工况和新工况。

图1为本发明实施例提供的基于迁移学习的电力系统主导失稳模式识别方法的流程图。参阅图1，结合图2-图4，对本实施例中基于迁移学习的电力系统主导失稳模式识别方法进行详细说明，方法包括操作S1-操作S4。

操作S1，仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域，利用源域训练预置的深度神经网络模型，深度神经网络模型包括依次连接的特征提取网络和全连接分类网络。

根据本发明的实施例，状态数据包括母线电压和相角，操作S1包括子操作S11-子操作S13。

在子操作S11中，仿真获取不同工况下电力系统的母线电压和相角，并生成相应的母线电压矩阵和相角矩阵。

不同工况例如为不同潮流运行工况、故障线路、故障位置、故障持续时间和负荷感应电动机比例等。构建不同的工况，通过批量仿真中获取对应的一定观测时间窗口内的母线电压和相角，并作为输入特征。

优选地，子操作S11中获取不同潮流运行工况、故障线路、故障位置、故障持续时间和负荷电动机比例下的多组原始量测数据；提取每组原始量测数据在其对应的观测窗口内每0.01s的母线电压幅值和相角以构成对应的矩阵。

由于故障后可能会出现相角失稳与电压失稳交织的情况，如果观测窗口较短则网络无法获得足够的信息进行特征提取，因此观测窗口要取得相对较长，应取1～2秒较为合适。基于观测窗口内的数据，预测故障发生后的长期(比如故障发生后的20s处)的稳定性。通过训练神经网络的映射关系，能够使得通过观测窗口的数据预测后续时间段的稳定或失稳状态。

生成的母线电压矩阵和相角矩阵形式如下：

其中，U_i,j和α_i，j(i＝1，2，…，N；j＝1，2，…，T)分别为第i个节点在第j个采样时刻的母线电压与相角，T为观测窗口长度对应的采样点数，N为电力系统内母线数。将母线电压矩阵和相角矩阵堆叠得到大小为

的三维输入特征。

在子操作S12中，采用z-score标准化方法分别对母线电压矩阵和相角矩阵进行归一化处理，基于归一化处理后的结果生成相应的人工标注结果。

对于输入特征矩阵进行z-score标准化，用于取消量纲。具体地，例如根据归一化处理后的母线电压和相角随机选取少量样本绘制对应的电压幅值曲线和相角曲线，主要依靠母线电压矩阵和相角矩阵拟合出的曲线观察系统的主导失稳模式，并协助专家经验判别出对应的主导失稳模式作为标签。

在子操作S13中，以母线电压和相角为输入，以人工标注结果为标签，训练深度神经网络模型。

优选地，选用交叉熵损失函数计算深度神经网络模型训练过程中的损失，并通过验证集效果评估模型超参数，训练结束后可以得到一个预训练模型。

深度神经网络模型包括用于特征提取的特征提取网络和用于分类的全连接分类网络，全连接分类网络输出最终预测得到的主导失稳模式。参阅图3，优选地，深度神经网络模型中，特征提取网络为三层双通道图神经网络(Graph Neural Network,GNN)，全连接分类网络为两层全连接层。深度神经网络模型中，最后一层神经网络采用softmax函数作为激活函数，其他层神经网络采用ReLU函数作为激活函数。

操作S2，利用深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取新工况下电力系统的状态数据以形成目标域。

操作S3，将目标域和源域中的状态数据分别输入深度神经网络模型，经由特征提取网络进行特征提取后输出相对应的特征数据。

操作S4，基于特征数据之间的局部最大平均差异计算源域与目标域之间的分布差异损失，利用源域计算深度神经网络模型的交叉熵分类损失，并对分布差异损失和交叉熵分类损失进行加权求和得到最终损失。

根据本发明地实施例，操作S4中还包括：分别计算与同一类别对应的源域的特征数据和目标域的特征数据之间的最大平均差异，并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加权，得到局部最大平均差异，类别为电力系统主导失稳模式的种类。

具体地，利用高斯核函数将源域和目标域两个样本集的分布映射为希尔伯特再生空间(Reproducing Kernel Hilbert Space，RKHS)中的点，两点之间的距离反映两个样本集分布的差异，该距离的大小被称为最大平均差异。由于样本中不同类别之间差异较大，本实施例中进一步考虑不同类别差异的局部最大平均差异，即分别计算两个样本集中同一个类别的最大平均差异，再按照不同类别的占比加权得到最终的局部最大平均差异。

