第 46 卷 第2期 2022 年 1 月 25 日 Vol. 46 No. 2 Jan.

25，2022
DOI：10. 7500/AEPS20201129003

结合图嵌入算法的电力系统多任务暂态稳定评估
孙黎霞 1 ，彭嘉杰 1 ，白景涛 2 ，陈欣凌 1 ，田屹昀 1
（1. 河海大学能源与电气学院，江苏省南京市 211100；2. 国网嘉兴供电公司，浙江省嘉兴市 314033）

摘要：电力系统功角稳定与电压稳定是电力系统安全稳定运行的基础 ，稳定性分析是制定稳定控
制策略的依据之一。考虑电网拓扑对电力系统暂态稳定性的影响，利用 Node2vec 图嵌入算法将电
网拓扑映射为低维稠密矩阵，获得电力系统的空间拓扑特征向量，并将其与电气量测数据相组合形
成重构数据集，作为评估模型的输入。考虑到电力系统多种稳定性问题往往交织在一起，首先，提
出了基于多任务学习的暂态稳定评估模型，并实现了电力系统功角稳定性和电压稳定性的同步评
估；然后根据评估结果，确定电力系统失稳区域并实现可视化；最后，采用新英格兰 10 机 39 节点测
试系统验证了评估模型的有效性。
关键词：暂态稳定评估；深度学习；图嵌入；卷积神经网络；长短期记忆网络；多任务学习

0 引言 拓 扑 对 系 统 稳 定 性 的 影 响 ，没 有 将 电 网 拓 扑 作 为 电
力系统稳定评估模型的输入。电网的拓扑结构会影
随着可再生能源占比和电力电子设备应用逐渐
响 发 电 机 之 间 的 功 率 平 衡 状 态 、负 荷 与 有 功 电 源 间
增加，电力系统的非线性和随机性不断增强，这给快
的 电 气 距 离 等［17］。 在 暂 态 过 程 中 不 同 拓 扑 位 置 的
速、准确、全面地感知电网运行态势带来了挑战［1-4］。
电 气 量 变 化 趋 势 有 着 明 显 差 异 ，在 数 据 集 中 加 入 电
暂态功角稳定性和电压稳定性是判断电力系统实时
网 拓 扑 信 息 有 利 于 模 型 学 习 ，提 升 暂 态 稳 定 评 估
运 行 状 态 的 重 要 依 据 。 然 而 ，传 统 的 时 域 仿 真 法 难
能力。
以满足实际需求。随着人工智能技术的发展和广域 图数据是由节点和节点间连接关系构成的以图
量 测 系 统 的 部 署 ，数 据 驱 动 方 法 为 电 力 系 统 稳 定 性 形 结 构 表 示 的 数 据 ，电 网 拓 扑 也 是 一 种 图 数 据 。 针
分析提供了新思路。 对图数据的处理方法主要包括图神经网络与图嵌入
相 关 研 究 中 ，通 常 将 电 气 量 测 数 据 作 为 评 估 模 算法，前者将图数据的结构应用于模型构建阶段，后
型 的 输 入 ，根 据 其 时 序 特 性 构 建 了 电 力 系 统 稳 定 评 者将图数据转化为特征向量供模型学习［18-19］。图嵌
估 模 型［5-8］。 其 中 ，文 献［8］验 证 了 双 向 长 短 期 记 忆 入 算 法 能 够 有 效 提 取 图 数 据 的 空 间 特 征 ，直 接 用 于
（bi-directional long short-term memory，Bi-LSTM） 传 统 深 度 学 习 模 型 ，因 而 在 图 数 据 分 类 问 题 中 得 到
网络对时序特征具有很好的提取能力。为进一步提 了 广 泛 应 用 ，但 在 电 力 系 统 中 仍 较 少 应 用 。 其 中
高模型学习效果，一方面，在原始数据集中增加额外 Node2vec 图 嵌 入 算 法 具 有 充 分 挖 掘 节 点 间 相 似 性
特征对其进行重构 ［9-10］
，并 利 用 卷 积 神 经 网 络 与 差 异 性 并 保 留 图 数 据 中 空 间 信 息 的 特 点［20］。 因
（convolutional neural network，CNN）的 多 通 道 特 征 此，本文选择 Node2vec 提取电网拓扑中各节点的空
提取能力进行学习 ［11-12］
。 文 献［9-10］分 别 利 用 电 压 间 拓 扑 特 征 向 量 。 此 外 ，相 关 研 究 中 多 数 模 型 为 单
跌落面积矩阵和人工经验方法得到重构数据集。文 任 务 评 估 模 型 ，不 能 同 时 评 估 电 力 系 统 的 功 角 稳 定
献［13-16］对 模 型 进 行 了 改 进 和 融 合 。 文 献［15］改 性 和 电 压 稳 定 性 。 但 是 ，实 际 电 力 系 统 中 出 现 纯 粹
进 并 融 合 多 个 深 度 置 信 网 络 ，提 高 了 评 估 模 型 的 精 一种稳定性问题的机会很少，在系统受到扰动时，暂

度和鲁棒性。 态功角失稳和暂态电压失稳问题往往交织在一
起［21］。 多 任 务 学 习 可 以 同 时 评 估 暂 态 功 角 稳 定 性
以 上 研 究 均 取 得 了 良 好 效 果 ，但 很 少 考 虑 电 网
和 电 压 稳 定 性 ，挖 掘 任 务 间 联 系 ，提 升 评 估 效
收稿日期：2020-11-29；修回日期：2021-07-06 。 果［22-23］。 因 此 ，本 文 提 出 一 种 结 合 Node2vec 图 嵌 入
上网日期：2021-09-29。 算法的多任务暂态稳定评估模型。
国家自然科学基金资助项目（51707056）。 本 文 利 用 Node2vec 提 取 电 网 拓 扑 的 空 间 拓 扑

