CN116169675A - 考虑运行方式变化的电力系统动态稳定性在线评估方法 - Google Patents

考虑运行方式变化的电力系统动态稳定性在线评估方法 Download PDF

Info

Publication number
CN116169675A
CN116169675A CN202310433148.3A CN202310433148A CN116169675A CN 116169675 A CN116169675 A CN 116169675A CN 202310433148 A CN202310433148 A CN 202310433148A CN 116169675 A CN116169675 A CN 116169675A
Authority
CN
China
Prior art keywords
power system
stability
running state
parameter
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310433148.3A
Other languages
English (en)
Other versions
CN116169675B (zh
Inventor
包涛
李卓环
马溪原
杨铎烔
李鹏
习伟
潘世贤
王鹏宇
周长城
许一泽
葛俊
陈炎森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202310433148.3A priority Critical patent/CN116169675B/zh
Publication of CN116169675A publication Critical patent/CN116169675A/zh
Application granted granted Critical
Publication of CN116169675B publication Critical patent/CN116169675B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种考虑运行方式变化的电力系统动态稳定性在线评估方法、装置、计算机设备和计算机可读存储介质。所述方法包括：当电力系统出现故障时，获取电力系统的参数轨迹变量；根据电力系统当前的运行状态，匹配对应的稳定性评估模型；将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，稳定性评估模型为，基于电力系统在不同运行状态下的故障数据集构建。采用本方法能够考虑到运行方式和拓扑变化，评估过程中匹配与电力系统当前的运行状态对应的稳定性评估模型，再结合电力系统当前故障时得到的轨迹变量，来对电力系统进行稳定性在线预测，评估速度更快，稳定性结果更为准确。

Description

考虑运行方式变化的电力系统动态稳定性在线评估方法
技术领域
本申请涉及电力系统技术领域，特别是涉及一种考虑运行方式变化的电力系统动态稳定性在线评估方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着电网规模的扩大和智能化的改造，电力系统动态特性愈发复杂，这使得电力系统发生动态失稳的可能性进一步加大。同时，通过各类信息系统的建设，电网已具有明显的信息物理融合特征，融合多源异构数据信息，对于全面提升电网安全运行的支撑决策能力具有重要的理论和现实意义，尤其是动态安全稳定性的评估决策。
在电力系统中，动态安全稳定性主要指系统受到大扰动时，如三相短路或断线等，其能否回归到原运行状态或者过渡至新的平衡状态。传统电力系统稳定性分析方法，主要关注系统在各种假定运行方式下对于潮流、稳定等涉及电网运行信息的预测，以评估系统能否按可接受的质量标准和所需数量不间断地向电力用户供应电力和电量的能力。
由于电力系统在运行过程中，随着运行方式与拓扑结构的变化，其故障状态也会有所不同，若一直采用传统电力系统稳定性分析方法进行预测，则对当前运行状态来说会存在过于保守、过度保护的情况发生。因此，亟需一种考虑运行方式与拓扑变化的电力系统动态稳定性在线评估方法。
发明内容
基于此，有必要针对上述技术问题，提供一种能够匹配电力系统当前运行状态的考虑运行方式变化的电力系统动态稳定性在线评估方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请提供了一种考虑运行方式变化的电力系统动态稳定性在线评估方法。所述方法包括：
当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统在不同运行状态下的故障数据集构建。
在其中一个实施例中，所述根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型，包括：
若所述电力系统当前的运行状态为预设运行状态，将与所述预设运行状态对应的稳定性评估模型作为匹配的稳定性评估模型；
若所述电力系统当前的运行状态不是预设运行状态，对与所述电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型。
在其中一个实施例中，所述对与所述电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型，包括：
获取所述电力系统当前的运行状态下的故障数据集；
基于所述故障数据集，训练所述电力系统的上一运行状态对应的稳定性评估模型，得到与当前的运行状态对应的稳定性评估模型。
在其中一个实施例中，所述获取所述电力系统的参数轨迹变量，包括：
获取所述电力系统的测量参数集；
基于Spearman相关系数（即斯皮尔曼等级相关系数）对所述测量参数集进行特征筛选和降维，得到特征筛选降维后的低维参数集；
根据所述低维参数集中的测量参数生成参数轨迹变量。
在其中一个实施例中，所述将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果，包括：
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，得到初始评估结果；
若所述初始评估结果的置信度大于或等于预设置信度阈值，将所述初始评估结果作为稳定性评估结果；
若所述初始评估结果的置信度小于所述预设置信度阈值，返回所述获取所述电力系统的参数轨迹变量，直至初始评估结果的置信度大于或等于所述预设置信度阈值，将所述初始评估结果作为所述稳定性评估结果；
或，
若所述初始评估结果的置信度小于所述预设置信度阈值，返回所述获取所述电力系统的参数轨迹变量，直至执行时间达到预设最长决策时间，输出当前初始评估结果作为稳定性评估结果；所述执行时间为以获取所述电力系统的参数轨迹变量的时刻为起点，以当前时刻为终点的持续时长。
在其中一个实施例中，所述运行状态包括运行方式和拓扑结构，所述根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型，包括：
根据所述电力系统当前的运行方式和拓扑结构，匹配对应的稳定性评估模型。
在其中一个实施例中，所述参数轨迹变量包括：系统节点的电压幅值轨迹、发电机功角轨迹和/或发电机转子转速轨迹。
在其中一个实施例中，所述稳定性评估模型为根据第一故障数据集、第二故障数据集和第三故障数据集训练得到的模型；
所述第一故障数据集为所述电力系统在当前的运行状态下出现故障时，功角失稳且电压失稳的参数集；
所述第二故障数据集为所述电力系统在当前的运行状态下出现故障时，功角稳定但电压失稳样本的参数集；
所述第三故障数据集为所述电力系统在当前的运行状态下出现故障时，功角稳定且电压稳定的参数集。
第二方面，本申请还提供了一种考虑运行方式变化的电力系统动态稳定性在线评估装置。所述装置包括：
参数获取模块，用于当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
模型匹配模块，用于根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