根据本发明的实施例，得到的局部最大平均差异为：

其中，

为局部最大平均差异，C为主导失稳模式的类别数，

为源域，

为X_i对应的特征数据，

为X_j对应的特征数据，

为源域中第c个类别的样本在源域所有类别的样本中的占比，

为RKHS空间的二范数。

和

分别为目标域和源域的加权系数，对于源域而言，其标签固定，按照各个类别的占比作为权重：

对于目标域而言，没有标签，则用预训练样本预测目标域样本的伪标签

计算。

根据本发明的实施例，加权求和后得到的最终损失为：

其中，

为最终损失，n_s为源域的样本数量，J(·)为交叉熵分类损失函数，

为X_i对应的特征数据，X_i为源域中第i个状态数据，f(·)为深度神经网络模型的输出，

为X_i对应的人工标注结果，α为权重系数，

为局部最大平均差异。

操作S5，根据最终损失优化深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。

根据本发明的实施例，特征提取网络和全连接分类网络均为多层网络，操作S5中优化深度神经网络模型包括：冻结特征提取网络中最后一层之外的其它层，优化特征提取网络的最后一层以及全连接分类网络的所有层。

以图3中示出的深度神经网络模型为例，特征提取网络中前两层双通道图神经网络参数冻结，即前两层GNN的参数在迁移学习过程中保持不变(始终为预训练时候得到的参数)，仅优化最后一层双通道图神经网络以及两层全连接层。具体地，第三层GNN的参数以及第一层全连接层的参数在预训练模型的基础上进行微调，但是学习率为预设学习率的1/10，最后一层全连接层为全新的结构，并以预设的学习率进行参数更新。

本发明实施例中以采用图3中示出的深度神经网络模型对中国电科院8机36节点系统进行识别为例说明其方法，其系统接线图如图2所示。为了尽可能模拟实际运行中可能遇到的工况，样本生成过程中改变的初始运行条件有系统运行潮流水平和负荷的发电机比例；故障均设置为三相短路故障，每个样本生成过程中仅发生一次短路故障，故障遍历所有交流线路，可以调节的故障条件为故障持续时间和故障位置。样本生成过程中具体的设置见表1，最终共生成7800个样本。仿真时长设置为20s，并利用Matlab将PSASP得到的离散采样点拟合成曲线辅助进行观察以标注样本，其中稳定样本2553个(32.73％)，相角失稳1863个(23.88％)，电压失稳3384个(43.38％)。模型在充分考虑了判断精度和响应速度后，确定输入样本所需要的观测期为1.0s，采样周期为0.01s，故单个样本每个节点的采样点个数为T＝1.0/0.01＝100，每个样本的特征集大小为

表1

	具体设置	种类数
			测试系统	CEPRI8机36节点系统	1
潮流水平	90％,100％,110％	3
			负荷电动机比例	50％,60％,70％,80％,90％	5
故障线路	所有交流线路	26
			故障位置	2％,20％,50％,80％,98％	5
故障持续时间	0.05s,0.15s,0.25s,0.3s	4
			故障类型	三相金属性短路	1

首先，为了说明GNN在解决主导失稳模式识别这类复杂分类问题时候的优势，本实施例先进行了多种机器学习方法与本实施例所用的GNN网络进行监督学习的对比，选取的对比机器学习方法有：卷积神经网络(convolutional neural network，CNN)支持向量机(support vector machine，SVM)、决策树(decision tree，DT)、K近邻(K-nearestneighbor，KNN)和随机森林(random forest，RF)。不同机器学习方法准确率对比结果如表2所示，测试结果表明基于深度学习的CNN网络具有最好的判断准确率。

表2

方法

GNN

CNN

SVM

DT

KNN

RF

准确率(％)

96.7％

96.2％

94.4％

93.1％

93.6％

95.8％

进一步，分别测试当潮流水平、电网拓扑、故障持续时间以及故障位置是基准数据集中不存在的情况时候，采用本发明实施例中的方法实现预训练模型的自适应。针对表1生成的7800个样本的数据集，测试模型自适应潮流水平改变的能力：选用任意两个潮流工况下的样本作为基准样本集(5200个)并以此获得一个预训练模型，剩余一个潮流工况下的样本(2600个)作为待应用样本集，测试的结果如表3所示。

表3

同样根据表1生成的样本，测试模型自适应故障持续时间的能力：选用任意三个故障持续时间下的样本作为基准样本集并以此获得一个预训练模型，剩余一个故障持续时间下的样本作为待应用样本集，测试结果如表4所示。