http ：//www.aeps -info.com 83

2022，46（2） · 学术研究 ·

特征向量，将其与系统中电压幅值、相角等电气量测 节点间的连接权重，表示节点间的紧密程度，ω 越大
数 据 组 合 ，获 得 包 含 空 间 特 征 和 时 序 特 征 的 重 构 数 节点间联系越强，反之越弱。
据集；在此基础上，基于 CNN 和 Bi-LSTM 建立多任 Skip-gram 以 输 入 数 据 与 其 他 数 据 间 相 关 性 最
务 暂 态 稳 定 评 估 模 型 ，同 时 实 现 暂 态 功 角 稳 定 性 和 大 化 为 目 标 进 行 训 练 ，通 过 预 测 输 入 的 相 关 数 据 建
暂态电压稳定性的评估。该模型不仅具有更好的评 立 数 据 间 的 相 互 关 系 ，将 训 练 得 到 的 隐 含 层 权 重 作
估效果，还拥有更强的泛化能力。 为 输 入 数 据 的 特 征 表 示 。 Node2vec 借 助 Skip-gram
思路把电网拓扑中节点的特征学习问题转化为节点
1 结合图嵌入算法的暂态稳定评估模型
间 最 大 相 关 性 的 优 化 问 题［24-25］，以 条 件 概 率 表 示 节
1. 1 电力系统暂态数据特征 点间的相关性，通过优化目标函数 F，学习节点特征
电力系统中发电机功角和节点电压的变化趋势 的映射函数 fmp 。 目标函数 F 表示为：
均与节点在拓扑结构中的相对位置有关。对于发电 F = max ∑ log Pr ( N S ( u ) |f mp ( u ) ) （2）
机 的 功 角 来 说 ，不 同 位 置 发 电 机 暂 态 过 程 中 的 加 速 u∈V

功 率 可 能 不 同 。 对 于 节 点 电 压 ，不 同 位 置 节 点 获 得 式 中 ：u 为 起 始 节 点 ；N S ( u ) 为 起 始 节 点 u 依 据 相 邻
的无功支撑可能不同，因此，各节点电气量的特征会 节点抽样法则 C 生成的节点集合；Pr ( N S ( u ) |f mp ( u ) )
表现出一定的相似性和差异性。 为起始节点游走至其他相邻节点的条件概率之和。
当 新 英 格 兰 10 机 39 节 点 测 试 系 统 在 节 点 2 与 映 射 函 数 f mp 和 条 件 概 率 Pr ( N S ( u ) |f mp ( u ) ) 的
节 点 3 间 发 生 三 相 短 路 时 ，母 线 电 压 时 序 变 化 曲
［7］
表达式为：
线 如 附 录 A 图 A1 所 示 。 从 图 A1 中 可 以 看 出 ，系 统 f mp (V )：V → R d （3）
失稳和稳定时节点电压的时序变化曲线具有明显差 Pr ( N S ( u ) |f mp ( u ) ) = ∏ Pr ( n |f i mp (u)) （4）
ni ∈ Ns
异 ，可 以 通 过 提 取 电 压 的 时 序 特 征 进 行 暂 态 稳 定 评
估 。 同 时 ，不 同 节 点 的 电 压 表 现 为 不 一 样 的 变 化 特 exp ( f mp ( n i ) f mp ( u ) )
Pr ( n i |f ( u ) ) = （5）
性 。 节 点 28 和 29 较 为 相 似 ，节 点 22 和 23 较 为 相 ∑ exp ( f mp ( v ) f mp ( u ) )
v∈V
似，而这 2 组数据之间却存在着较大差异。因此，加 式 中 ：R 为 实 数 集 合 ；d 为 嵌 入 后 的 特 征 向 量 维 度 ；v
入 拓 扑 信 息 对 节 点 特 征 加 以 区 分 ，有 助 于 系 统 暂 态 为 下 一 节 点 ；ni 为 抽 样 集 合 N S ( u ) 中 的 节 点 ；
稳定评估能力的提升。图 1 为本文提出的结合图嵌
Pr ( n i |f mp ( u ) ) 为 起 始 节 点 与 某 一 相 邻 节 点 间 的 条 件
入算法的暂态稳定评估模型。
概率，即相关性。
节点 对 于 任 意 节 点 xj ，从 起 始 节 点 u 出 发 ，根 据 游 走
序号
权 重 π ( u，x j ) 选 择 相 邻 节 点 作 为 下 一 节 点 v，再 根 据
Node2vec
图结构特征 图嵌入
t π ( v，x j ) 选择下一节点。游走权重 π ( v，x j ) 为：
数据类型 卷积层 长短期 分类器 π ( v，x j ) = α p，q ( u，x j ) ω ( v，x j ) （6）
电气量特征
重构数据
记忆层
■1
原始数据
|p L ( u，x j ) = 0
图 1 结合图嵌入算法的暂态稳定评估模型 |
|
Fig. 1 Transient stability assessment model based on α p，q ( u，x j ) = ■1 L ( u，x j ) = 1 （7）
graph embedding algorithm |
|1
|q L ( u，x j ) = 2
1. 2 Node2vec 原理 ■
传统深度学习模型难以直接利用图数据。 式 中 ：ω ( v，x j ) 为 节 点 v 与 节 点 xj 的 连 接 权 重 ；
Node2vec 是 一 种 能 够 学 习 图 数 据 中 节 点 特 征 表 示 α p，q ( u，x j ) 为 节 点 v 与 节 点 xj 点 间 的 游 走 偏 差 权 重 ，
的 图 嵌 入 算 法 ，它 将 非 欧 氏 空 间 中 的 高 维 图 数 据 嵌 其 中 ，p 和 q 为 游 走 参 数 ；L ( u，x j ) 为 节 点 u 与 节 点 xj
入到低维实数空间，得到空间拓扑特征向量，在嵌入 间的最短距离。
过程中保留了各个节点间的相互关系，使联系紧密、 相 邻 节 点 抽 样 法 则 C 在 生 成 NS ( u ) 时 的 示 意
结构相似的节点获得相似的特征表示。对于某个确 图 见 附 录 B 图 B1，当 u 与 u 之 间 不 存 在 边 连 接 时 ，
定的电力系统来说，其拓扑图 G 为： L ( u，u ) =0；当 u 与 x1 之 间 最 短 距 离 为 经 1 条 边 相 连
G = (V，E，ω ) （1） 时 ，L ( u，x 1 )=1；当 u 与 x2 之 间 最 短 距 离 为 经 2 条 边
式 中 ：V 为 节 点 集 合 ；E 为 节 点 间 的 连 接 关 系 ；ω 为 相连时，L ( u，x 2 )=2。游走参数 p 和 q 影响游走过程

