基于门控时空图神经网络的电力系统暂态稳定评估.pdf
《基于门控时空图神经网络的电力系统暂态稳定评估.pdf》由会员分享,可在线阅读,更多相关《基于门控时空图神经网络的电力系统暂态稳定评估.pdf(10页珍藏版)》请在咨信网上搜索。
1、随着特高压交直流互联规模的不断扩大,在线高精度快速地暂态稳定评估对电网安全运行至关重要。为此,提出一种基于门控时空图神经网络的暂态稳定评估方法,并采用时间自适应方法,同时提高暂态稳定评估的准确度和速度。首先,为减小故障切除后动态拓扑结构对暂态稳定评估影响,使用门控时空图神经网络提取融合电网的拓扑结构关键特征和相邻节点属性信息,学习空间数据相关性、提高评估准确度。然后,将提取的特征量输入门控神经网络以学习各个时刻数据相关性,调整稳定性阈值快速输出准确评估结果;同时,为避免模型性能受训练样本质量的影响,采用具有 K 最近邻思想的改进加权交叉熵损失函数处理不平衡训练样本。最后,通过分析算例,从数据可
2、视化视图验证所提出的方法能有效提高评估准确度和缩短评估时间。关键词:暂态稳定评估;门控时空图神经网络;门控神经网络;K最近邻;数据可视化DOI:10.19781/j.issn.16739140.2023.02.024中图分类号:TM470文章编号:16739140(2023)02021410Power system transient stability assessment based on gating spatialtemporal graph neural networkLIU Jianfeng,YAO Chenxi,CHEN Lele(College of Electric Powe
3、r Engineering,Shanghai University of Electric Power,Shanghai 200090,China)Abstract:With the continuous expansion of UHV AC/DC interconnection scale,online highprecision and fast transientstability assessment(TSA)is very important for the safe operation of power grid.To this end,a TSA method based on
4、gating spatial temporal graph neural network(GSTGNN)is proposed and the time adaptive method is used to improve theaccuracy and speed of TSA at the same time.Firstly,in order to reduce the impact of dynamic topology on TSA after faultremoval,GSTGNN is used to extract and fuse the key features of top
5、ology and attribute information of adjacent nodes tolearn the spatial data correlation and improve the evaluation accuracy.Then,the extracted features are input into the gatedrecurrent unit(GRU)to learn the correlation of data at each time,and adjust the stability threshold to quickly outputaccurate
6、 evaluation results.Meanwhile,in order to avoid the influence of the quality of training samples,the improvedweighted cross entropy loss function with K nearest neighbor(KNN)idea is used to deal with the unbalanced trainingsamples.Through the analysis of an calculation example,it is verified from th
