[发明专利]基于不平衡数据的门图神经网络暂态稳定性评估方法

说明书

基于不平衡数据的门图神经网络暂态稳定性评估方法，属于电力系统的暂态稳定性分析技术领域。本发明是为了目前的机器学习的方法不具有可解释性的问题。本发明基于条件生成对抗网络(CGAN)来生成不稳定的样本，不但能生成不稳定的样本，还能用来生成事件不平衡的不稳定样本，使样本不仅达到稳定与不稳定平衡，也能达到不稳定样本中的事件的平衡。在解决了样本的数据不平衡问题之后，用GGNN算法来评估电力系统的暂态稳定性，并且判断造成电力系统失稳的原因。主要用于电力系统的暂态稳定性评估。

技术领域

本发明涉及电力系统的网络暂态稳定性评估方法，属于电力系统的暂态稳定性分析技术领域。

背景技术

暂态稳定是指电力系统在某个运行状态下突然受到大的干扰后，能否经过暂态过程达到稳态运行状态或原来的运行状态。电力系统是能源物联网中重要的组成部分，电力系统的暂态稳定评估也很重要。这些大的干扰一般是指短路故障、突然断开线路或发电机等。电力系统如果在受到大的干扰后不能达到稳定的或原来的运行状态时，会造成电力系统的失稳，会使电力系统大面积崩溃，造成严重的社会经济损失。所以设计的TSA在系统受到故障时能够快速判断系统是否失稳且分析失稳的事件是非常必要且有重要意义的。

电力系统的暂态稳定性分析的方法有时域仿真法、直接法和机器学习法，其中最成熟的方法是时域仿真法。时域仿真法是对全系统建立模型，即高维非线性的微分代数方程，在求解方程后得到系统中各变量随时间变化的曲线，然后判断系统的暂态稳定性。因为模型是根据系统中各元件的物理特性及网络拓扑关系建立的，所以时域仿真法具有可解释性。时域仿真法可以作为其他方法的检验标准，但是随着电力系统越来越复杂和电子硬件的快速变化，时域仿真法的模型越来越复杂，计算也越来越复杂，所需的计算时间也越来越长，这使得时域仿真法不能够实时的判断电力系统的暂态稳定性。除此之外时域仿真法也不能够获得电力系统的暂态稳定的稳定裕度。

直接法一般都是基于能量函数的方法，基于能量函数的方法有三种，分别为势能边界表面法(PEBC)，控制不稳定的平衡点法(CUEP)和EEAC。与时域仿真法相比，直接法因无需对整个系统的运动轨迹进行逐步积分，使得有较快计算速度；又因直接法是先建立能量函数，然后通过比较故障切除时刻系统具有的能量和系统处于临界时的能量判断系统的暂态稳定性问题，故能得到系统的稳定性裕度。但是直接法的模型适应性较差，判断结果偏保守且系统处于临界时的能量较难求得。

随着人工智能的发展，机器学习的各种方法也用于电力系统暂态稳定性分析，有SVM、逻辑回归、深度学习等。在J.Q.Yu，A.Y.S.Lam，D.J.Hill and V.O.K.Li等人的《DelayAware Intelligent Transient Stability Assessment System》中，用LSTM的方法不但解决了电力系统中的暂态稳定性评估，也解决了系统模型的评估精度和响应时间的转换和PMUs的通信延迟问题。基于级联的CNN的方法解决电力系统的暂态稳定性的快速批量评估。随着图学习的发展，图学习也被应用到电力系统的暂态稳定性评估。在《Fast TransientStability Batch Assessment Using Cascaded Convolutional Neural Networks》中，用循环图卷积网络(RGCN)构建TSA模型。与其他神经网络的方法比较，基于图注意力神经网络的TSA模型考虑了电网的拓扑结构对电力系统的稳定性的影响，且在一定程度上能够达到较好的准确性。与时域仿真法和直接法相比较，机器学习的方法具有计算复杂度低和能够求得稳定裕度的优点，有较短的响应时间，也能够实现实时判断电力系统的暂态稳定。但是目前的机器学习的方法不具有可解释性，同时机器学习的方法受到数据不平衡性的影响非常大，数据的不平衡会使评估模型虽然有较高的准确率，但是会发生错误判断，造成较大的损失，同时也使得训练好的模型的泛化能力有限导致其鲁棒性和适用性有待于提高。

发明内容

本发明是为了目前的机器学习的方法不具有可解释性的问题。

基于不平衡数据的门图神经网络暂态稳定性评估方法,包括以下步骤：