84
 孙黎霞，等 结合图嵌入算法的电力系统多任务暂态稳定评估

倾向探索局部特征还是全局特征。p 越大、q 越小则 1

f sigmoid ( z l ) =
-z
（10）
倾向全局探索，反之则倾向局部探索。 1+ e l

假设有 J 个相邻节点，则游走概率 P ( v，x j ) 为： 式中：z l 为全连接层的第 l 个神经元的输出值。

π ( v，x j ) 2 多任务暂态稳定评估模型的构建和评估
P ( v，x j ) = J （8）
∑ π ( v，x j ) 流程
j=1

假设系统节点数为 m，应用图嵌入算法时，首先 2. 1 多任务暂态稳定评估模型的构建

根 据 系 统 节 点 确 定 集 合 V，V= {1，2，… ，m }；其 次 根 过去的相关研究中通常使用单任务学习构建稳
据 系 统 拓 扑 的 连 接 关 系 确 定 E，若 节 点 之 间 存 在 线 定评估模型。但暂态功角稳定性和电压稳定性很难
路连接，则设该节点对为 1，不存在则为 0，形成 m×m 从 机 理 上 完 全 分 开［26］，单 任 务 模 型 不 利 于 训 练 过 程
矩 阵 E；之 后 利 用 节 点 电 压 幅 值 和 相 角 等 电 气 量 计 中 任 务 间 的 信 息 共 享 ，无 法 同 时 对 多 个 稳 定 性 问 题
算 各 个 节 点 之 间 的 皮 尔 逊 系 数 ，将 其 作 为 节 点 间 的 进行评估，浪费存储和运算资源；多任务学习可以同
连 接 权 重 ω，形 成 m×m 矩 阵 ，构 成 电 力 系 统 网 拓 扑 时 对 多 个 任 务 进 行 训 练 和 评 估 ，利 用 不 同 任 务 的 损
图 G。 结 合 实 际 情 况 ，选 择 合 适 的 嵌 入 后 特 征 向 量 失 函 数 共 同 调 整 评 估 模 型 参 数 ，提 升 学 习 效 率 和 学
维 度 d 和 游 走 参 数 p 和 q 后 ，将 G 作 为 Node2vec 的 习效果。
输 入 ，得 到 m×d 的 空 间 拓 扑 特 征 向 量 ，与 原 始 量 测 本 文 将 暂 态 功 角 稳 定 评 估 作 为 任 务 1，暂 态 电
数据集组合形成重构数据集。 压 稳 定 评 估 作 为 任 务 2，建 立 多 任 务 暂 态 稳 定 评 估
1. 3 CNN 原理 模型，其结构见附录 B 图 B5。所建立多任务模型通
CNN 通过卷积核与输入局部连接，经过激活函 过 Node2vec 算法提取空间拓扑特征向量，形成重构
数 处 理 之 后 输 出 给 后 续 网 络 。 本 文 采 用 2 维 CNN 数据集；采用 CNN 对重构数据集进行特征融合得到
对重构数据集中的时序数据和非时序数据进行特征 融 合 特 征 并 输 入 至 Bi-LSTM 网 络 ，利 用 Bi-LSTM
提 取 ，时 序 数 据 为 电 压 幅 值 、相 角 等 电 气 量 测 数 据 ， 网络提取时序特征。通过多任务学习联系 2 个任
非 时 序 数 据 为 电 网 的 空 间 拓 扑 特 征 向 量 ，具 体 提 取 务 ，将 Bi-LSTM 网 络 提 取 得 到 的 特 征 输 入 至 任 务 1
方法示意图见附录 B 图 B2。在某一时刻，各节点特 和任务 2 的分类器得到评估结果。在进行暂态功角
征 量 包 含 当 前 时 刻 的 时 序 特 征 和 非 时 序 特 征 ；利 用 和 暂 态 电 压 稳 定 评 估 时 分 别 选 择 Softmax 和
CNN 将 上 述 特 征 进 行 融 合 ，并 按 时 间 顺 序 进 行 排 Sigmoid 作为分类器［27］。
列；之后再利用 CNN 融合各个时间点下全部节点的 当 系 统 节 点 个 数 为 m 时 ，经 Softmax 处 理 后 得
特征，获得融合特征。 到 2 维输出，表示系统暂态功角稳定和失稳的概率 ；
1. 4 Bi-LSTM 原理 经 Sigmoid 处 理 后 得 到 m 维 输 出 ，其 中 ，每 列 对 应 系
Bi-LSTM 由 前 向 和 后 向 的 长 短 期 记 忆（long 统 中 的 一 个 节 点 ，该 列 输 出 值 大 于 0.5 视 为 暂 态 过
short-term memory，LSTM）网 络 共 同 构 成 ，能 够 从 程中该节点不存在电压稳定问题，反之则存在。
前 、后 2 个 方 向 提 取 时 序 特 征 。 单 个 LSTM 神 经 元 本 文 提 出 的 多 任 务 模 型 中 ，CNN 层 数 为 2，第 1
和 整 个 Bi-LSTM 结 构 的 示 意 图 见 附 录 B 图 B3 层 CNN 的 卷 积 核 为 1×1，用 于 融 合 时 序 和 非 时 序
和 B4。 特 征 ；第 2 层 CNN 的 卷 积 核 为 m×1，用 于 融 合 各 个
本 文 利 用 Bi-LSTM 网 络 对 卷 积 神 经 网 络 处 理 时 间 点 上 系 统 中 全 部 节 点 的 特 征 ，任 务 1 全 连 接 层
后 的 特 征 向 量 进 行 学 习 ，充 分 挖 掘 电 力 系 统 稳 态 和 的 神 经 元 数 为 2，任 务 2 全 连 接 层 的 神 经 元 数 为 m。
暂态之间的相互关系，提取时序特征。 因 此 ，需 要 调 整 的 模 型 参 数 有 ：Node2vec 中 的 参 数
1. 5 全连接层和分类器 d、p 和 q，CNN 的神经元个数，Bi-LSTM 层的层数与
全 连 接 层 与 上 层 神 经 元 全 部 相 连 ，与 Softmax 神经元个数。
和 Sigmoid 激 活 函 数 构 成 分 类 器 。 假 设 全 连 接 层 输 2. 2 多任务暂态稳定评估模型的训练和评估流程
出 z 中 共 有 K 个 变 量 ，Softmax 和 Sigmoid 的 表 达 式 本文提出的多任务模型的训练和评估流程如
f softmax ( ⋅ ) 和 f sigmoid ( ⋅ ) 分别为： 图 2 所示。
e
zl
1）电网拓扑图嵌入与重构数据集。本文选择节
f softmax ( z l ) = （9）
K
点在稳态、故障时刻和故障切除时刻的电压、相角作
∑e zk

