Professional Documents
Culture Documents
基于双向长短期记忆网络的电力系统暂态稳定评估 孙黎霞
基于双向长短期记忆网络的电力系统暂态稳定评估 孙黎霞
10,2020
DOI:10. 7500/AEPS20191225003
基于双向长短期记忆网络的电力系统暂态稳定评估
孙黎霞,白景涛,周照宇,赵晨昀
(河海大学能源与电气学院,江苏省南京市 211100)
摘要:为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建
立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过 Bi-LSTM 网络
建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率 、F1 指标和 FPR
指标综合评估 Bi-LSTM 网络模型性能的优劣,在此基础上,采用 t 分布随机近邻嵌入(t-SNE)降维
方法和 k 最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰 10 机 39 节点系统算
例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化
方法和网络预测分数对评估模型进行分析,结果表明 Bi-LSTM 网络模型具有较强的电力系统暂态
过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模
式和方法对暂态评估模型的影响,结果表明 z-score 归一化方法要优于 min-max 归一化方法,采用总
维数归一化模式的模型评估性能更好。
关键词:深度学习;长短期记忆网络;暂态稳定评估;归一化;t 分布随机近邻嵌入;k 最近邻
0 引言 已 经 可 以 自 动 提 取 原 始 数 据 的 特 征 ,从 而 避 免 了 人
工 提 取 特 征 的 主 观 性 。 目 前 ,已 经 有 学 者 将 深 度 学
快 速 、准 确 的 电 力 系 统 暂 态 稳 定 评 估 对 电 力 系
习 应 用 在 电 力 系 统 暂 态 稳 定 评 估 方 面 ,涉 及 的 深 度
统的安全稳定运行至关重要。基于机器学习的电力
学 习 模 型 主 要 有 深 度 置 信 网 络[9-11](deep belief
系 统 暂 态 稳 定 评 估 方 法 是 给 定 足 够 的 标 注 样 本 ,通
network,DBN)、堆 栈 自 动 编 码 器[12-14](stacked
过 机 器 学 习 进 行 离 线 训 练 ,建 立 输 入 数 据 与 暂 态 稳
autoencoder, SAE) 、 卷 积 神 经 网 络[15-16]
定 性 之 间 的 映 射 模 型 ,然 后 将 该 映 射 模 型 用 于 电 力
(convolutional neural network,CNN)等 。 这 些 模 型
系统暂态稳定性评估的方法。该方法可以保证在线
直 接 面 向 原 始 数 据 ,其 特 征 提 取 能 力 的 好 坏 直 接 决
评估的速度,具有很好的发展前景[1]。
定了该模型的评估性能的优劣。不同模型面对不同
基于机器学习的电力系统暂态稳定评估方面的
数据的特征提取能力不同,因此,需要结合输入数据
研 究 主 要 集 中 在 算 法 的 应 用 :传 统 机 器 学 习 算 法 和
的固有特征,选取合适的神经网络模型,以提高电力
深 度 学 习 算 法 。 传 统 机 器 学 习 算 法 主 要 有 :人 工 神
系统暂态稳定性评估模型的性能。
经 网 络[2](artificial neural network,ANN)、决 策 树[3]
双 向 长 短 期 记 忆(bi-directional long-short-term
(decision tree,DT)、递 归 贝 叶 斯[4](recursive Bayes,