7、e data visualization that TSA method caneffectively improve assessment accuracy and shorten assessment time.Keywords:TSA;GSTGNN;GRU;KNN;data visualizatio收稿日期:20211123;修回日期:20220412基金项目:国家自然科学基金青年科学基金(51807114)通信作者:刘建锋(1968),男,博士,副教授,主要从事光电互感器、电气信息检测研究;Email:刘建锋,等:基于门控时空图神经网络的电力系统暂态稳定评估第 38 卷第 2 期电力系
8、统暂态稳定性是指电力系统受到大扰动后各发电机能否保持同步运行的能力。目前,随着电力消耗不断增长,系统负载达到极限传输容量事件高频发生,导致更严重的瞬态稳定性问题1。因此,对扰动后瞬态稳定性的实时评估备受关注。传 统 上,暂 态 稳 定 评 估(transient stabilityassessment,TSA)通过求解一组高阶微分代数方程来建模,使用基于简化模型的直接法23和基于轨迹模型的时域仿真法4评估系统稳定性。但是在实际大型交直流混合系统上,使用直接法评估不准确,时域仿真法需要完整的电网和扰动信息,耗费大量的计算时间。随着同步向量测量技术和高性能计算方法的创新应用,为了使用以上技术进行准
9、确快速 TSA,基于数据驱动的 TSA 受到关注。通过提取历史暂态数据集与稳定性条件之间的关系,可以准确地确认系统由不稳定状态到稳定状态所需要的约束条件。其中浅层神经网络5有较多应用,如文献 6 所提的支持向量机(support vector machine,SVM)法,适用于小规模训练样本,评估时间短,但存在人工调参主观性强和拓扑结构适应性差等问题。近年来出现了一系列适用大样本自动提取数据特征的深度学习法7用于 TSA,比如递归神经网络(recursive neural network,RNN)法 中 长 短 期 记 忆 网 络(long shortterm memory,LSTM)法8和门
10、控神经网络(gated recurrent unit,GRU)法9,依赖数据时间性进行快速地评估。但是,只考虑各节点的独立时间序列数据,忽略了具有时变性的电网拓扑结构对 TSA 具有显著影响。目前,图神经网络(graphneural networks,GNN)10模型解决了拓扑结构影响问题,例如文献11中的图卷积神经网络(graphconvolutional network,GCN)和文献 12 中的图注意力神经网络(graph attention network,GAT)等嵌入电网拓扑结构,通过输入特征进一步提取各节点之间的空间相关性信息,从而提升评估准确性。但是该方法输出所有时刻的评估结果
11、,计算数据量较大、延长了评估时间,不利于系统稳定的恢复。以上深度学习模型仅单一考虑数据时变性或拓扑空间变化性,在协调评估时间和准确性之间具有局限性。RNN 和 GNN 的结合模型为快速提取准确动态空间网络拓扑和时间信息提供了新的解决方案。因此,本文基于该 2 种模型提出一种嵌入电网拓扑结构和时间序列信息的门控时空图神经网络(gatingspatialtemporalgraphneuralnetwork,GSTGNN)框架,并采用自适应方法13,同时提高评估准确度和速度。相比于 GAT 模型平均使用多个注意力头,本文采用 GSTGNN 模型给与评估结果相关性高的注意力头增加权重,以充分提取节点间
12、拓扑信息,提高 TSA 准确度;同时,大规模电网紧急控制中心对 TSA 时间要求一般不超过 0.04s14。一般常规模型是聚合所有固定时刻数据进行 TSA,因此,提出自适应性 TSA 方法,使用 GRU 模型聚合较少时刻数据,快速得到准确的评估结果。除此之外,针对样本质量对评估结果的不利影响,采用 K近邻(Knearest neighbor,KNN)法15的改进加权交叉熵损失函数改善评估性能。与多种 TSA 模型性能对比,本文模型能更准确地提取节点采样信息,可以快速有效地评估 AC/DC 的异构多源网络的瞬态稳定性。1门控时空图神经网络1.1图神经网络和注意力机制图神经网络使用 G(x,A)矩