为 模 型 输 入 数 据［28］。 根 据 电 网 拓 扑 结 构 和 量 测 数
k=1

http ：//www.aeps -info.com 85

 2022，46（2） · 学术研究 ·

据 建 立 G=（V，E，ω），选 择 d 、p 和 q。 利 用
开始
Node2vec 图嵌入算法 ，得到电力系统空间拓扑特征
输入电气数据
向量，将其与节点电压幅值和相角数据组合，得到重
构数据集。 形成电网拓扑图

2）重 构 数 据 集 分 类 。 针 对 任 务 1，本 文 根 据 暂 数据预处理 Node2vec图嵌入

态 稳 定 指 数（transient stability index，TSI）对 样 本 数

重构数据集
据进行暂态功角稳定类别的判断［8］，TSI 表示为：
360° - |Δδ max | 数据分类
η= （11）
360° + |Δδ max | 数据预处理
式 中 ：Δδ max 为 仿 真 时 长 内 任 意 2 台 发 电 机 功 角 差 值
训练数据 评估数据
的 最 大 值 ；η 为 暂 态 稳 定 裕 度 ，当 η > 0 则 认 为 系 统
稳定，η < 0 则认为系统失稳。
多任务模型训练

将系统稳定样本标记为［1，0］，失稳样本标记为 N 准确率波动小
于设定值?
［0，1］。 针 对 任 务 2，本 文 采 用 暂 态 电 压 稳 定 实 用 判 模型优化
Y
据 ：母 线 节 点 电 压 在 故 障 后 低 于 0.75 p.u. 的 时 间 不 Y
N 是否满足精
超 过 1 s［29］。 将 满 足 该 条 件 的 节 点 视 为 稳 定 节 点 标 度需求?
调整模型参数 多任务模型评估
记为 1，不满足的节点视为失稳节点，标记为 0，每个
样本得到 m 维的标签。 系统暂态稳定状态 失稳节点集合

3）数据预处理。为消除数据量纲差异带来的影 失稳区域
响，在数据输入模型之前进行归一化处理，本文采用
MinMax 归一化方 法 ，使各数据处于相同数量级 ，便
结束

于模型的训练与评估，MinMax 表达式为： 图 2 NCB 多任务模型评估流程图

Fig. 2 Assessment flow chart of NCB multi-task model
X - X min
X* = （12）
X max - X min 2. 3 多任务模型评价指标
式中：X * 为数据归一化后的值；X 为样本数据；X min 和 任务 1 为二分类问题。针对任务 1，本文使用准
X max 为样本数据的最小值和最大值。 确 率 、F1（F1-measure）和 FPR（false positive rate）为
4）模型参数选择与训练。根据精度需求调整模 评 价 指 标［8］。 其 中 准 确 率 、F1、FPR 分 别 用 I AC 、I F1 、
型 参 数 ，文 中 使 用 交 叉 熵 损 失 函 数 O 衡 量 Softmax I FPR 表达为：
和 Sigmoid 评 估 结 果 与 真 值 之 间 差 距 。 以 损 失 函 数 TP + TN
I AC = × 100% （14）
减 小 的 方 向 进 行 模 型 训 练［27］ ，假 设 样 本 标 签 TP + TN + FP + FN
2T P
y h ∈ { 1，0 }，则 O 为： I F1 = （15）
H
2T P + F P + F N
O = - ∑ [ y h log f h + ( 1 - y h )log ( 1 - f h ) ] （13） FP
h=1 I FPR = × 100% （16）
FP + TN
式中：fh 为分类器的输出值；H 为标签总数。
式中：T P 和 F N 分别为稳定样本中被正确和错误评估
训练过程中使用 Adam 优化器［30］，采用 Dropout
的数目；T N 和 F P 分别为失稳样本中被正确和错误评
防止过拟合［31］，使用 Mini-batch 加快训练速度 ，在训
估的数目。
练 过 程 中 根 据 训 练 效 果 调 整 学 习 速 率 ，训 练 至 验 证 任务 2 为多标签分类问题。输出结果不再为单
集 准 确 率 波 动 小 于 设 定 值 ε ，满 足 精 度 需 求 则 保 存 一数值而是电网中失稳节点的集合，因此，本文选择
模型，若不满足则调节参数并重新训练。 杰 卡 德 相 似 系 数 作 为 评 价 指 标 ，比 较 样 本 集 合 之 间
5）评 估 结 果 与 电 网 分 区 。 在 训 练 结 束 后 ，将 测 的 相 似 性 与 差 异 性［23］。 集 合 S 1 和 S 2 之 间 的 杰 卡 德
试 数 据 集 输 入 模 型 ，评 估 电 力 系 统 暂 态 功 角 稳 定 与 相似系数 E ( S 1，S 2 ) 表达式为：
电压稳定性，根据失稳节点集合进行电网分区，得到 |S 1 ∩ S 2 |
E ( S 1，S 2 ) = （17）
失稳区域。 |S 1 ∪ S 2 |

86
 孙黎霞，等 结合图嵌入算法的电力系统多任务暂态稳定评估

式 中 ：S 1 为 真 实 失 稳 集 合 ；S 2 为 多 任 务 模 型 输 出 的 和 39 的 皮 尔 逊 系 数 。 由 图 3 可 知 ，皮 尔 逊 系 数 大 小
失稳集合。 与空间拓扑特征向量相对位置远近一致。

3
37
算例分析 1.0
25
0.9 38 1

第2维归一化后的空间拓扑特征
29 30 2
算例采用新英格兰 10 机 39 节点测试系统，其拓 0.8 28 26
39
0.7 9
扑 结 构 见 附 录 C 图 C1 ，利 用 PSD-BPA 软 件 进 行
［32］
0.6 3
27 8
训 练 数 据 、验 证 数 据 和 测 试 数 据 的 生 成 。 在 Python 0.5 18
0.4 17 7
中 使 用 Tensorflow 和 Keras 搭 建 本 文 提 出 的 多 任 务 0.3
6 4 5
31
模型 。 运 行 平 台 为 Intel Core i5-6300HQ CPU/
［33-34］
0.2 21
16
14 12 11
0.1 22 24
8 GB RAM/GTX 960M。 0
23 19 33 15 13
32
20 35 36 10
3. 1 原始数据集构造 34
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
发 电 机 模 型 采 用 6 阶 模 型 ；负 荷 模 型 采 用 恒 阻 第1维归一化后的空间拓扑特征
抗 模 型 和 感 应 电 动 机 组 成 的 混 合 负 荷 模 型 ，二 者 占 (a) 节点嵌入特征向量
皮尔逊系数
比 均 为 50%。 系 统 负 荷 水 平 的 变 化 范 围 为 70%~ 1 1·00 0·45 0 0 0 0·69 1.0
140%，分别在 15 个不同的负荷水平下进行仿真 ，在
2 0·45 1·00 0·74 0·90 0 0 0.8
每 种 负 荷 水 平 下 设 置 各 条 线 路 发 生 三 相 短 路 ，持 续
时 间 为 0.1~0.2 s。 每 次 仿 真 时 长 为 3 s，记 录 系 统 节点序号
3 0 0·74 1·00 0 0 0
0.6
中各个节点在稳态、故障时刻、故障切除时刻的电压 30 0 0·90 0 1·00 0 0