memory,Bi-LSTM)网 络 是 一 种 时 间 递 归 神 经 网
RB)、支 持 向 量 机[5-6](support vector machine,
络 ,具 有 信 息 过 滤 特 性 ,适 合 处 理 序 列 数 据 分 类 问
SVM)、k 最近邻[7]
(k-nearest neighbor,KNN)法和组
题。近年来,Bi-LSTM 网络在很多领域获得了较好
合 方 法[8](ensemble class,EC)等 。 这 些 算 法 实 现 了
的 应 用 ,如 社 会 信 号 分 类[17]、生 成 图 像 字 幕[18]和 语
暂 态 稳 定 的 快 速 评 估 ,但 是 这 些 算 法 对 数 据 特 征 提
音识别[19]等。对于暂态过程数据的学习,Bi-LSTM
取能力有限,需要通过人工参与提取数据特征,以达
网络相比于其他深度学习模型具有独特的优势。
到良好的评估性能。这样的暂态稳定评估方法增加
电力系统暂态过程是系统从一种稳定状态过渡
了 人 为 的 主 观 性 ,其 结 果 的 推 广 性 不 强 。 随 着 深 度
到另一种新的状态所经历的过程。另一种新的状态
学习的发展,神经网络拥有了更强的数据理解能力,
可 能 是 稳 定 状 态 ,也 可 能 是 失 稳 状 态 。 该 过 程 从 时
收稿日期:2019-12-25;修回日期:2020-03-12 。 间顺序来看,可以分为波过程、电磁暂态过程和机电
上网日期:2020-05-13。 暂 态 过 程[20]。 在 该 过 程 中 ,电 力 系 统 的 物 理 量(如
国家自然科学基金资助项目(51707056)。 电压、电流、功率、发电机功角等)具有明显的时变特
64
孙黎霞,等 基于双向长短期记忆网络的电力系统暂态稳定评估
1. 2 Bi-LSTM 网络 价指标,对所设计的模型进行训练,获得最优的电力
Bi-LSTM 网 络 是 以 传 统 LSTM 网 络 为 基 础 形 系统评估模型,实现系统的暂态稳定评估。
成 的 模 型 。 Bi-LSTM 网 络 的 隐 含 层 都 是 由 LSTM 2. 1 基于 Bi-LSTM 网络的暂态稳定评估模型设计
单 元 构 成 ,LSTM 单 元 使 用 门 控 单 元 来 控 制 信 息 流 暂 态 稳 定 评 估 是 一 个 高 维 二 分 类 问 题 ,其 关 键
向 ,它 包 含 输 入 门 、遗 忘 门 、记 忆 细 胞 和 输 出 门 。 遗 是如何建立模型初始输入特征 X 和暂态稳定类别 T
忘 门 决 定 哪 些 信 息 需 要 从 记 忆 细 胞 中 被 遗 忘 ;输 入 之 间 的 非 线 性 映 射 关 系 ,即 T= ƒ(X),其 中
门控制前一时刻的输出和当前时刻的输入数据对记 T ∈ { 稳定,失稳 }。 基 于 Bi-LSTM 网 络 的 暂 态 稳 定
忆 细 胞 输 入 的 影 响 ;记 忆 细 胞 用 于 存 储 细 胞 当 前 时 评估模型由 Bi-LSTM 网络和分类器 2 个部分组成 ,
刻的状态向量,LSTM 单元各变量计算关系为: 本 文 使 用 神 经 网 络 常 用 的 softmax 分 类 器 进 行 分 类
f j,t = σ (W jf [ h t-1 x t ]+ b fj ) (1) 并标签,进行暂态稳定评估。本文标签“0”表示系统
暂 态 稳 定 ,标 签“1”表 示 系 统 失 稳 。 softmax 分 类 器
i j,t = σ (W ji [ h t-1 x ]+ b ij )
t (2)
的函数关系表达式为:
o j,t = σ (W jo [ h x ]+ b oj ) (3)
ée θ Hù
t-1 t
1
T
0
C͂ j,t = σ (W [ h C
x ]+ b ) C
(4) g ( H )= T T ê θ Hú
T
(8)
j t-1 t j
eθ 0 H
+ eθ 1 H
ëe û
1