预测模块，用于将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统当前的运行状态对应的故障数据集构建。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统在不同运行状态下的故障数据集构建。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统在不同运行状态下的故障数据集构建。
上述考虑运行方式变化的电力系统动态稳定性在线评估方法、装置、计算机设备和计算机可读存储介质，当电力系统出现故障时，获取电力系统的参数轨迹变量；根据电力系统当前的运行状态，匹配对应的稳定性评估模型；将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，稳定性评估模型为，基于电力系统在不同运行状态下的故障数据集构建。由于该在线评估方法考虑了运行方式和拓扑变化，评估过程中匹配与电力系统当前的运行状态对应的稳定性评估模型，再结合电力系统当前故障时得到的轨迹变量，来对电力系统进行稳定性在线评估，得到的稳定性结果更为准确，也更符合电力系统的当前运行状态，从而避免过度保护的情况发生。
附图说明
图1为一个实施例中考虑运行方式变化的电力系统动态稳定性在线评估方法的应用环境图；
图2为一个实施例中考虑运行方式变化的电力系统动态稳定性在线评估方法的流程示意图；
图3为一个实施例中节点电压幅值采集示意图；
图4为一个实施例中不同时间序列的输入电气量特征；
图5为一个实施例中获取电力系统的参数轨迹变量的流程示意图；
图6为电力系统稳定和不稳定情况下的发电机功角曲线示意图；
图7为电力系统稳定和不稳定情况下的发电机转子转速曲线示意图；
图8为电力系统稳定和不稳定情况下的节点电压幅值曲线示意图；
图9为一个实施例中卷积神经网络的示意图；
图10为一个实施例中卷积神经网络的训练流程示意图；
图11为一个实施例中特征迁移CNN加外部特征信息的评估建模结构示意图；
图12为一个实施例中考虑运行方式变化的电力系统动态稳定性在线评估装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的考虑运行方式变化的电力系统动态稳定性在线评估方法，可以应用于电力系统。如图1所示，电力系统包括控制系统100，以及分别与控制系统100连接的广域测量系统(wide area measurement system，WAMS)102和保护系统104。其中，广域测量系统102主要包括电力系统同步相量测量单元（Phasor MeasurementUnit，PMU）、相量数据集中器（Phasor Data Concentrator，PDC）、控制中心（Controller Centre，CC）以及作为数据传输基础的高速数据通信网络（Communication Networks，CN）等。广域测量系统102可借助全球定位系统(Global PositioningSystem，GPS)等，以高精度时钟采集电网的实时状态参数，再通过高速通信网络将分散的数据集中起来，得到电网全局统一时空坐标下的动态信息，从而实现对系统动态过程的实时监控。
控制系统100用于当电力系统出现故障时，基于广域测量系统102获取电力系统的参数轨迹变量；根据电力系统当前的运行状态，匹配对应的稳定性评估模型；将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，稳定性评估模型为，基于电力系统在不同运行状态下的故障数据集构建。控制系统100的具体结构不需限定，例如，可以包括服务器，该考虑运行方式变化的电力系统动态稳定性在线评估方法应用于服务器。控制系统100还可以包括终端，该考虑运行方式变化的电力系统动态稳定性在线评估方法应用于终端。控制系统100还可以为包括终端和服务器的系统，该考虑运行方式变化的电力系统动态稳定性在线评估方法应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。根据实际需要，控制系统100还可以包括数据存储系统等，本领域技术人员可以根据实际情况设置，不再赘述。
当电力系统发生故障或异常工况时，保护系统104能够自动监测电力系统是否发生故障，并将故障切除或发出对应的警报信号。本实施例中，保护系统104在监测到故障时，以及故障切除后，都会输出对应的信号至控制系统100。保护系统104还可以根据控制系统100输出的稳定性评估结果执行对应的保护动作，保护动作具体不需要限定，本领域技术人员可以根据实际控制需要设置。
在一个实施例中，如图2所示，提供了一种考虑运行方式变化的电力系统动态稳定性在线评估方法，以该方法应用于图1中的控制系统为例进行说明。该方法包括以下步骤：
步骤200，当电力系统出现故障时，获取电力系统的参数轨迹变量。
当电力系统出现故障时，保护系统实时监测到故障，并将故障信号输出至控制系统。控制系统接收到故障信号时，确定电力系统出现了故障，此时，获取广域测量系统监测到的电力系统的实时状态参数。
实时状态参数可以包括故障发生后数个周期的系统节点的电压幅值、发电机功角和转子转速等，根据数个周期的系统节点的电压幅值、发电机功角和转子转速得到电压幅值、发电机功角和转子转速的变化轨迹，作为反映系统动态稳定性的变量，将其称为参数轨迹变量。变化轨迹即系统节点的电压幅值、发电机功角和转子转速随着时间变化其值发生变化的曲线，而所谓参数轨迹变量即其值。
一般的，广域测量系统通过傅里叶变换或测量过零点来获取电压、电流等基波的幅值和相角，并根据电力系统的其它参数通过计算获得发电机功角数据，而转子转速可通过物理方法测量，通常可以实现一个周波获得一次转子转速的测量数据。
为了提高动态稳定性评估速度，参数轨迹变量的数量可以根据实际情况设置。因此最好对连续的轨迹变量进行提取，有利于提高检测精度。
本实施例中，以获取故障完全切除后的节点电压幅值为例，参数轨迹变量的数据采集方法如图3所示。假设按周期T=20ms连续在轨迹曲线上取k个点的电压幅值观测数据。不考虑通信时间，采集数据需要的时间至少为
Figure SMS_1
。当k≤10时，数据采集的时间不大于200ms。可见，本申请中，需要的数据量少，数据提取时间极短，从而能够在故障切除后快速地判定出系统是否失稳。与传统的方法相比，判定出系统是否失稳所需要的时间缩短至少十几倍，为后续保护系统执行保护动作争取了更多的时间。
还需要说明的是，本申请在研发阶段，为了全面考虑电气量特征，全面考虑了故障发生前、故障发生期间和故障切除后这三个过程中的参数轨迹变量对考虑运行方式和拓扑结构变化的电力系统动态稳定性在线评估结果的影响，经过了对三个阶段中不同的四种特征序列分别进行建模并分析，如图4所示。经分析可知，其中相邻的两个时间断面之间间隔0.01s。
步骤400，根据电力系统当前的运行状态，匹配对应的稳定性评估模型。
在一些实施例中，电力系统的运行状态可以包括运行方式和拓扑结构。电力系统的运行状态的改变，包括运行方式改变，或者拓扑结构改变，或者运行方式和拓扑结构同时改变。因此，步骤400可以包括：根据电力系统当前的运行方式和拓扑结构，匹配对应的稳定性评估模型。
本实施例考虑到系统运行方式和拓扑结构发生改变时，获取到的参数轨迹变量的特征也会对应发生较大变化。因此，本实施例的评估方法能够针对新的参数轨迹变量自适应地调整对应的稳定性评估模型，增强控制系统自适应预测的能力，提高检测准确率。
在一些实施例中，步骤400可以包括：从预存的稳定性评估模型中，选择与电力系统当前的运行状态对应的稳定性评估模型。本实施例中，控制系统中预存有电力系统的多种运行状态、多个稳定性评估模型、各运行状态与稳定性评估模型之间的对应关系，每个稳定性评估模型对应一种运行状态。
步骤600，将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果。
稳定性评估结果为，电力系统能够回归到平衡状态，或不能回归到平衡状态。平衡状态可以具体为，电力系统故障前的原平衡状态或者过渡至新的平衡状态。
可以理解，稳定性评估模型为，基于电力系统在不同运行状态下的故障数据集构建。本实施例中，所匹配的稳定性评估模型为基于电力系统在当前的运行状态下的故障数据集构建。