幅 值 与 相 角 作 为 原 始 量 测 数 据 集 ，共 生 成 18 360 个 9
0.4
0 0 0 0 1·00 0·75
样 本 ，其 中 稳 定 样 本 10 625 个 ，失 稳 样 本 7 735 个 。 0.2
39 0·69 0 0 0 0·75 1·00
随机抽取 11 016 个样本作为训练样本，3 672 个样本
1 2 3 30 9 39
作为测试集数据。为体现电网拓扑对稳定性的影 节点序号
0

响 ，用 失 稳 率 表 示 失 稳 节 点 间 的 相 互 关 系 ，其 表 达 (b) 节点间皮尔逊系数

式为： 图 3 图嵌入结果
M a，b Fig. 3 Results of graph embedding
γa = （18）
Mb
3. 3 多任务模型参数
式 中 ：M b 为 所 有 样 本 中 节 点 b 为 失 稳 节 点 的 次 数 ；
最终确定模型中第 1 层 CNN 为 18 个神经元，第
M a，b 为 所 有 样 本 中 节 点 b 为 失 稳 节 点 时 节 点 a 为 失
2 层 CNN 为 39 个 神 经 元 ，Bi-LSTM 神 经 元 数 量 为
稳节点的次数；γ a 为节点 a 失稳率。
100。 模 型 参 数 的 具 体 设 置 如 表 1 所 示 。 Mini-batch
附 录 C 图 C2 为 节 点 4 的 失 稳 率 ，从 结 果 可 以 看
设 置 为 64，初 始 学 习 速 率 设 为 0.01，在 验 证 集 连 续
出：与节点 4 连接关系较为紧密、电压支撑较弱的节
点 失 稳 频 率 较 高 。 可 见 ，电 网 拓 扑 与 暂 态 电 压 稳 定 5 轮 不 下 降 时 减 少 一 半 的 学 习 速 率 ，训 练 至 验 证 集

性存在一定相关性。 准确率波动小于 0.05%。

3. 2 电网拓扑图嵌入 表 1 多任务模型参数设置
本 文 设 置 图 嵌 入 参 数 p=2，q=0.5，d=512，获 Table 1 Parameter setting of multi-task
assessment model
得 空 间 拓 扑 特 征 ，计 算 时 间 约 为 0.08 s。 然 后 ，通 过
每个样本 每个样本
主 成 分 分 析（principle componet analysis，PCA）将 图 隐含层 神经元个数
输入格式 输出格式
嵌 入 得 到 的 空 间 拓 扑 特 征 维 数 从 512 维 降 至 3 维 ， 卷积层 1 18 39×3×3 39×3×18
保 证 非 时 序 特 征 维 数 与 时 序 特 征 的 维 数 相 同 ，与 卷积层 2 39 39×3×18 1×3×39
3.1 节所生成的原始量测数据集进行组合，得到重构 Bi-LSTM 100 1×3×39 200
数 据 集 。 共 18 360 个 样 本 ，系 统 共 有 39 个 节 点 ，每 分类器 1 2 200 2
个节点具有电压幅值、相角和图嵌入 3 种特征，每种 分类器 2 39 200 39

特 征 由 3 维 特 征 向 量 表 示 ，因 此 重 构 数 据 集 格 式
为 18 360×39×3×3。 图 3（a）为 PCA 降 维 后 的 空 3. 4 多任务模型的训练和评估结果
间 拓 扑 特征向量的第 1 维和第 2 维特征的可视化结 为 验 证 Node2vec 图 嵌 入 算 法 对 模 型 评 估 的 作
果，图中数字为节点序号；图 3（b）为 节 点 1、2、3、9、30 用 ，本 文 对 比 了 在 重 构 数 据 集 与 原 始 量 测 数 据 集 上

http ：//www.aeps -info.com 87

2022，46（2） · 学术研究 ·

的评估结果，结果如表 2 所示。 Gen1 G

Gen2 失稳区域 Gen2
Gen1 G 稳定区域
稳定 G 37 G 37
30 30 26
表2 重构数据集与原始数据集评估结果对比 区域
2
25 26
27
28 29
38 2
25 28 29
38
16
Table 2 Comparison of assessment results between Gen3 1 18
17 G
16 Gen10
Gen31 18 17 27 G
G 21 Gen10
original and reconstructed data sets
G 3 15 3 15
39 39
4 12 21 22 4 12 14 13 22
9 5 11 14 13 9 5 11
任务 1 任务 2 8 19 24 35 19 24
数据集 失稳 8 35
G
准确率/% F1 FPR/% 杰卡德数/% 7
10 20 23 Gen8 区域 7 10 20 G
6 23 Gen8
6
重构数据集 98.5 0.981 1.3 94.2 31 32 34 33 36 31 32 34 33 36
G G G G G G G G G G
原始数据集 97.8 0.975 1.9 93.6 Gen4 Gen5 Gen7 Gen6 Gen9 Gen4 Gen5 Gen7 Gen6 Gen9

(a) 样本1 (b) 样本2

由表 2 可知，融合图嵌入的重构数据集，增加了 Gen2
Gen1 G
稳定区域 Gen2
Gen1 G 失稳区域
G 37 G 37
1 维空间特征向量后 ，任务 1 的准确率和任务 2 的杰 30 25 26
28 29
30
25 26 28 29
2 稳定区域 2 38
16 38 18 17 27 16
卡德系数分别提升了 0.7% 和 0.6%。空间拓扑特征 Gen31
G 3
18 17 27 G
Gen10
Gen3
G
1
15
G
Gen10
15 21 39 3 21
39
向 量 为 不 同 节 点 特 征 赋 予 了 不 同 权 重 ，区 分 了 不 同 4
9 5 11 12 14 13 22 4 11 12 14 13 22
19 24 35 9 5 19 24 35
失稳 8
节点的特征，促进了模型学习。同时，为验证多任务 区域 7 G
8
7 20 23 Gen8
G
20 23 Gen8
学习效果 ，将文中提出的多任务模型与 Node2vec+
6 10 6 10
31 32 34 33 36 31 32 34 33 36
CNN+Bi-LSTM、Bi-LSTM、LSTM、CNN 单 任 务 G G G G G G G G G G
Gen4 Gen5 Gen7 Gen6 Gen9 Gen4 Gen5 Gen7 Gen6 Gen9