time,BPTT)算法进行调整;g(H)为 Bi-LSTM 网络
的 预 测 分 数 ,取 值 范 围 为[0,1],它 将 作 为 判 别 系 统
/,
测分数大于 0.5,表示系统失稳,反之系统稳定。
E D
Bi-LSTM 网 络 隐 含 层 层 数 和 隐 含 层 单 元 数 对
评 估 模 型 性 能 有 较 大 影 响 ,本 文 通 过 迭 代 寻 优 的 方
法 实 现 最 优 的 网 络 结 构 ,详 细 网 络 构 造 方 法 见 @3 "A
2.3 节。
Bi-LSTM/
2. 2 模型性能的评价指标 @@3
网络结构的调整需要一些指标定量分析网络性 A
能 的 好 坏 。 本 文 使 用 混 淆 矩 阵 工 具 ,以 准 确 率 、F1
Y
(F1-measure)和 FPR(false positive rate)为 评 价 指 -("ε
+Bi-LSTM
/@
标 ,综 合 评 估 暂 态 稳 定 评 估 模 型 性 能 的 优 劣 。 混 淆 N
矩 阵 如 表 1 所 示 ,其 中 :T P 和 F N 分 别 表 示 系 统 暂 态 @6
稳定样本被正确和错误评估的数目;F P 和 T N 分别表 图 1 暂态稳定评估模型建模过程
示系统暂态失稳样本被错误和正确评估的数目。 Fig. 1 Construction process of transient
stability assessment model
表 1 暂态稳定评估混淆矩阵
Table 1 Confusion matrix for transient T。 本 文 根 据 暂 态 稳 定 指 数 η 对 样 本 数 据 进 行 暂 态
stability assessment
稳定类别的贴标,有
真实结果
评估结果
稳定 失稳
360° - | Δδ max |
η= (12)
稳定 TP FP 360° + | Δδ max |
失稳 FN TN 式中:Δδ max 为仿真时长内发电机的最大功角差。当
η>0 时 ,表 示 系 统 暂 态 稳 定 ,标 签 为“ 稳 定 ”;反 之 ,
根 据 混 淆 矩 阵 ,计 算 模 型 的 准 确 率 、F1 值 和 系统失稳,标签为“失稳”。
FPR 值,其数学表达分别为: 3)初始输入特征 X 的选择。X 的选择对评估模
TP + TN 型 性 能 有 较 大 影 响 ,因 为 评 估 模 型 主 要 从 X 获 取 系
I AC = × 100% (9)
TP + TN + FP + FN
统 的 特 征 信 息 ,来 判 定 系 统 的 动 态 特 性 。 参 考 文 献
2T P [12,23-24],同 时 考 虑 实 际 应 用 数 据 获 取 的 实 时 性
I F1 = (10)
2T P + F P + F N
和 Bi-LSTM 网 络 模 型 特 点 。 本 文 选 择 X 为 母 线 的
FP 电压相量、线路有功功率和无功功率,这些数据都可
I FPR = × 100% (11)
FP + TN
实 时 获 得 ,数 据 采 集 延 迟 性 小 ,具 有 明 显 的 时 变
准确率和 F1 值反映模型的综合性能,准确率和 特性。
F1 值 越 高 ,说 明 模 型 性 能 越 好 ;电 网 对“ 失 稳 ”错 判 4)数 据 归 一 化 。 将 输 入 数 据 投 入 模 型 训 练 前 ,
的容忍度相比于“稳定”更小,所以本文引入 FPR 评 一 般 需 要 进 行 归 一 化 预 处 理 ,包 括 归 一 化 方 法 和 归
估 指 标 ,FPR 越 小 ,说 明 模 型 对“ 失 稳 ”的 错 判 率 一化模式。常用归一化方法有 min-max 归一化和 z-
越小。 score 归一化。min-max 归一化定义为:
2. 3 基于 Bi-LSTM 网络的暂态稳定评估建模过程 Q - Q min
Q∗ = (13)
基 于 Bi-LSTM 网 络 的 暂 态 稳 定 评 估 建 模 过 程 Q max - Q min