不同运行状态下的故障数据集中的参数，可以包括电力系统在不同运行状态下的历史数据和仿真数据。进一步地，当前电力系统出现故障时，获取到的实时状态参数，以及电压幅值、发电机功角和转子转速的轨迹变量等，都可以保存到当前状态下的故障数据集中（保存前可以根据需要进行处理），以更新当前的运行状态下的故障数据集。
上述考虑运行方式变化的电力系统动态稳定性在线评估方法，当电力系统出现故障时，获取电力系统的参数轨迹变量；根据电力系统当前的运行状态，匹配对应的稳定性评估模型；将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，稳定性评估模型为，基于电力系统在不同运行状态下的故障数据集构建。由于该在线评估方法考虑了运行方式和拓扑变化，评估过程中匹配与电力系统当前的运行状态对应的稳定性评估模型，再结合电力系统当前故障时得到的轨迹变量，来对电力系统进行稳定性在线预测，评估速度更快，得到的稳定性结果更为准确，也更符合电力系统的当前运行状态，从而避免过度保护的情况发生。在新型电力系统背景下，新能源处理波动性、间歇性大，系统运行方式与拓扑变化快等场景，在运行方式与拓扑变化的场景下，该评估方法依然能够在线快速地得到系统动态安全稳定性较为精准的评估结果。
在一个实施例中，如图5所示，步骤200中，获取电力系统的参数轨迹变量，包括：步骤210至步骤230。
步骤210，获取电力系统的测量参数集。
步骤220，基于Spearman相关系数对测量参数集进行特征筛选和降维，得到特征筛选降维后的低维参数集。
步骤230，根据低维参数集中的测量参数生成参数轨迹变量。
广域测量系统和模式识别技术的发展为在线动态稳定性评估提供了海量数据，基于数据驱动的考虑运行方式和拓扑变化的电力系统动态稳定性在线评估成为可能。但动态稳定性样本中，存在的失稳样本不足从而导致的类别严重不平衡问题，仍然是影响动态稳定性预测的重要因素。
考虑了运行方式变化的电力系统动态稳定性在线评估方法，可以利用系统故障后的动态响应时序数据实现较为精准的稳定性评估，但面对来自于电网的高维数据特征时，直接使用原始时序数据进行预测常常会带来极大的计算负担以及过拟合的风险。
因此，本实施例中，基于Spearman相关系数进行特征筛选，对测量参数集进行降维处理。根据Spearman相关系数的定义，可以求解发电机功角、电磁功率、端电压、母线电压等与稳定性之间的Spearman相关系数，并用p值判断法检验其显著性水平，从而筛选相关特征，得到特征筛选降维后的低维参数集。
示例性地，使用Spearman相关系数进行降维时，可以首先计算各发电机及母线的轨迹变量与稳定性之间的Spearman相关系数，接着用p值判断法检验其显著性水平，在一定的显著性水平下剔除相关性较低的节点数据，从而实现降维。
p值判断法是在显著性检验时常采用的一种方法。假设检验通常是通过构造一个符合某一分布的统计量，将所要检验的变量代入统计量中得到检验值，由已知的分布结合置信水平划定接受域和拒绝域，再通过检验值匹配接受域和拒绝域，找到相应的置信水平。P值判断法通过计算检验值对应的概率，将其记为p值，从而可以直观地确定出其在多少的置信水平上可以拒绝或是接受原假设。
Spearman相关系数是用来衡量两个变量之间相关关系的一个系数，它与变量的数值无关，只与变量间的大小关系有关。Spearman相关系数位于-1和1之间，其定义如下：若X和Y为两组数据，则：
Figure SMS_2
其中，X和Y为两组数据（例如为各发电机及母线的轨迹变量与稳定性），rs代表Spearman相关系数，di为Xi和Yi之间的等级差；n为数据中样本个数。
在实际应用时，比起相关系数的大小，相关系数的显著性更受到关注。检验相关系数是否显著是通过假设检验来完成的，其具体步骤包括：
（1）提出原假设H0和备择假设H1。对于Spearman相关系数来说，H0：rs=0，H1：rs≠0，即检验Spearman相关系数是否显著异于0。
（2）用要检验的量构造出一个符合某一分布的统计量。对于Spearman相关系数来说，若样本量超过30，构造的统计量及其符合的分布为：
Figure SMS_3
。其中：rs为Spearman相关系数；n为样本量；N（0,1）表示服从正态分布。
（3）给定一个置信水平，将要检验的值代入统计量中，得到一个特定值。常见的置信水平有90%、95%、99%三种。
（4）根据统计量的分布情况，画出该分布的概率密度函数，根据置信水平查找临界值，划定接受域和拒绝域。这里采用p值判断法较为简单，通过检验值倒推出其对应概率，记为p值。
（5）根据计算出的特定值落在接受域还是拒绝域，从而接受或拒绝原假设。若使用p值判断法，则p<0.1说明在90%的置信水平上拒绝原假设，对于Spearman相关系数的假设检验来说，则说明其显著异于0。
本实施例中，基于Spearman相关系数选择后得到低维特征，并基于低维参数集中的测量参数生成参数轨迹变量，减少了稳定性评估模型预测所需的电力系统测量信息，能够快速给出评估结果。
在一个实施例中，在训练生成各稳定性评估模型的过程中，也可以基于Spearman相关系数，对电力系统在不同运行状态下故障时的故障参数进行特征筛选和降维，得到特征筛选降维后的低维故障数据集。以降低模型训练时的计算负担以及过拟合的风险，同时提高模型精度。
在一个实施例中，参数轨迹变量包括：系统节点的电压幅值轨迹、发电机功角轨迹和/或转子转速轨迹。
在构建电力系统动态安全稳定性评估的故障数据集时，考虑到电力系统在绝大多数情况下处于正常运行的状态，继电保护装置日趋完善，暂态失稳情况极少，给通过数据挖掘方法来进行动态稳定性预测带来极大的挑战。传统产生动态稳定性预测的故障数据集的主要方式是通过仿真软件生成，通过对系统手动设置不同严重程度的故障，读取系统输出的参数轨迹变量，从这些轨迹变量中挖掘系统的动态安全稳定性。
本实施例以动态电压稳定、功角稳定或频率稳定等稳定形态机理为切入点，结合高维相关特征构建电力系统动态安全稳定评估的故障数据集，据此进行风险评估及概率预警研究。同时，所选择的参数轨迹变量涵盖发电机功角、母线电压和系统频率，使得数据集可以同时用作不同稳定形态的机理分析。
多种稳定形态机理分析包括功角稳定性、电压稳定性和频率稳定性的机理分析。
1）功角稳定性。根据系统结构和运行模式的不同，电力系统不稳定可以通过不同的方式表现出来。传统上，稳定是一个维持同步运行的问题。由于电力系统依靠电机发电，因而良好的系统运行的必要条件是所有发电机保持同步。这一稳定的状况受发电机转子角的动态和功角关系的影响。
转子角稳定性是电力系统中互联的同步电机保持同步的能力。功角稳定性取决于每台同步电机同步转矩与阻尼转矩这两个分量。缺乏足够的同步转矩会造成转子角非周期性的持续增加，另一方面缺乏足够的阻尼转矩会产生转子角增幅振荡。
2）电压稳定性。电压稳定性是指系统在受到扰动后，在系统特性和负荷特性的共同作用下能维持负荷点电压运行在平衡点附近的能力。就物理本质意义而言，电力系统的电压稳定性是指系统在承受各种扰动后能够维持负荷电压于某一规定的运行极限之内的能力。就稳定性的物理表现而论，电力系统的稳定性是指其具有抑制各种扰动并恢复到原始稳定平衡状态小扰动稳定性或过渡到新的稳定平衡状态大扰动稳定性的能力。
电压稳定可以按照扰动大小和时间框架分别进行划分。按扰动大小分为小扰动电压稳定和大扰动电压稳定。其中，小扰动指的是诸如负荷的缓慢增长之类的扰动，大扰动指的是诸如系统事故、发电机被迫切除之类的扰动。
按时间框架分，电压稳定可以分为短期电压稳定和长期电压稳定。短期电压稳定的研究对象主要是感应电动机、高压直流输电变流器等，时间范围一般在几秒以内。长期电压稳定的研究对象主要是变压器分接头调节、发电机励磁限流器等，时间范围一般在几分钟到几十分钟之间。
3）频率稳定性。常规电力系统频率的概念建立在统计基础上，即单位时间内正弦参量交变的次数，要求被测系统近似处于稳态。理想稳态条件下，可认为同步电网各处频率相同：
Figure SMS_4
。式中，n为发电机转子极对数；/>
Figure SMS_5
为发电机转子角速度。