表4

根据表1生成的样本，测试模型自适应故障位置的能力：选用任意三个故障位置下的样本作为基准样本集并以此获得一个预训练模型，剩余一个故障位置下的样本作为待应用样本集，测试结果如表5所示。

表5

为了验证模型自适应电网拓扑改变的能力，额外生成了4206个N-1拓扑下(在基准拓扑下断开一条线路)的新样本作为待应用样本集，仍然使用表1中生成的样本作为基准样本集，测试结果如表4所示，同时为了说明本发明提出的迁移学习方法的有效性，绘制了预训练过程中源域样本的验证集损失以及迁移过程中源域与目标域的分布差损失以及验证集损失的变化情况，如表6所示。

表6

图5为本发明实施例提供的基于迁移学习的电力系统主导失稳模式识别系统的框图。参阅图5，该基于迁移学习的电力系统主导失稳模式识别系统500包括源域获取模块510、预训练模块520、目标域获取模块530、特征提取模块540、最终损失计算模块550以及优化及识别模块560。

源域获取模块510用于仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域。

预训练模块520用于利用源域训练预置的深度神经网络模型，深度神经网络模型包括依次连接的特征提取网络和全连接分类网络。

目标域获取模块530用于利用深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取新工况下电力系统的状态数据以形成目标域。

特征提取模块540用于将目标域和源域中的状态数据分别输入深度神经网络模型，经由特征提取网络进行特征提取后输出相对应的特征数据。

最终损失计算模块550用于基于特征数据之间的局部最大平均差异计算源域与目标域之间的分布差异损失，利用源域计算深度神经网络模型的交叉熵分类损失，并对分布差异损失和交叉熵分类损失进行加权求和得到最终损失。

优化及识别模块560用于根据最终损失优化深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。

基于迁移学习的电力系统主导失稳模式识别系统500用于执行上述图1-图4所示实施例中的基于迁移学习的电力系统主导失稳模式识别方法。本实施例未尽之细节，请参阅前述图1-图4所示实施例中的基于迁移学习的电力系统主导失稳模式识别方法，此处不再赘述。

本公开的实施例还示出了一种电子设备，如图6所示，电子设备600包括处理器610、可读存储介质620。该电子设备600可以执行上面图1-图4所示实施例中的基于迁移学习的电力系统主导失稳模式识别方法。

具体地，处理器610例如可以包括通用微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器610还可以包括用于缓存用途的板载存储器。处理器610可以是用于执行参考图1-图4描述的根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

可读存储介质620，例如可以是能够包含、存储、传送、传播或传输指令的任意介质。例如，可读存储介质可以包括但不限于电、磁、光、电磁、红外或半导体系统、装置、器件或传播介质。可读存储介质的具体示例包括：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存；和/或有线/无线通信链路。

可读存储介质620可以包括计算机程序621，该计算机程序621可以包括代码/计算机可执行指令，其在由处理器610执行时使得处理器610执行例如上面结合图1-图4所描述的方法流程及其任何变形。

计算机程序621可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在示例实施例中，计算机程序621中的代码可以包括一个或多个程序模块，例如包括621A、模块621B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器610执行时，使得处理器610可以执行例如上面结合图1-图4所描述的方法流程及其任何变形。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，包括：

S1，仿真获取不同工况下电力系统的状态数据，以及获取相应的人工标注结果，以形成源域，利用所述源域训练预置的深度神经网络模型，所述深度神经网络模型包括依次连接的特征提取网络和全连接分类网络；

S2，利用所述深度神经网络模型进行电力系统主导失稳模式识别时，若出现新工况，仿真获取所述新工况下电力系统的状态数据以形成目标域；

S3，将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型，经由所述特征提取网络进行特征提取后输出相对应的特征数据；

S4，基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差异损失，利用所述源域计算所述深度神经网络模型的交叉熵分类损失，并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失；

S5，根据所述最终损失优化所述深度神经网络模型，利用优化后的深度神经网络模型进行电力系统主导失稳模式识别。

2.如权利要求1所述的基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，所述S4中还包括：分别计算与同一类别对应的源域的特征数据和目标域的特征数据之间的最大平均差异，并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加权，得到所述局部最大平均差异，所述类别为电力系统主导失稳模式的种类。

3.如权利要求2所述的基于迁移学习的电力系统主导失稳模式识别方法，其特征在于，所述局部最大平均差异为：