的具体步骤如图 1 所示。 式 中 :Q ∗ 为 样 本 数 据 归 一 化 后 的 值 ;Q 为 样 本 数 据 ,
1)仿真数据生成。基于深度学习的暂态评估模 Q max 和 Q min 分别为其最大值和最小值。
型 需 要 高 质 量 的 数 据 ,本 文 使 用 时 域 仿 真 法 生 成 数 z-score 归一化定义如下:
据。通过改变线路故障位置、故障线路、故障时间和 Q-μ
Q∗ = (14)
负荷水平来实现样本数据的多样性。 ρ
2)数 据 贴 标 。 模 型 训 练 需 要 获 取 样 本 数 据 的 式 中 :μ 为 所 有 样 本 数 据 的 均 值 ;ρ 为 所 有 样 本 数 据
66
孙黎霞,等 基于双向长短期记忆网络的电力系统暂态稳定评估
的标准差。 拟合。
假 设 数 据 集 样 本 数 为 q,每 个 样 本 的 输 入 维 数 6)网络参数调整。隐含层层数和单元数对评估
为 m,时 间 维 度 为 k。 归 一 化 的 模 式 有 2 种 :① 输 入 模型性能有较大影响。本文隐含层单元数从集合
维数归一化模式,逐层归一化,每次归一化的数据量 { 100,200,…,1 000 } 中 选 取 ,隐 含 层 层 数 考 虑 1~10
为 k×q,如 图 2(a)所 示 ;② 总 维 数 归 一 化 模 式 ,每 次 的整数 ,隐含层类型从集合 {Bi-LSTM 网络层 ,全连
归一化的数据量为 q,如图 2(b)所示。 接 层 } 中 选 取 ,层 与 层 之 间 的 传 递 函 数 从 集 合
{ Rule,Sigmoid } 中 选 取 。 通 过 逐 层 搜 索 、逐 层 叠 加
10 的网络构造方式,逐步测试,直到模型性能满足收敛
指标 ε,不再增加模型层数。本文 ε 取为 0.05%。
m
7)暂态评估。使用测试数据集对训练好的最优
5
模型进行性能评估。
2. 4 改进模型建模过程
0
15 改进模型建模过程如图 3 所示。改进模型使用
30
10
20 训练好的 Bi-LSTM 网络对原始数据进行特征提取,
5 10 q
k 获 取 特 征 向 量 ;再 使 用 t-SNE 方 法 降 维 到 三 维 ;最
0
(a)
后,使用 KNN 分类器分类评估。
KNN
10
m
Bi-LSTM t-SNE
5
图 3 改进模型建模过程
Fig. 3 Construction process of improved model
0
15
10
30 3 算例分析
20
5
k
10
q 本 文 所 有 输 入 数 据 均 采 用 PSD-BPA 软 件 生
0
(b)
成 ,PC 配 置 为 :Intel core i5-3230M CPU/12.00 GB
图 2 归一化模式示意图 RAM GPU/NVIDIA GT740M。
Fig. 2 Schematic diagrams of normalization mode 3. 1 数据集构造
算 例 为 新 英 格 兰 10 机 39 节 点 系 统[26],发 电 机
不同的归一化模式的物理含义不同。按输入维 模 型 全 部 采 用 二 阶 经 典 模 型 ,负 荷 采 用 恒 定 阻 抗 模
数 进 行 归 一 化 ,表 明 同 一 状 态 变 量 的 所 有 不 同 样 本 型。负荷水平从 70% 开始,以 5% 为一个增长步长,
在 所 有 时 刻 属 于 同 一 个 分 布 ,意 味 着 电 力 系 统 暂 态 逐渐增长到 140%,共计 15 个不同负荷水平,并相应
过程中,所有时刻的某一状态量统一归一化,这样数 调 整 各 发 电 机 出 力 ,保 证 系 统 功 率 平 衡 且 各 母 线 电
据的分布差异度相对较大;按总维数进行归一化,表 压 维 持 在 0.95~1.05(标 幺 值)范 围 内 。 在 上 述 不 同
明同一状态变量的所有不同样本在不同时刻属于不 负荷水平下分别在每一条线路上设置 6 个不同位置