模型的评估性能进行了对比，结果如表 3 所示。 (c) 样本3 (d) 样本4

Gen1至Gen10为发电机
表 3 多任务模型与其他模型的结果对比
图 4 评估结果
Table 3 Comparison of results between multi-task
Fig. 4 Assessment results
model and other models
任务 1 任务 2
计算时 3. 5 模型泛化能力测试
评估模型 准确 杰卡德
F1 FPR/% 间/s 电 力 系 统 运 行 中 拓 扑 经 常 会 发 生 变 化 ，为 验 证
率/% 系数/%

多任务模型 98.5 0.981 1.3 94.2 1.9 本 文 提 出 模 型 的 泛 化 能 力 ，建 立 N-1 数 据 集 。 随

Node2vec+CNN+ 机选择 1 条线路发生断线，共有 34 种拓扑；遍历每种
98.0 0.980 1.8 93.9 3.4
Bi-LSTM 单任务模型 拓 扑 下 除 断 线 之 外 的 33 条 线 路 发 生 三 相 短 路 接 地
Bi-LSTM 单任务模型 97.7 0.973 2.2 93.0 4.1 故障，故障持续时间为 0.1~0.2 s，共生成 6 732 组数
LSTM 单任务模型 97.5 0.971 2.3 92.9 3.7 据 。 将 3.4 节 的 评 估 模 型 在 N-1 数 据 集 中 进 行 泛
CNN 单任务模型 97.2 0.970 3.0 92.6 3.3 化 能 力 测 试 ，任 务 1 的 准 确 率 和 任 务 2 的 杰 卡 德 系
数如图 5 所示。
由表 3 可知，本文提出的多任务模型在任务 1 和 100 100
98 任务1 98
任务 2 上的准确率、F1、FPR 和杰卡德系数最多分别 96 任务2 96
提升了 1.3%、1.1%、1.7%、1.6%。验证了多任务学 94 94
杰卡德系数/%
准确率/%

92 92
习在促进模型挖掘暂态功角稳定与电压稳定之间相 90 90
关 性 和 提 升 模 型 性 能 方 面 的 能 力 。 数 据 集 、卷 积 层 88 88
86
1、卷 积 层 2、Bi-LSTM 层 的 特 征 分 布 情 况 见 附 录 C
86
84 84
图 C3。从特征分布中可以看到，在特征学习的过程 82 82
80 80
中 稳 定 与 不 稳 定 特 征 逐 渐 出 现 分 界 ，验 证 了 本 文 提 多任务 无图嵌 Node2vec+ Bi-LSTM CNN单任
出模型的特征提取能力。 模型 入多任 CNN+ 单任务 务模型
务模型 Bi-LSTM 模型
任 选 测 试 数 据 的 4 个 样 本 进 行 评 估 ，稳 定 节 点 单任务模型
模型
和失稳节点在图嵌入可视化中的分布情况图见附
图 5 模型泛化能力测试结果
录 C 图 C4。 由 图 C4 可 知 ，失 稳 节 点 间 的 相 对 距 离 Fig. 5 Testing results of model generalization ability
较近，相互联系较为紧密。其评估结果如图 4 所示。
图 4 还标出了电网拓扑中的稳定和失稳区域。红线 由 图 5 可 知 ，文 中 提 出 的 多 任 务 模 型 具 有 更 好
为 仿 真 得 到 的 稳 定 和 失 稳 区 域 分 界 线 ，评 估 结 果 与 的 精 度 与 泛 化 能 力 ，可 以 更 有 效 地 实 现 系 统 暂 态 功
仿真情况相一致。 角稳定和电压稳定的评估。