当系统受到严重扰动而处在动态调整过程中时，基于统计意义频率定义的有效性就难以保证。因此，可以利用动态频率的概念，其分类定义包括：全系统动态频率、地区动态频率、发电机动态频率和一般母线动态频率。全系统动态频率指由系统不平衡功率总和作用于系统总等值转动惯量上所产生的转速增量随时间的变化。地区动态频率指由该地区不平衡功率总和作用于该地区惯性中心总等值旋转惯量上所产生的转速增量随时间的变化。发电机节点动态频率即为发电机转速增量随时间的变化，也即与发电机转速直接对应的频率。一般母线动态频率为由其三相电压瞬时值合成的电压空间矢量在相平面内旋转的转速增量随时间的变化。
需要指出的是，过渡过程中机组处在同步或异步振荡状态时，一般母线电压已不是正弦波形，其瞬时频率变化复杂，母线动态频率的定义、计算和测量尚需深入研究。
进一步地，考虑多种稳定形态的参数轨迹变量选取时，电气量输入特征选取的是否合理会影响模型的评估性能，并且所选取的电气量输入特征既要具备可实时采集的条件，还要能够有效地反映系统的暂态过程。
为了最大程度地表征系统的运行状态与信息，满足智能稳定地在线评估的方法的要求，电气量输入特征应当满足以下三点要求：（1）所提取的电气量输入特征需要与系统的不同稳定形态相关性强，以满足动态稳定性评估所需要的信息。（2）所提取的电气量输入特征维数应避免随着系统规模的扩大而急剧增加。（3）所提取的原始特征量应具有实时性，尽可能缩短获取特征量的时间，以保证快速性和时效性。
可以理解，含有n个节点的电力系统，其节点电压和节点注入电流满足网络方程为：I=YU。其中
Figure SMS_6
，/>
Figure SMS_7
表示第i个节点的注入电流相量；Y表示系统的节点导纳矩阵；/>
Figure SMS_8
，/>
Figure SMS_9
表示第i个节点的电压相量。
当系统发生故障后，如三相短路故障，短路点在导纳矩阵中对应的互导纳数值急剧增加，而由于系统中存在大量的电感元件，节点注入电流一般不会突变。因此，故障点的节点电压突降，接近为零，故障点附近节点的电压也会有不同程度的下降，发电机的端口电压也会受到影响。发电机j，电磁功率Pej的表达式为：
Figure SMS_10
其中，udj和uqj分别为端口电压在d轴和q轴的分量；idj和iqj分别为端口电流在d轴和q轴的分量；Raj为定子电阻；
Figure SMS_11
和/>
Figure SMS_12
分别为定子d、q绕组磁链。当端口电压发生变化后，发电机的电磁功率也会发生变化。由如下转子运动方程式可以看出，发电机j的转子转速/>
Figure SMS_13
和功角/>
Figure SMS_14
也会随之变化。
Figure SMS_15
其中，
Figure SMS_16
为同步电角速度基准值，Tj为惯性时间常数，Pmj为机械功率，D为阻尼系数。
不仅在故障后，当系统完全切除故障后，节点电压突变，发电机的电磁功率和机械功率平衡被打破，导致发电机的转子加速和减速，而不同发电机之间的功角变化情况是不一样的。若在励磁系统的作用下，发电机之间的功角差逐渐保持恒定，节点电压上升至正常水平，则表明系统恢复稳定运行，即是暂态稳定的；然而，在某些情况下，节点电压持续下降或振荡，某些发电机之间的功角差迅速增加，当超过一定的数值，可认定系统失去暂态稳定。
在暂态程中，各种状态变量和代数变量均是相互关联，均能在不同程度反映系统的稳定性。如图6-8所示，为新英格兰10机39节点系统的稳态运行水平为基础负荷的1.1倍，线路在0.1s发生三相短路接地故障，近端和远端断路器的分别在故障0.05s、0.10s后动作切除故障线路，故障地点不同而产生的系统暂态稳定和不稳定两种情况下各发电机的功角、转子转速和各节点的电压幅值曲线。可见发电机转子转速、功角和节点电压的变化较为明显，并且现有的PMU可以直接对这些变量进行测量，因此，可作为系统动态稳定性评估的输入变量。
在故障完全切除后，当系统暂态稳定，各节点电压迅速回升并保持在额定值附近，发电机转子转速和功角在很小的范围内变化；当系统暂态不稳定，各节点电压幅值会持续下降，部分发电机的转速和功角会持续增大，某些发电机之间的功角差增大。由以上分析知，系统完全切除故障后发电机转子转速、功角和节点电压幅值变化轨迹能够反映系统的动态稳定性，且参数获取实时性高。
在一个实施例中，稳定性评估模型为根据第一故障数据集、第二故障数据集和第三故障数据集训练得到的模型。第一故障数据集为电力系统在当前的运行状态下出现故障时，功角失稳且电压失稳的参数集。第二故障数据集为电力系统在当前的运行状态下出现故障时，功角稳定但电压失稳样本的参数集。第三故障数据集为电力系统在当前的运行状态下出现故障时，功角稳定且电压稳定的参数集。
经过对某电网2022年夏大潮流运行方式进行分析，批量生成不同故障下的数据样本，将若干数据集中典型样本特征曲线绘制出来后，经分析得到如下结果：
1）功角失稳且电压失稳时，该样本在某条交流线上设置三相短路故障后，经25个周波故障切除。
2）功角稳定但电压失稳时，该样本在某条交流线上设置三相短路故障后，经15个周波故障切除。
3）功角稳定且电压稳定样本时，该样本在某条交流线上设置三相短路故障后，经2个周波故障切除。
可见，不同动态扰动下、不同稳定形态的样本的特征曲线存在较大区别，稳定性评估模型需要至少基于这三种状态的故障参数集生成，在后续稳定性评估模型对数据集进行数据挖掘时，就能有效区分，从而准确预测电力系统未来的动态安全运行变化。
在一个实施例中，步骤600包括：将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，得到初始评估结果。
若初始评估结果的置信度大于或等于预设置信度阈值，将初始评估结果作为稳定性评估结果。
若初始评估结果的置信度小于预设置信度阈值，返回获取电力系统的参数轨迹变量，直至初始评估结果的置信度大于或等于预设置信度阈值，将初始评估结果作为稳定性评估结果。
或，若初始评估结果的置信度小于预设置信度阈值，返回获取电力系统的参数轨迹变量，直至执行时间达到预设最长决策时间，输出当前初始评估结果作为稳定性评估结果；执行时间为以获取电力系统的参数轨迹变量的时刻为起点，以当前时刻为终点的持续时长。
在线应用阶段，自动执行模型的在线评估。当系统出现故障时，控制系统立即获取PMU量测数据，每获得一次PMU量测数据，就进行特征筛选和降维，得到特征筛选降维后的低维参数集，进而预测当前决策轮的动态稳定状态，得到初始评估结果。并判断初始评估结果的置信度是否达到了预设置信度阈值，若大于或等于预设置信度阈值，则认为初始评估结果可信，立即给出稳定性评估结果，结束评估过程。其中，预设置信度阈值可以结合实际情况设置。
如果初始评估结果的置信度小于预设置信度阈值，则认为不可信，继续等待下一参数采集时刻到来，继续获得一次PMU量测数据，进行下一轮预测。如果此次预测得到的初始评估结果可信，则作为稳定性评估结果输出，如果仍不可信，则将继续获取PMU量测数据，继续下一轮预测。
如果多轮预测后，得到的初始评估结果均不可信，且以第一次获取电力系统的参数轨迹变量的时刻为起点，以当前时刻为终点的持续时长达到了预设最长决策时间，那么就以当前的初始评估结果作为稳定性评估结果输出，结束预测过程。预设最长决策时间也需要结合实际情况设置，本实施例不进行限定。从而通过对初始评估结果是否可信进行检测，使得最终的稳定性评估结果更为可靠。
在一个实施例中，步骤400包括：若电力系统当前的运行状态为预设运行状态，将与预设运行状态对应的稳定性评估模型作为匹配的稳定性评估模型；若电力系统当前的运行状态不是预设运行状态，对与电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型。
传统的机器学习方法主要包括决策树、人工神经网络、支持向量机、极限学习机等浅层学习方法。对于日益复杂的高维非线性电力系统动态特性，浅层学习方法不能很好地处理时序的输入特征，学习能力有限，处理复杂的分类问题时泛化能力不足，因此并不能很好地实现电力系统动态稳定评估。
而深度学习拥有比传统机器学习更优越的特征提取能力、分类能力和回归预测能力。目前，将深度学习应用于电力系统动态稳定评估的研究还处于探索阶段，这些尝试性的探索为基于深度学习的电力系统暂态稳定评估方法的研究提供了一种崭新的思路。
电力系统动态稳定评估基于深度学习的研究中，输入特征的构建和网络参数的选择是影响模型评估性能的两个重要因素。为了更加直观清晰地研究分析输入特征和网络参数对模型评估性能的影响，本实施例建立了基于CNN（Convolutional Neural Network，卷积神经网络）的电力系统动态安全运行的风险评估模型。