同 分 布 ,意 味 着 电 力 系 统 暂 态 过 程 不 同 时 刻 电 网 参 的三相短路故障,故障持续时间分别考虑 0.1,0.12,
变量各自归一化,数据分布的差异度相对较小。 0.14,… ,0.2 s。 仿 真 时 长 为 3 s,共 生 成 18 360 个 样
5)模型训练。学习率的值会影响评估模型的训 本 ,其 中 稳 定 样 本 10 625 个 ,失 稳 样 本 7 735 个 。 随
练。学习率越高,模型性能波动越大,对参数的探索 机抽取 13 000 个样本作为训练样本,其余 5 360 个样
域 也 就 越 大 ;学 习 率 越 小 ,模 型 性 能 波 动 越 小 ,对 参 本作为测试样本。
数 的 探 索 域 也 就 越 小 ,但 可 以 在 局 部 获 得 最 优 值 。 3. 2 模型性能验证
所 以 本 文 将 模 型 的 训 练 分 为 2 个 阶 段 ,不 同 阶 段 模 本 文 以 3.1 节 的 数 据 集 构 造 Ⅰ ,Ⅱ ,Ⅲ 这 3 种 不
型 学 习 率 不 同 。 第 1 个 阶 段 粗 调 模 型 ,学 习 率 设 为 同 量 测 数 据 作 为 模 型 的 输 入 数 据 ,如 表 2 所 示 ,其
0.001,训 练 200 轮 ;第 2 阶 段 细 调 模 型 ,学 习 率 为 中 :t0 ,tf 和 tc 分 别 为 故 障 前 某 时 刻 、故 障 发 生 时 刻 和
0.000 1,训 练 到 模 型 性 能 不 再 改 善 。 训 练 过 程 使 用 故障切除时刻。样本采用 min-max 归一化方法总维
Dropout 技术和 Adam 梯度更新方法[25],防止模型过 数归一化模式。
表 2 输入量测数据
Table 2 Input measurement data
测试样
数据类型 描述 输入维数 时间维度 总维数 训练样本数
本数
Ⅰ 39 条母线的电压和相角 78 t0 ,tf ,tc 234 13 000 5 360
Ⅱ 10 条发电机母线在故障发生 10 个周期内的电压幅值(1 个周期 1 个点) 10 t0 ~ tc 130 13 000 5 360
Ⅲ 34 条线路的有功和无功功率 68 t0 ,tf ,tc 204 13 000 5 360
表 4 评估测试结果
Table 4 Evaluation test results
输入数据Ⅰ 输入数据Ⅱ 输入数据Ⅲ
评估模型
准确率/% F1 FPR/% 准确率/% F1 FPR/% 准确率/% F1 FPR/%
Bi-LSTM 网络 94.6 0.952 5.5 93.5 0.945 7.2 94.7 0.954 6.3
LSTM 94.0 0.948 7.2 92.4 0.935 9.6 94.1 0.947 6.0
ANN 93.1 0.941 8.0 91.4 0.925 11.0 92.7 0.937 8.5
SVM 93.5 0.944 6.2 92.3 0.933 9.1 92.8 0.939 8.6
EC 94.0 0.948 6.1 93.0 0.939 9.2 93.5 0.944 6.2
KNN 93.2 0.942 7.8 91.3 0.924 8.1 92.8 0.938 8.1
SAE 94.0 0.948 7.1 92.2 0.934 9.5 92.8 0.938 8.8
CNN 93.3 0.943 8.7 92.4 0.933 6.7 93.5 0.944 6.6
1
LSTM 网 络 模 型 对 原 始 数 据 进 行 特 征 提 取 ,然 后 使
0.4 0.4
用 t-SNE 方 法 对 提 取 的 特 征 进 行 二 维 可 视 化 ,可 得
0.2 0.2
Bi-LSTM 网络模型不同层的特征图,如图 4 所示。
0 0.2 0.4 0.6 0.8 1.0 0 0.! 0.4 0.6 0.8 1.0
图 4(a)是由原始数据采用 t-SNE 方法降维后的 ! !