88

4 结语
本文考虑暂态数据变化趋势和系统暂态稳定性
与 电 网 拓 扑 间 的 相 关 性 ，借 助 多 任 务 学 习 可 以 促 进
任务间信息共享的特点，提出结合 Node2vec 图嵌入
算 法 的 多 任 务 暂 态 稳 定 评 估 模 型 ，同 时 实 现 了 电 力
系统暂态功角稳定和暂态电压稳定的评估。采用新
英 格 兰 10 机 39 节 点 测 试 系 统 进 行 验 证 ，得 到 以 下
结果：
1）Node2vec 图 嵌 入 算 法 可 以 有 效 学 习 电 力 系
统 拓 扑 中 各 节 点 的 空 间 拓 扑 特 征 ，为 原 始 电 气 量 测
数据集补充空间特征，促进模型学习，更好地实现暂
态功角稳定和电压稳定的评估；
2）多 任 务 学 习 可 以 挖 掘 电 力 系 统 暂 态 功 角 稳
定 性 与 电 压 稳 定 性 之 间 的 内 在 联 系 ，有 利 于 模 型 参
数调整，具有更好的特征提取效果，能够提升模型精
度与泛化能力；
3）本文提出的模型能够同时评估电力系统功角
稳 定 和 电 压 稳 定 ，并 确 定 失 稳 区 域 。 同 时 具 有 更 快
的 计 算 速 度 ，可 以 更 好 地 辅 助 运 行 人 员 分 析 和 判 断
电力系统运行态势，提供一定决策支撑。
后续研究将考虑利用无监督或半监督方法对电
力 系 统 中 大 量 的 无 标 签 数 据 进 行 学 习 ，充 分 挖 掘 电
力 系 统 数 据 潜 在 价 值 ，并 对 电 力 系 统 暂 态 功 角 稳 定
和暂态电压稳定进行更精细化的评估。
附录见本刊网络版（http：//www.aeps-info.com/
aeps/ch/index.aspx），扫英文摘要后二维码可以阅读
网络全文。
参考文献
［1］KUNDUR P. Power system stability and control［M］. New
York，USA：McGraw-Hill，1994.
［2］IEEE/CIGRE Joint Task Force on Stability Terms and
Definitions. Definition and classification of power system stability
［J］. IEEE Transactions on Power Systems， 2004， 19（3）：
1387-1401.
［3］许 洪 强 ，姚 建 国 ，於 益 军 ，等 . 支 撑 一 体 化 大 电 网 的 调 度 控 制 系
统架构及关键技术［J］. 电力系统自动化，2018，42（6）：1-8.
XU Hongqiang，YAO Jianguo，YU Yijun，et al. Architecture
and key technologies of dispatch and control system supporting
integrated bulk power grids［J］. Automation of Electric Power
Systems，2018，42（6）：1-8.
［4］刘 晟 源 ，林 振 智 ，李 金 城 ，等 . 电 力 系 统 态 势 感 知 技 术 研 究 综 述
与展望［J］. 电力系统自动化，2020，44（3）：229-239.
LIU Shengyuan，LIN Zhenzhi，LI Jincheng，et al. Review and
prospect of situation awareness technologies of power system［J］.
Automation of Electric Power Systems，2020，44（3）：229-239.
［5］朱 利 鹏 ，陆 超 ，黄 河 ，等 . 基 于 时 序 轨 迹 特 征 学 习 的 暂 态 电 压 稳
孙黎霞，等 结合图嵌入算法的电力系统多任务暂态稳定评估
定评估［J］. 电网技术，2019，43（6）：1922-1931.
ZHU Lipeng，LU Chao，HUANG He，et al. Transient voltage
stability assessment based on sequential trajectory feature learning
［J］. Power System Technology，2019，43（6）：1922-1931.
［6］REN C， XU Y， ZHANG Y C， et al. A hybrid randomized
learning system for temporal-adaptive voltage stability
assessment of power systems ［J］. IEEE Transactions on
Industrial Informatics，2020，16（6）：3672-3684.
［7］高 昆 仑 ，杨 帅 ，刘 思 言 ，等 . 基 于 一 维 卷 积 神 经 网 络 的 电 力 系 统
暂态稳定评估［J］. 电力系统自动化，2019，43（12）：18-26.
GAO Kunlun， YANG Shuai， LIU Siyan， et al. Transient
stability assessment for power system based on one-dimensional
convolutional neural network［J］. Automation of Electric Power
Systems，2019，43（12）：18-26.
［8］孙 黎 霞 ，白 景 涛 ，周 照 宇 ，等 . 基 于 双 向 长 短 期 记 忆 网 络 的 电 力
系统暂态稳定评估［J］. 电力系统自动化，2020，44（13）：64-72.
SUN Lixia， BAI Jingtao， ZHOU Zhaoyu， et al. Transient
stability assessment of power system based on bi-directional long
short-term memory network［J］. Automation of Electric Power
Systems，2020，44（13）：64-72.
［9］杨 维 全 ，朱 元 振 ，刘 玉 田 . 基 于 卷 积 神 经 网 络 的 暂 态 电 压 稳 定 快
速评估［J］. 电力系统自动化，2019，43（22）：46-51.
YANG Weiquan，ZHU Yuanzhen，LIU Yutian. Fast assessment
of transient voltage stability based on convolutional neural
network［J］. Automation of Electric Power Systems，2019，43（22）：
46-51.
［10］邵 美 阳 ，吴 俊 勇 ，李 宝 琴 ，等 . 基 于 两 阶 段 集 成 深 度 置 信 网 络 的
电力系统暂态稳定评估［J］. 电网技术，2020，44（5）：1776-1787.
SHAO Meiyang，WU Junyong，LI Baoqin，et al. Transient
stability assessment of power system based on two-stage
ensemble deep belief network［J］. Power System Technology，
2020，44（5）：1776-1787.
［11］ZHU L P， HILL D J， LU C. Hierarchical deep learning
machine for power system online transient stability prediction
［J］. IEEE Transactions on Power Systems， 2020， 35（3）：
2399-2411.
［12］田 芳 ，周 孝 信 ，史 东 宇 ，等 . 基 于 卷 积 神 经 网 络 综 合 模 型 和 稳 态
特 征 量 的 电 力 系 统 暂 态 稳 定 评 估［J］. 中 国 电 机 工 程 学 报 ，
2019，39（14）：4025-4032.
TIAN Fang， ZHOU Xiaoxin， SHI Dongyu， et al. Power
system transient stability assessment based on comprehensive
convolutional neural network model and steady-state features
［J］. Proceedings of the CSEE，2019，39（14）：4025-4032.
［13］ZHU Q M，CHEN J F，ZHU L，et al. A deep end-to-end
model for transient stability assessment with PMU data［J］.
IEEE Access，2018，6：65474-65487.
［14］王 彤 ，刘 九 良 ，朱 劭 璇 ，等 . 基 于 随 机 森 林 的 电 力 系 统 暂 态 稳 定
评 估 与 紧 急 控 制 策 略［J/OL］. 电 网 技 术［2020-03-27］. http：//
www.racc.edu/yocum/pdf/PALibarry Laws.pdf.
WANG Tong，LIU Jiuliang，ZHU Shaoxuan，et al. Transient
stability assessment and emergency control strategy based on
random forest in power system ［J/OL］. Power System
Technology［2020-03-27］. http：//www. racc. edu/yocum/pdf/
http ：//www.aeps -info.com 89
 2022，46（2）
PALibarry Laws.pdf.
［15］李 宝 琴 ，吴 俊 勇 ，邵 美 阳 ，等 . 基 于 集 成 深 度 置 信 网 络 的 精 细 化
电 力 系 统 暂 态 稳 定 评 估［J］. 电 力 系 统 自 动 化 ，2020，44（6）：
17-26.
LI Baoqin， WU Junyong， SHAO Meiyang， et al. Refined
transient stability evaluation for power system based on
ensemble deep belief network［J］. Automation of Electric Power
Systems，2020，44（6）：17-26.
［16］WU S， ZHENG L， HU W， et al. Improved deep belief
network and model interpretation method for power system
transient stability assessment［J］. Journal of Modern Power
Systems and Clean Energy，2019，8（1）：27-37.
［17］黎 晓 ，刘 崇 茹 ，辛 蜀 骏 ，等 . 暂 态 功 角 稳 定 与 暂 态 电 压 稳 定 的 耦
合 机 理 分 析 与 耦 合 强 度 评 估 指 标［J/OL］. 中 国 电 机 工 程 学 报
［2021-03-27］. http：//kns. cnki. net/kcms/detail/11.2107. TM.
20201112.1436.006.html.
LI Xiao， LIU Chongru， XIN Shujun， et al. Coupling
mechanism analysis and coupling strength evaluation index of
transient power angle stability and transient voltage stability［J/
OL］. Proceedings of the CSEE［2021-03-27］. http：// kns.
cnki. net/ kcms/ detail/ 11.2107. TM. 20201112. 1436.006.
html.
［18］王 铮 澄 ，周 艳 真 ，郭 庆 来 ，等 . 考 虑 电 力 系 统 拓 扑 变 化 的 消 息 传
递 图 神 经 网 络 暂 态 稳 定 评 估［J/OL］. 中 国 电 机 工 程 学 报
［2021-03-27］. https：// doi . org/10. 13334/ j. 0258-8013.
pcsee.20213.
WANG Zhengcheng，ZHOU Yanzhen，GUO Qinglai，et al.
Transient stability assessment of power system considering
topological change： a message passing neural network-based
approach ［J/OL］. Proceedings of the CSEE ［2021-03-27］.
https：//doi.org/10.13334/j.0258-8013.pcsee.20213.
［19］GROVER A， LESKOVEC J. Node2vec： scalable feature
learning for networks［C］// 22nd ACM SIGKDD International
Conference on Knowledge Discovery and Data Mining， July
3，2016，New York，USA：855-864.
［20］TIXIER A J P，NIKOLENTZOS G，MELADIANOS P，et
al. Graph classification with 2D convolutional neural networks
［C］// 28th International Conference on Artificial Neural
Networks，September 9，2019，Munich，Germany：578-593.
［21］刘取 . 电力系统稳定性及发电机励磁控制［M］. 北京：中国电力
出版社，2007.
LIU Qu. Power system stability and generator excitation control
［M］. Beijing：China Electric Power Press，2007．
［22］ZHANG Y，YANG Q. An overview of multi-task learning［J］.
National Science Review，2018，5（1）：30-43.
［23］GUPTA A，GURRALA G，SASTRY P S. An online power
system stability monitoring system using convolutional neural
networks ［J］. IEEE Transactions on Power Systems ，
2019 ，34（2）：864-872.
［24］MIKOLOV T， CHEN K， CORRADO G， et al. Efficient
estimation of word representations in vector space［C］// 1st
International Conference on Learning Representations，January
90
· 学术研究 ·
16，2013，Scottsdale，USA.
［25］PEROZZI B，AL-RFOU R，SKIENA S. DeepWalk：online
learning of social representations［C］// 20th ACM SIGKDD
International Conference on Knowledge Discovery and Data
Mining，March 26，2014，New York，USA：701-710.
［26］汤涌 . 电力系统电压稳定性分析［M］. 北京：科学出版社，2011.
TANG Yong. Voltage stability analysis of power system［M］.
Beijing：Science Press，2011.
［27］邱 锡 鹏 . 神 经 网 络 与 深 度 学 习［M］. 北 京 ：机 械 工 业 出 版 社 ，
2020.
QIU Xipeng. Neural networks and deep learning［M］. Beijing：
China Machine Press，2020.
［28］霍 思 敏 ，王 科 ，陈 震 海 ，等 . 基 于 轨 迹 输 入 特 征 支 持 向 量 机 的 湖
南 电 网 暂 态 稳 定 在 线 识 别［J］. 电 力 系 统 保 护 与 控 制 ，2012，
40（18）：19-23.
HUO Simin，WANG Ke，CHEN Zhenhai，et al. Hunan power
grid transient stability online detection based on support vector
machine with trajectory input features ［J］. Power System
Protection and Control，2012，40（18）：19-23.
［29］国家能源局 . 电力系统安全稳定计算技术规范 ：DL/T 1234—
2013［S］. 北京：中国电力出版社，2013.
National Energy Administration. Technique specification of
power system security and stability calculation：DL/T 1234—
2013［S］. Beijing：China Electric Power Press，2013.
［30］KINGMA D， BA J. Adam： a method for stochastic
optimization［R/OL］. ［2020-12-01］. http：www. oalib. com/
paper4068193.
［31］SRIVASTAVA N，HINTON G，KRIZHEVSKY A，et al.
Dropout： a simple way to prevent neural networks from
overfitting［J］. Journal of Machine Learning Research，2014，
15：1929-1958.
［32］PAI M A. Energy function analysis for power system stability
［M］. Berlin，Germany：Springer Science & Business Media，
2012.
［33］ABADI M， BARHAM P， CHEN J， et al. Tensorflow：a
system for large-scale machine learning［R/OL］.［2021-03-09］.
https：//arxiv.org/pdf/1605.08695.pdf.
［34］CHOLLET F. Keras：Theano-based deep learning library［EB/
OL］.［2021-03-09］. https：//github.com/fchollet/keras.
孙黎霞 (1978—)，女 ，通 信 作 者 ，博 士 ，副 教 授 ，硕 士 生 导
师，主要研究方向：电力电子在电力系统中的应用、同步发电
机及其励磁系统的建模与参数辨识 、非线性系统的控制。E-
mail：Lixiasun@hhu.edu.cn
彭嘉杰(1997—)，男，硕士研究生，主要研究方向：人工智
能在电力系统的应用。E-mail：921939688@qq.com
白景涛(1994—)，男，工程师，主要研究方向：人工智能在
电 力 系 统 中 的 应 用 、非 线 性 系 统 的 控 制 。 E-mail：
1830363811@qq.com
（编辑 顾晓荣）
 孙黎霞，等 结合图嵌入算法的电力系统多任务暂态稳定评估