卷积神经网络常用结构CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，在语音和图像识别等方面都取得了优异的性能。
如图9所示，一个卷积神经网络主要包括四个组成结构：输入层、卷积层、池化层和分类层，其中，分类层包括全连接层和Softmax层，全连接层包括全连接层1和全连接层2，Softmax层作为卷积神经网络的输出层。
卷积神经网络通过结合局部感受野、权值共享和空间或时间上的降采样，来实现位移、缩放和扭曲不变性，充分利用数据本身包含的局部性等特征，优化网络参数和结构，大幅度降低训练复杂度，减轻过拟合，提高模型的泛化能力，得到有效的学习结果。
设CNN的输入为原始图像X，第i层的特征图为Hi(k)。假设第i层为卷积层Hi，则其产生过程为：
Figure SMS_17
。式中：f(x)表示激励函数；Wi表示第i层卷积核的权值向量；bi表示偏移向量；/>
Figure SMS_18
表示卷积运算符。
池化层通常在卷积层之后，用于对得到的特征图进行池化处理，其功能主要是降维和保持特征的尺度不变性。设第i+1层为池化层Hi+1：Hi+1=subsampling(Hi)，式中：subsampling()为池化函数。
在多个卷积层和池化层的交替传递后，添加全连接层对提取的特征进行分类，最终CNN得到概率分布Y，根据该分布实现分类的目的。
卷积神经网络作为一种特殊的前馈神经网络，训练过程与前馈神经网络类似，包括前向计算和反向传播两个阶段。参照图10，首先，前向计算过程逐层地利用上一层的输出作为下一层的输入，计算下一层的输出，直到计算到最后一层得到预测值，从而得到预测值与真实标签之间的损失函数，其中损失函数是用来度量模型预测值与真实值的差异。常用的损失函数有均方误差（Mean Squared Error，MSE）损失函数、交叉熵（Cross Entropy，CE）损失函数、自定义损失函数。接着，对损失函数利用反向传播算法更新权重进行迭代优化求最小值。
进一步地，考虑到当系统运行方式和拓扑结构发生改变，导致该场景下的参数轨迹变量与原始训练的故障数据集存在较大差异时，识别准确率下降的问题，本实施例中，将数据驱动和迁移学习的动态稳定性评估方法结合，从而能够自适应地调整网络参数，恢复预测性能，增强自适应预测的能力。
具体地，迁移学习是机器学习的一个重要分支，其目标是将某个领域或任务上学习得到的知识或模式应用到不同但相关的领域或问题中。其定义如下：
迁移学习(Transfer Learning)：给定有标记的源域
Figure SMS_19
及其学习任务Ts，无标记的目标域/>
Figure SMS_20
及其学习任务Tt，迁移学习就是借助在Ds中求解Ts的知识来帮助在Dt中求解Tt。迁移学习的基本方法有四种，分别是基于模型、特征、样本和关系的迁移。在电力系统动态安全稳定分析中应用较多的主要是前两类，即基于模型的迁移和基于特征的迁移。
从而，通过巧妙地使用迁移学习方法，使得稳定性评估模型能够适应新型电力系统背景下，新能源处理波动性、间歇性大、系统运行方式与拓扑变化快等场景，在运行方式与拓扑变化的情况下，可以在线、快速地得到系统动态安全稳定性较为精准的评估结果。
本实施例中，在数据驱动的系统动态稳定性预测CNN预训练模型的故障数据集的基础上，可进行模型-数据融合的特征迁移学习建模，从而使得到的稳定性评估模型更匹配当前运行状态。
在一个实施例中，步骤400还可以包括：根据电力系统当前的运行状态，对预存的稳定性评估初始模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型。
在一个具体的实施例中，对与电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型，包括：获取电力系统当前的运行状态下的故障数据集；基于故障数据集，训练电力系统的上一运行状态对应的稳定性评估模型，得到与当前的运行状态对应的稳定性评估模型。
本实施例中，基于当前运行状态对应的数据集对上一运行状态对应的稳定性评估模型（简称上一模型）进行迁移学习，即用上一模型参数作为新模型参数的初始值，用当前运行状态对应的数据集进行训练，微调整个模型网络参数，得到与当前的运行状态对应的稳定性评估模型（简称为当次模型）。由于模型与故障数据集匹配度更高，基于在线数据集修正后的模型，评估准确率更高。
进一步地，当本次动态稳定性预测结束后，可以保存当次模型，当系统下一次故障时的运行状态与该次的运行状态一致时，直接匹配出该模型进行预测，节省在线训练过程。
进一步地，当本次动态稳定性预测结束后，当前运行状态对应故障数据集也会得到更新，同时，保存当次模型。当系统下一次故障时的运行状态与该次的运行状态一致时，控制系统可以直接调用该“当次模型”作为“上一模型”，用更新后的前运行状态对应故障数据集进行训练，重新得到与当前的运行状态对应的稳定性评估模型进行预测。训练时，可以只使用上一次故障时的故障数据集，也可以利用更新后的故障数据集中的一部分数据，提高模型训练速度。
传统的系统稳定性分析方法研究中，绝大多数方法均是按照“离线训练，在线应用”和“在线决策、在线匹配”的模式，通过对预想故障集的仿真分析制定控制策略。学习机模型是在固定的边界中离线训练得到，而实际电力系统中的样本数据随时间不断变化，故这样的模式存在很大的不足，即学习模型缺乏在线更新能力。并且仿真分析通常基于物理模型与静态参数，与电网实时状态存在偏差，分析结果可能偏离实际工况。在实际应用中存在大量的未知场景，不断会有新样本的加入，离线时域仿真的数据将会与实际系统数据产生极大差异，过去原样本集下的学习机模型通常不能准确评估未来可能出现的新场景；此时模型和样本集之间的等价映射关系会被打破，造成模型与待预测样本数据的失配，评估准确率大幅降低。多次大面积停电事故表明，当发生非预想故障时上述两种模式面临失效风险。传统的应对做法是，使用全部样本重新训练以修正原模型，但是这样会造成大量时间消耗和空间占用。所以对于提高机器学习模型在线自适应更新能力需要进一步研究。
本实施例中，基于WAMS和高速通信网络的广泛应用，能够实现获取全网的同步数据，摆脱了对预想事故集的依赖。并且结合数据驱动和迁移学习，能够快速地针对新的目标样本自适应地调整网络参数，得到匹配的稳定性评估模型，从而实现“实时决策，实时控制”。
示例性地，还可以在数据驱动的系统动态稳定性评估CNN预训练模型特征集基础上，增加基于模型驱动的外部特征集之后，即可进行模型-数据融合的特征迁移学习建模，以增强动态稳定性预测器引入直流系统之后的推广泛化能力。具体的特征迁移学习建模步骤如下：
Step I：保持CNN预训练模型的基本网络结构和卷积层与池化层的参数，即保留基于实测或时域仿真的轨迹变量数据所提取的特征不变，直接进行原预训练模型的特征迁移，等价于保证预训练样本的数据信息与知识。
Step II：加入新的基于交直流系统稳定特性分析和专家经验的新特征，即补充基于交直流混联系统模型驱动的相关特征信息，如：多送出短路比MSSCRi、多馈入短路比MISCRk、若干关键断面传输功率Sij和关键发电机组的出力PGi等信息，归一化之后构成新增外部特征集
Figure SMS_21
。如图10所示，CNN全连接层需要考虑外部特征集的引入，即在全连接层基础上加入基于交直流系统模型和专家经验信息项作为输入：
Figure SMS_22
式中：
Figure SMS_23
为全连接层神经元的改进权重矩阵；/>
Figure SMS_24
表示增补新特征向量信息后的全连接层输入向量；E为新增外部特征集的维数。
Step III：随机初始化CNN全连接层和输出分类层的参数，用新的训练集，调整全连接层和分类输出层参数，增加外部新测试集对新模型进行验证和测试。
具体的模型-数据融合的电力系统安全稳定性特征迁移学习评估建模思路如图11所示。
从而通过借鉴深度学习方法在图像处理领域的应用，从处理图片像素矩阵的角度出发，提取系统故障后发电机功角受扰轨迹簇特征作为模型输入变量，并且使用神经网络优化方法提高模型的泛化能力，减轻模型的过拟合风险，有效提高了深度神经网络模型的评估准确率。并且在部分PMU信息缺失以及含噪声时，表现出较强的鲁棒性。