13、阵描述电力系统网络的拓扑关系,x 表示采集的电网信息特征向量,A表示拓扑结构的邻接矩阵。图神经网络在电力系统中的应用是对包含拓扑关系的 G(x,A)进行信息聚合,聚合节点自身和邻居特征训练生成包含原始信息以及拓扑信息的新特征 G(x,A),与输出结果相关性更高,其中,x表示与评估结果相关性更高的新特征向量。图神经网络算法过程如图 1所示。G(x,A)图神经网络算法G(x,A)图 1图神经网路算法过程Figure 1Graph neural network algorithm process215电力科学与技术学报2023 年 3 月引入注意力机制对邻近节点特征加权求和,其权重完全取决于节点特征
14、,不受动态拓扑结构影响。模型中每个节点代表电网拓扑结构中的发用电节点,图注意力层的输入是节点特征向量集 x,x=(x1,x2,xN)T,xi RF,xi为 节 点i的 特 征 向量,N 为系统节点个数,F 为节点的原特征数。每一层 的 输 出 是 一 个 新 的 节 点 特 征 向 量 集x,x=(x1,x2,xN)T,xi RF,F为节点的新特征数。针对 N 个节点,按照其输入节点特征预测输出新节点特征。为得到G(x,A),需要计算注意力系数aij,其算式如下:aij=softmax(eij)=exp(cos(Wxi,Wxj)k Niexp(cos(Wxi,Wxk)(1)式中,W为初始化矩阵
15、;为训练参数;cos(Wxi,Wxj)为余弦相似度,为 LeakyReLU 非线性激活函数。aij经由邻接矩阵 A确定新注意力系数:aij=aij,Aij=10,Aij=0(2)每次训练时产生不同的aij。因此,本文提出一种采用新注意力头机制的网络结构,为包含拓扑信息重要注意力头设置权重,即 01,使模型能够关注到重要注意力头的节点信息,从而提高模型解释性。对于含有 k 个注意力头数目的一个 GAT 层,每个注意力头含有不同的一组参数 W 和aij。具体特征提取过程如图 2 所示,mk1表示第 k 个注意力头权重,节点 1在其邻域上有 3个注意力头,不同的箭头样式和灰度表示独立的注意力头,不同
16、的软门聚合 每 个 头 的 特 征,控 制 得 到 相 关 性 更 高 的 特 征向量。a16x6a11a12a13a14a15x1x2x3x4x5x6mk1图 2特征提取过程Figure 2Feature extraction process针对节点i使用最大池和平均池构建网络,计算其注意力头权重mi,表达式为mi=m(1)i,m(2)i,.,m(k)i=FCm(xi maxj Ni(FCg(xj)j Nixj|Ni)(3)式中,m(k)i为第 i个节点第 k个注意力头权重。节点 i聚合注意力头拓扑信息的输出新特征:xi=|Kk=1m(k)i(j NiakijWkxj)(4)式中,xi为经过
17、 GSTGNN 层后节点 i包含不同空间相邻节点特征信息的输出新特征;注意力头k 2;为 GELUs激活函数16。为防止模型过拟合,引入随机正则思想控制训练集上的性能,GELUs表达式为fGELUs(x)=x(x)=0.5x1+tanh2/(x+0.044 715x3)(5)式中,(x)采用 N(0,1)正态分布,当 x 减小时,输出值就会依据概率随机依赖于输入值,提高模型泛化能力。1.2门控神经网络GSTGNN 模型提取电网拓扑信息,提高评估准确度,但是未考虑评估时间。本文研究对象是高维度动态系统,各个节点除了具有电网拓扑信息外,其物理量还具有时序特性。GRU 网络具有遗忘和选择记忆特性,学
18、习和保留输入数据的时序特征以供在之后时刻中使用。在暂态评估中,可以由故障状态推出故障切除后稳定性。因此,加入 GRU层,捕获节点历史序列和当前时刻信息,预测未来时刻稳定性,无需输入所有时刻数据量,缩短评估时间。综上,为处理具有复杂拓扑结构和时间相关性的序列信息,GSTGNN 和 GRU 组合成门控时空图神经网络框架,得到聚合的特征与稳定评估结果的非线性映射关系。在每一时刻,输入xt和隐藏状态ht-1都通过 GSTGNN 层,得到带有拓扑信息的新特征xt、ht-1,其表达式为xt=G(xt,A)ht-1=G(ht-1,A)(6)由ht-1、xt得到控制更新门zt和控制重置门rt,216刘建锋,等