Multi-task Transient Stability Assessment of Power System Incorporating Graph Embedding Algorithm
SUN Lixia1 ，PENG Jiajie1 ，BAI Jingtao2 ，CHEN Xinling 1 ，TIAN Yiyun1
(1. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, China;
2. State Grid Jiaxing Electric Power Supply Company, Jiaxing 314033, China)

Abstract: The rotor angle stability and voltage stability of power systems are the bases for the secure operation of power systems,
and the stability analysis is one of the bases for the stability control strategy formulation. Considering the influence of the power grid
topology on the power system transient stability, the Node2vec graph embedding algorithm is used to map the power grid topology
into a low-dimensional dense matrix, and the spatial topological features of the power system are obtained, which are combined
with the measurement data to form a reconstructed data set as the input of the assessment model. Considering that the various
stability problems of power systems are often intertwined, a transient stability assessment model based on multi-task learning is
proposed to realize the assessment of rotor angle stability and voltage stability of power system at the same time, and the instability
areas in the power grid are determined and the visualization is realized. Finally, the validity of the model is verified by the New
England 10-generator 39-bus system.
This work is supported by National Natural Science Foundation of China (No. 51707056).
Key words: transient stability assessment; deep learning; graph embedding; convolutional neural network; long short-term
memory network; multi-task learning

http ：//www.aeps -info.com 91