上述电力系统动态稳定性在线评估方法，考虑了系统运行方式与拓扑变化，首先利用神经网络技术形成处理精准轨迹的动态预测的模型。其次基于广域测量系统进行数据采集，结合电力系统多种稳定形态进行特征轨迹变量的选取，形成动态安全稳定评估数据集。然后基于Spearman相关系数进行特征提取，结合卷积神经网络和迁移学习建立稳定性评估模型。经过典型真实案例的验证，证实该模型具备较强的泛化学习能力。
该评估方法，针对实际电网元件数量众多导致输入矩阵维度巨大，进而影响深度学习模型的训练和预测快速进行的问题，结合适当的图像特征提取与表达学习方法，能够有效融合不同类型的电气信息，从而在准确率和在线化目标上取得更大的优势。同时，考虑到当系统运行方式和拓扑结构发生改变，导致该场景下的样本与原始训练集存在较大差异时，网络识别准确率下降的问题。该方法能够针对新的目标样本自适应地调整网络参数，恢复预测性能，从而增强自适应预测的能力。
还需要说明的是，随着电网规模的扩大和智能化的改造，通过各类信息系统的建设，电网已具有明显的信息物理融合特征。一方面，信息物理系统的发展为电力系统更加安全、可靠、经济和高效的运行提供了技术支撑：能量管理系统（EMS）、广域量测系统（WAMS）、数据采集与监视控制系统（SCADA）等在保证电网安全、优化运行方面发挥了重要的作用；电力设备台账系统，全寿命周期管理（在线监测）系统对于提高设备可靠性，实现一次设备的故障预警与状态检修具有重要的意义；保信系统等二次设备管理系统能够准确掌握电网控保系统的动作情况，进行故障诊断和故障反演，保证二次系统的可靠运行；数值天气预报等电网运行外部环境监测系统对于提升光伏等可再生电源的利用率，保障清洁能源的高效利用具有重要的意义。另一方面，目前电网的各类数据信息系统建设目标缺乏统一规划，各类数据系统“孤岛化”特征明显，各系统均能从某一方面支撑电网安全运行，但未能发挥数据“合力”，从整体上全面提升电网安全运行的评估、预警及决策支撑能力。
实际上，融合多源异构数据信息，全面提升电网安全运行的支撑决策能力具有重要的理论和现实意义。传统电力稳定性分析主要关注系统在各种假定运行方式下对于潮流、稳定等涉及电网运行信息的预测，以评估系统能否按可接受的质量标准和所需数量不间断地向电力用户供应电力和电量的能力。随着源-网-荷的迅猛增长、波动性新能源的大量接入、跨区大功率交直流输电等，实时运行中的系统、设备和环境因素千变万化，运行方式日益复杂多变，导致电网实时运行的安全风险日益增加，对利用多源数据进行整体化预警与评估的需求非常迫切。如何根据系统内、外部数据，实时准确地描述与再现实际运行电力系统的拓扑、参数、特性等方面的大量信息，并通过对数据进行分析、加工，从中挖掘出对系统有用的知识，进行系统运行风险预测判断，并将其综合集成形成辅助决策信息具有重要的意义。
进行基于数据驱动的新型电力系统动态安全稳定分析，可以为电力系统可靠运行提供更符合实际运行场景的实时辅助决策。利用大数据技术在评估预测方面具有的优势，以实时的系统状态、一二次设备、气象环境测量数据为基础，可以对电网运行风险的薄弱环节、薄弱区域和关键性设备提前进行预警。发生短路故障、直流换相失败或闭锁等严重扰动时，亦可结合信息物理环境下数据驱动的方法，进行在线的系统暂态稳定性评估和预测，为后续的在线紧急控制争取时间，从而控制事故的发展和减小事故的影响，避免更大的损失。因此进行基于数据驱动的新型电力系统动态安全稳定分析，对提升电力系统分析理论水平和实际工程运行水平均具有重要的意义。
在电力系统中，有三种常用的电力系统的评估方法，分别是时域仿真法、直接法和机器学习方法。但是，对于复杂且规模庞大的现代电力系统而言，时域仿真法在建立精确的模型方面有较大困难，并且要求解大量的非线性微分方程组伴随着巨大的耗时。同时时域仿真法需要先通过逐步积分获得整个仿真区间的暂态响应曲线，进而以响应曲线作为分析数据才可以对系统的暂态稳定性进行评估，所以即便采用了并行计算都优化方法也较难实现在线评估应用。直接法用暂态能量函数来代替对电力系统暂态过程的微分-代数方程的数值积分求解，具有相对较小的计算量，同时可以定量的计算出系统的稳定裕度。然而由于其能量函数的构造较为困难，并且模型的适应性不高，对现代复杂电力系统下的直接法需进一步研究。
在一个具体的实施例中，考虑运行方式变化的电力系统动态稳定性在线评估方法基于CNN，主要包括离线训练、在线应用和模型迁移三个部分。
离线训练阶段：首先通过时域仿真生成初始训练集D(xi，yi)，如下：
Figure SMS_25
/>
式中：
Figure SMS_26
为第i个样本的第k个特征在第j个时间节点的物理量取值，yi为第i个样本的暂态稳定状态，取值为0表示稳定，1表示失稳。
对所有样本进行如下标准化处理，防止因为不同特征的数量级差异影响后续特征降维和提取的效果：
Figure SMS_27
，式中：μ为x的均值，/>
Figure SMS_28
为x的标准差。
数据预处理后的特征矩阵
Figure SMS_29
，作为后续CNN模型的输入量，建立CNN模型的步骤如下：
a)向输入层输入特征矩阵
Figure SMS_30
，后接卷积层C1。
b)卷积层C1采用3×3大小、总数为32个的卷积核分别对输入层的图像进行卷积运算，得到特征图输出到下一层。
c)池化层P1大小为2×2，池化方式为最大池化，经过池化处理后得到特征图输出到下一层。
d)后续的卷积层C2、池化层P2操作步骤与上类似。
e)全连接层F对P2输出的特征图进行展开处理，得到一维的特征向量V。
f)以全连接层向后依次搭建3层NN，每层神经元个数为64、128、32。最终输入至判别层，输出稳定判别结果。
在线应用阶段：在线应用阶段自动执行模型的在线评估。当系统出现故障，立即触发在线评估动作，匹配对应的稳定性评估模型，每获得一次新的PMU量测数据，就通过卷积神经网络提取暂态特征，并预测当前决策轮的动态稳定性。如果评估结果被判为可信，则立即给出稳定性评估结果，结束预测过程；否则等待下一时刻到来，在下一决策论重新预测系统动态稳定性。直到获得可信评估结果或达到最长决策时间。
模型迁移阶段：当系统运行方式和拓扑结构发生改变，导致该场景下的样本（参数轨迹变量）与原始训练集存在较大差异时，网络难以通过预训练模型已学到的特征准确识别当前系统的暂稳状态，造成识别准确率下降。因此需要对预训练模型在新的目标域数据集上再训练，使其能够针对新的目标样本自适应地调整网络参数，恢复预测性能，从而增强暂稳预测器自适应预测的能力。
在对电力系统新运行方式和拓扑结构下的迁移时间和暂稳预测准确率进行对比研究时，为了直观清晰地验证所提方法的有效性，首先采用单一CNN预测模型作为预训练模型，将单一CNN模型在测试系统的大量暂态稳定数据集（源域）上学习到的特征提取能力作为先验知识迁移到该系统新运行工况新拓扑结构下的暂稳数据集（目标域）。即，微调整个网络，将上一运行状态对应的稳定性评估模型（或者预存的预设运行状态对应的模型，或者预存的稳定性评估初始模型）的网络结构和参数全部迁移至新模型，用上一运行状态对应的稳定性评估模型（或者预存的预设运行状态对应的模型，或者预存的稳定性评估初始模型）的参数作为新模型参数的初始值，用当前的运行状态下的故障数据集微调整个预训练模型网络参数，再用新样本（参数轨迹变量）对新模型进行预测。
本实施例中进行了基于数据驱动的新型电力系统动态安全稳定分析方法研究，结合电力系统多种稳定形态进行特征轨迹变量的选取，形成动态安全稳定评估数据集，结合卷积神经网络和迁移学习建立稳定性评估模型。经过预传统方法进行算例分析验证，结果验证本实施例中所提方法具有较高的精度及较强的泛化能力，可以用于电力系统运行状态实时监测。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的考虑运行方式变化的电力系统动态稳定性在线评估方法的考虑运行方式变化的电力系统动态稳定性在线评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个考虑运行方式变化的电力系统动态稳定性在线评估装置实施例中的具体限定可以参见上文中对于考虑运行方式变化的电力系统动态稳定性在线评估方法的限定，在此不再赘述。