特 征 图 ,由 该 图 可 以 看 出 ,不 同 类 别 数 据 比 较 分 散 , (a)
(b) 1
1.0 1.0
且 重 叠 较 多 ,没 有 明 显 的 分 界 线 。 图 4(b)、
(c)、
(d)
0.8 0.8
为 Bi-LSTM 网络模型第 1 层、中间层和最后一层特 0.6 0.6
1
1
68
孙黎霞,等 基于双向长短期记忆网络的电力系统暂态稳定评估
500
3. 4 改进模型性能验证
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
3.2 节表明 Bi-LSTM 网络具有很强的特征提取
能力,为进一步提升暂态稳定评估模型的性能,建立
图 5 测试样本预测分数统计图 Bi-LSTM-T-KNN 改进模型。
以数据Ⅰ为例,使用训练好的 Bi-LSTM 网络对
Fig. 5 Statistical graph for predictive scores of test
samples
原 始 数 据 进 行 特 征 提 取 ,获 得 1 000 维 特 征 ,形
在 所 有 预 测 为 稳 定 的 样 本 中 ,预 测 分 数 在[0, 成 13 000×1 000 维的训练数据集和 5 360×1 000 维
0.1]之 间 的 比 例 为 90.5%;在 所 有 预 测 为 失 稳 的 样 的 测 试 数 据 集 。 使 用 t-SNE 方 法 降 维 到 三 维 形 成
本 中 ,预 测 分 数 在[0.9,1.0]之 间 的 比 例 为 79.9%; 13 000×3 维 的 训 练 数 据 集 和 5 360×3 维 的 测 试 数
表明 Bi-LSTM 网络具有很强的暂态稳定评估能力。 据集。使用 30 折交叉验证方法训练 KNN 分类器进
3. 3 归一化方法和模式对暂态稳定评估模型的 行 分 类 ,用 测 试 样 本 进 行 验 证 ,评 估 结 果 如 表 6
影响 所示。
基 于 深 度 学 习 的 电 力 系 统 暂 态 稳 定 评 估 中 ,样
表 6 改进模型评估结果
本 一 般 都 需 要 进 行 归 一 化 处 理 ,不 同 的 归 一 化 处 理 Table 6 Evaluation results of improved model
方法和模式会对评估模型的性能带来不同的影响。 模型 准确率/% F1 FPR/%
以 输 入 数 据 集 Ⅱ 为 例 ,该 数 据 集 的 输 入 维 数 为 Bi-LSTM-T-KNN 94.9 0.956 4.3
10,时间维数为 13,总维数为 130。按输入维数归一 Bi-LSTM 网络 94.6 0.952 5.5
化 模 式 ,将 所 有 样 本 的 13 个 时 间 维 数 形 成 合 集 B, Bi-LSTM-KNN 94.6 0.954 6.8
对合集 B 按照输入维数进行归一化,即进行 10 次归 T-KNN 93.0 0.939 8.1
130,即 进 行 130 次 归 一 化 。 对 输 入 数 据 集 Ⅱ ,分 别
采 用 min-max 和 z-score 归 一 化 方 法 ,对 比 分 析 输 入 表 6 中 T-KNN 模 型 为 原 始 数 据 经 t-SNE 方 法
维数归一化模式和总维数归一化模式对评估结果的 降 维 到 三 维 ,再 由 KNN 分 类 建 立 ;Bi-LSTM-KNN
影响,如表 5 所示。 模型使用 Bi-LSTM 网络对原始数据进行特征提取,
由表 5 可知,按总维数归一化时,z-score 归一化 然 后 使 用 KNN 分 类 器 对 提 取 的 特 征 进 行 分 类 。 由
方法在准确率、F1 和 FPR 指标上要优于 min-max 归 表 6 可 知 ,Bi-LSTM-T-KNN 模 型 的 准 确 率 、F1 和
一化方法,其准确率和 F1 指标比 min-max 归一化方 FPR 指 标 都 要 优 于 Bi-LSTM 网 络 和 Bi-LSTM-
法 分 别 高 0.6% 和 0.004,FPR 指 标 比 min-max 归 一 KNN 模 型 ,Bi-LSTM-T-KNN 模 型 的 准 确 率 和 F1
化方法低 2.7%。采用 min-max 归一化方法时,不同 指 标 比 Bi-LSTM 网 络 模 型 分 别 高 0.3% 和 0.004,
0
Z
-10
-20 -10 Bi-LSTM 网 络 模 型 具 有 良 好 的 特 征 提 取 能 力 和 分
-30 -20
30
40 类稳定性。
-30
0 0 20
Y -30 -40 -20 X
-40 -30 -20 -10 0 10 20 30 40
X 3)底层输入数据的归一化方法和模式会影响评
(a) (b) XZLKNNM" 估 模 型 的 性 能 。 研 究 表 明 :z-score 归 一 化 方 法 的 准
40
30 30 确率、F1 指标和 FPR 指标要优于 min-max 归一化方
20 20
10 10
法 ;按 总 维 数 进 行 归 一 化 要 优 于 按 照 输 入 维 数 进 行
Y
0 归一化。
Z
0
-10 -10
-20 -20 4)将 Bi-LSTM 网 络 、t-SNE 和 KNN 方 法 进 行
-30
-30 -20 -10 0 10 20 30 40 -40 -30 -20 -10 0 10 20 30 40 结合可以明显提高暂态稳定评估模型的性能。
Y X
(c) YZLKNNM" (d) XYLKNNM" Bi-LSTM 网 络 考 虑 了 序 列 的 前 后 因 素 ,因 此 ,
0- - 0- - 1- - 1- - 在 提 高 准 确 率 的 同 时 ,其 模 型 训 练 时 间 成 本 也 会 增
图 6 评估效果可视化 加 。 未 来 考 虑 将 Bi-LSTM 网 络 同 其 他 深 度 模 型 进
行融合,在保证性能的前提下,降低模型训练时间。