19、:基于门控时空图神经网络的电力系统暂态稳定评估第 38 卷第 2 期其计算过程为zt=(Wzxt i,:+bz)rt=(Wrxt i,:+Urht-1 i,:+br)(7)式中,为 sigmoid激活函数,范围为 0,1。当前时间步的记忆状态ht i,:由以下公式获得,需要zt同时进行遗忘和选择记忆信息,即 ht i,:=tanh(Whxt i,:+Uh(rtUhht-1 i,:)+bh)ht i,:=(1-zt)ht-1 i,:+ztht i,:(8)式中,为 Hadamard Product,确定所要保留与遗忘的以前信息;ht i,:为通过重置所记忆之前时刻的状态;1-zt表示清除不重要信
20、息,zt表示遗忘过去状态信息,并加入当前节点输入的某些状态信息。最后时刻的记忆状态hlast i,:输入至 softmax激活函数,分类得到最后时刻的输出评估值y,取值范围为 0,1,即y=softmax(Wohlast i,:+bo)(9)式中,Wo、bo为通过梯度反向传播所学习的评估模型参数。2自适应性暂态稳定评估2.1原理为了故障切除后可以立刻启动紧急控制,需要快速、准确地进行 TSA。在文献 78 中,大多数现有的 TSA 方法利用固定长度的观察窗口,评估时间是恒定的。但是,此静态评估时间无法应对快速瞬态不稳定的情况,而且不同故障程度的系统模型需要不同的观察窗口长度。故障切除后为评估系
21、统未来时间窗口中的稳定性,逐步调整观察时间窗口,只要评估系统在未来失去稳定性,即可立刻启动紧急控制。2.2离线训练2.2.1生成数据集评估模型具有特征提取能力,旨在从采样数据中获取评估结果,输入数据需要全面反映系统的动态行为。本文主要研究故障切除后电力系统暂态稳定性,选择反映系统动态的初始特征构建 TSA 的输入特征,包括所有总线上各个节点的电压幅值、相角、注入有功功率和注入无功功率17。在 50 Hz 频率下采样,为了模拟各种故障切除后的系统响应,仿真不同的预想事故以生成整个数据集,输入x用时间形式表示:x=(x1,x2,xT)T=()u1,1uT,1ut,nu1,N+1uT,N+1T,()
22、1,1T,1t,n1,N+1T,N+1T,p1,1pT,1pt,np1,N+1pT,N+1T,q1,1qT,1qt,nq1,N+1qT,N+1TT(10)式中,ut,n、t,n、pt,n、qt,n分别为节点电压幅值、相角、有功和无功功率;下标 T 为观察时间窗口,影响GRU 评估准确度与复杂度;N 为节点数,由电网拓扑结构决定。使用故障切除后功角暂态稳定指标(transientstability index,TSI)t判断样本稳定性,表达式为yi=1(稳定),t 0,0(不稳定),t 0,i=1,2,T(11)式中,t=(180-max)/(180+max),max为仿真结束时任意 2 台同步
23、发电机的最大功角差,确定系统中是否有任何发电机不同步;yi为真实类别的标签18,建立完备的数据集。2.2.2改进的加权交叉熵损失函数在现实大电网中,稳定样本数量远大于失稳样本数量,即“不平衡”,一些比较重要的不稳定系统可能会被误判成稳定。因此,引入 KNN 法统计数据并比较 2类样本数量空间分布的不平衡信息。首先,使用 KNN 法计算每个样本与相反类别样本之间的距离,即样本的参考位置;然后,通过参考位置划分区域,得到一系列位置区域的不稳定与稳定数据数量,即样本的空间分布。设定总体分为a个区域,权重表达式为wAi=FBiFAi+FBiwBi=FAiFAi+FBi(12)其中,FAi、FBi分别为
24、第 i个区域上的失稳、稳定样本数量;wAi、wBi分别为样本第 i个区域上失稳、稳定权重,i=1,2,a。217电力科学与技术学报2023 年 3 月然后,采用改进加权交叉熵损失函数,提高失稳情况误判的代价,表达式为L=-1Nj=1N(wAiyjlog(yj)+wBi(1-yj)log(1-yj)(13)式中,N 为单次训练样本的数量;yj为真实类别的标签;yj为评估类别的概率。离线训练目的是在保证损失函数 L最小的情况下,使用 adam 优化器训练模型得到最优 w 和 b,减少不平衡样本的不利影响,提高评估准确度。2.3在线评估采用稳定性阈值对评估结果进行评估,由于,本文使用了 GRU 层,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 门控 时空 神经网络 电力系统 稳定 评估
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。