在一个实施例中，如图12所示，提供了一种考虑运行方式变化的电力系统动态稳定性在线评估装置，包括：参数获取模块700、模型匹配模块702和预测模块704。其中：
参数获取模块700，用于当电力系统出现故障时，获取电力系统的参数轨迹变量。
模型匹配模块702，用于根据电力系统当前的运行状态，匹配对应的稳定性评估模型。
预测模块704，用于将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，稳定性评估模型为，基于电力系统当前的运行状态对应的故障数据集构建。
在一个实施例中，若电力系统当前的运行状态为预设运行状态，模型匹配模块702还用于将与预设运行状态对应的稳定性评估模型作为匹配的稳定性评估模型；
若电力系统当前的运行状态不是预设运行状态，模型匹配模块702还用于对与电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型。
在一个实施例中，模型匹配模块702还用于获取电力系统当前的运行状态下的故障数据集；基于故障数据集，训练电力系统的上一运行状态对应的稳定性评估模型，得到与当前的运行状态对应的稳定性评估模型。
在一个实施例中，参数获取模块700还用于获取电力系统的测量参数集；基于Spearman相关系数对测量参数集进行特征筛选和降维，得到特征筛选降维后的低维参数集；根据低维参数集中的测量参数生成参数轨迹变量。
在一个实施例中，预测模块704还用于将参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，得到初始评估结果；若初始评估结果的置信度大于或等于预设置信度阈值，将初始评估结果作为稳定性评估结果；
若初始评估结果的置信度小于预设置信度阈值，返回获取电力系统的参数轨迹变量，直至初始评估结果的置信度大于或等于预设置信度阈值，将初始评估结果作为稳定性评估结果；
或，若初始评估结果的置信度小于预设置信度阈值，返回获取电力系统的参数轨迹变量，直至执行时间达到预设最长决策时间，输出当前初始评估结果作为稳定性评估结果；执行时间为以获取电力系统的参数轨迹变量的时刻为起点，以当前时刻为终点的持续时长。
在一个实施例中，模型匹配模块702还用于根据电力系统当前的运行方式和拓扑结构，匹配对应的稳定性评估模型。
上述考虑运行方式变化的电力系统动态稳定性在线评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力系统在不同运行状态下的故障数据集等相关数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种考虑运行方式变化的电力系统动态稳定性在线评估方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种考虑运行方式变化的电力系统动态稳定性在线评估方法，其特征在于，所述方法包括：
当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统在不同运行状态下的故障数据集构建。
2.根据权利要求1所述的方法，其特征在于，所述根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型，包括：
若所述电力系统当前的运行状态为预设运行状态，将与所述预设运行状态对应的稳定性评估模型作为匹配的稳定性评估模型；
若所述电力系统当前的运行状态不是预设运行状态，对与所述电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型。
3.根据权利要求2所述的方法，其特征在于，所述对与所述电力系统的上一运行状态对应的稳定性评估模型进行迁移学习，得到与当前的运行状态对应的稳定性评估模型，包括：
获取所述电力系统当前的运行状态下的故障数据集；
基于所述故障数据集，训练所述电力系统的上一运行状态对应的稳定性评估模型，得到与当前的运行状态对应的稳定性评估模型。
4.根据权利要求1所述的方法，其特征在于，所述获取所述电力系统的参数轨迹变量，包括：
获取所述电力系统的测量参数集；
基于Spearman相关系数对所述测量参数集进行特征筛选和降维，得到特征筛选降维后的低维参数集；
根据所述低维参数集中的测量参数生成参数轨迹变量。
5.根据权利要求1所述的方法，其特征在于，所述将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果，包括：
将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，得到初始评估结果；
若所述初始评估结果的置信度大于或等于预设置信度阈值，将所述初始评估结果作为稳定性评估结果；
若所述初始评估结果的置信度小于所述预设置信度阈值，返回所述获取所述电力系统的参数轨迹变量，直至初始评估结果的置信度大于或等于所述预设置信度阈值，将所述初始评估结果作为所述稳定性评估结果；
或，
若所述初始评估结果的置信度小于所述预设置信度阈值，返回所述获取所述电力系统的参数轨迹变量，直至执行时间达到预设最长决策时间，输出当前初始评估结果作为稳定性评估结果；所述执行时间为以获取所述电力系统的参数轨迹变量的时刻为起点，以当前时刻为终点的持续时长。
6.根据权利要求1所述的方法，其特征在于，所述运行状态包括运行方式和拓扑结构，所述根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型，包括：
根据所述电力系统当前的运行方式和拓扑结构，匹配对应的稳定性评估模型。
7.根据权利要求1所述的方法，其特征在于，所述参数轨迹变量包括：系统节点的电压幅值轨迹、发电机功角轨迹和/或发电机转子转速轨迹。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述稳定性评估模型为根据第一故障数据集、第二故障数据集和第三故障数据集训练得到的模型；
所述第一故障数据集为所述电力系统在当前的运行状态下出现故障时，功角失稳且电压失稳的参数集；
所述第二故障数据集为所述电力系统在当前的运行状态下出现故障时，功角稳定但电压失稳样本的参数集；
所述第三故障数据集为所述电力系统在当前的运行状态下出现故障时，功角稳定且电压稳定的参数集。
9.一种考虑运行方式变化的电力系统动态稳定性在线评估装置，其特征在于，所述装置包括：
参数获取模块，用于当电力系统出现故障时，获取所述电力系统的参数轨迹变量；
模型匹配模块，用于根据所述电力系统当前的运行状态，匹配对应的稳定性评估模型；
预测模块，用于将所述参数轨迹变量输入至所匹配的稳定性评估模型进行电力系统动态稳定性在线评估，生成稳定性评估结果；其中，所述稳定性评估模型为，基于所述电力系统当前的运行状态对应的故障数据集构建。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
CN202310433148.3A 2023-04-21 2023-04-21 考虑运行方式变化的电力系统动态稳定性在线评估方法 Active CN116169675B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310433148.3A CN116169675B (zh) 2023-04-21 2023-04-21 考虑运行方式变化的电力系统动态稳定性在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310433148.3A CN116169675B (zh) 2023-04-21 2023-04-21 考虑运行方式变化的电力系统动态稳定性在线评估方法

Publications (2)

Publication Number Publication Date
CN116169675A true CN116169675A (zh) 2023-05-26
CN116169675B CN116169675B (zh) 2023-09-12

Family