Fig. 6 Visualization of assessment results
图 6(a)为 所 有 数 据 三 维 可 视 化 图 ,可 以 看 出 稳 参考文献
定和失稳样本有明显的区域划分,说明 Bi-LSTM 网
[1]JAMES J Q, LAM A S, HILL D J, et al. Delay aware
络 具 有 很 强 的 特 征 提 取 能 力 ;图 6(b)、
(c)、
(d)分 别 intelligent transient stability assessment system [J]. IEEE
为投影到 XZ 平面、YZ 平面和 XY 平面的 KNN 分类 Access,2017,5:17230-17239.
[2]张 琦 ,韩 祯 祥 ,曹 绍 杰 ,等 . 用 于 暂 态 稳 定 评 估 的 人 工 神 经 网 络
器 预 测 效 果 图 。 由 图 6(b)和(d)可 以 看 出 不 同 类 别
输入空间压缩方法[J]. 电力系统自动化,2001,25(2):32-35.
有明显的分界线,预测误差主要集中在分界线区域;
ZHANG Qi, HAN Zhenxiang, CAO Shaojie, et al. Input
而图 6(c)没有明显的分界线,由此可知,X 轴坐标数 dimension reduction in neural network training for transient
据 很 重 要 。 本 文 将 X 轴 、Y 轴 和 Z 轴 坐 标 数 据 分 别 stability assessment[J]. Automation of Electric Power Systems,
70
孙黎霞,等 基于双向长短期记忆网络的电力系统暂态稳定评估
Abstract: In order to further improve the accuracy of transient stability assessment (TSA), a TSA model based on the bi-
directional long-short-term memory (Bi-LSTM) network is established according to the sequential characteristics of data in the
power system transient process. This method uses the Bi-LSTM network to establish a non-linear mapping relationship between
the basic measurement data and the transient stability category of power system. The performance of Bi-LSTM network model is
evaluated by accuracy, F1-measure (F1) index and false positive rate (FPR). On this basis, the t-distribution stochastic neighbor
embedding (t-SNE) dimension-reduction method and the k-nearest neighbor (KNN) classifier are used to further improve the
accuracy of TSA. The example based on the New England 10-generator 39-bus system show that the proposed method has better
performance than conventional machine learning models and some deep learning models. The assessment model is analyzed by
visualization methods and network prediction scores. The results show that the Bi-LSTM network has a strong ability to extract the
characteristics of power system transient process, which is suitable for the TSA of power system. Further, the influence of the
normalization mode and method of basic input data on the TSA model is studied. The results show that the z-score normalization
method is better than min-max normalization method, and the assessment performance of the model using the total dimension
normalization mode is better.
This work is supported by National Natural Science Foundation of China (No. 51707056).
Key words: deep learning; long-short-term memory (LSTM) network; transient stability assessment; normalization; t-distribution
stochastic neighbor embedding (t-SNE); k-nearest neighbor (KNN)
72