ID=86411744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310433148.3A Active CN116169675B (zh) 2023-04-21 2023-04-21 考虑运行方式变化的电力系统动态稳定性在线评估方法

Country Status (1)

Country Link
CN (1) CN116169675B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035453A (zh) * 2023-08-09 2023-11-10 天地科技股份有限公司 综采工作面装备系统能效评估方法和装置
CN117134480A (zh) * 2023-10-26 2023-11-28 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法
CN117275220A (zh) * 2023-08-31 2023-12-22 云南云岭高速公路交通科技有限公司 基于非完备数据的山区高速公路实时事故风险预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053128A (zh) * 2017-12-25 2018-05-18 东南大学 一种基于elm和tf的电网暂态稳定快速评估方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法
CN110943453A (zh) * 2019-12-23 2020-03-31 北京交通大学 面向迁移学习的电力系统故障样本生成和模型构建方法
CN115526258A (zh) * 2022-09-29 2022-12-27 广东电网有限责任公司广州供电局 基于Spearman相关系数特征提取的电力系统暂稳评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053128A (zh) * 2017-12-25 2018-05-18 东南大学 一种基于elm和tf的电网暂态稳定快速评估方法
CN110879917A (zh) * 2019-11-08 2020-03-13 北京交通大学 一种基于迁移学习的电力系统暂态稳定自适应评估方法
CN110943453A (zh) * 2019-12-23 2020-03-31 北京交通大学 面向迁移学习的电力系统故障样本生成和模型构建方法
CN115526258A (zh) * 2022-09-29 2022-12-27 广东电网有限责任公司广州供电局 基于Spearman相关系数特征提取的电力系统暂稳评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035453A (zh) * 2023-08-09 2023-11-10 天地科技股份有限公司 综采工作面装备系统能效评估方法和装置
CN117275220A (zh) * 2023-08-31 2023-12-22 云南云岭高速公路交通科技有限公司 基于非完备数据的山区高速公路实时事故风险预测方法
CN117134480A (zh) * 2023-10-26 2023-11-28 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法
CN117134480B (zh) * 2023-10-26 2024-01-12 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法

Also Published As

Publication number Publication date
CN116169675B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116169675B (zh) 考虑运行方式变化的电力系统动态稳定性在线评估方法
Wang et al. Clustered hybrid wind power prediction model based on ARMA, PSO-SVM, and clustering methods
Xie et al. A review of machine learning applications in power system resilience
CN111027058B (zh) 一种电力系统检测数据攻击的方法、计算机设备和存储介质
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
Bai et al. A novel parameter identification approach via hybrid learning for aggregate load modeling
Li et al. An intelligent transient stability assessment framework with continual learning ability
CN108847686B (zh) 一种光伏逆变器故障预测方法
CN103279639A (zh) 基于响应的受端电网电压稳定全过程态势评估及防控方法
CN112183641B (zh) 融合预估-校正深度学习的暂态频率稳定评估方法及系统
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
Wen et al. Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework
CN113612237A (zh) 一种在海上风电场中定位谐振诱发的次同步振荡源的方法
Zhu et al. Integrated data-driven power system transient stability monitoring and enhancement
Kaplan et al. Fault diagnosis of smart grids based on deep learning approach
Ren et al. A super-resolution perception-based incremental learning approach for power system voltage stability assessment with incomplete PMU measurements
Gong et al. Transient stability assessment of electric power system based on voltage phasor and cnn-lstm
Hijazi et al. Transfer learning for transient stability predictions in modern power systems under enduring topological changes
CN116305683A (zh) 基于样本均衡化的电力系统暂态稳定评估方法及系统
Wang et al. The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications
Dabou et al. Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction
Chen et al. A Spatial-temporal Frequency Nadir Prediction Method Based on ConvLSTM with Attention
Zhu et al. Power system short‐term voltage stability assessment based on improved CatBoost with consideration of model confidence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant