第 43 卷 第 22 期 2019 年 11 月 25 日 Vol．43 No．22 Nov．25，

2019
DOI： 10．7500 / AEPS20190430037

基于卷积神经网络的暂态电压稳定快速评估
杨维全，朱元振，刘玉田
（ 电网智能化调度与控制教育部重点实验室（ 山东大学） ，山东省济南市 250061）

摘要： 随着特高压直流输电的发展和负荷构成及特性的变化 ，暂态电压问题严重威胁系统的安全

稳定运行。基于卷积神经网络（ CNN） ，提出一种交直流受端电网分区暂态电压稳定快速评估方
法。计及系统快速动态响应元件影响 ，基于暂态电压时序信息构建暂态电压跌落面积矩阵 ，利用基
于 t 分布的随机近邻嵌入（ t-SNE） 算法将其映射到二维平面，对受端电网进行分区。 依据节点相对
距离选择各分区稳态潮流特征。构建线路故障严重度指标，据其对故障线路号进行编码，将编码结
果与故障线路号共同作为故障特征 。采用粒子群优化算法确定各分区 CNN 最优卷积核大小和数
量，提升 CNN 性能。实际多馈入交直流电网的仿真结果表明了方法的有效性 。
关键词： 交直流电网； 暂态电压稳定； 深度学习； 卷积神经网络

0 引言 后 PMU 量测得到的动态序列中进行时序特征提取 ，
建立决策树进行暂态电压稳定评估； 文献［6］使用
随着特高压直流工程密集投运和负荷构成及特
故 障 后 各 节 点 电 压 序 列 信 息，基 于 极 限 学 习 机
性的变化，快速动态响应元件占比日益增大 ，电压稳
（ extreme learning machine，ELM） 建立了一个自适应
定问题突出，交直流、送受端耦合日趋紧密，大停电
［1-3］ 分层暂态电压稳定评估体系； 文献［7］通过 PMU 量
风险加剧 。快速评估受端电网的暂态电压稳定
测 信 息 计 算 感 应 电 动 机 滑 差，基 于 支 持 向 量 机
性，对于安全风险态势感知和前瞻预警 ，制定预防和
（ support vector machine，SVM） 预测感应电动机滑差
紧急控制措施，防止受端电网的暂态电压失稳和电
曲线，来判断暂态电压稳定性。 第 2 类以故障前的
压崩溃的发生具有重要的实际意义 。
稳态潮流作为输入，针对单一预想事故进行暂态电
在暂态过程中交直流系统间的交互作用十分复
压稳定评估，每个预想事故分别训练一个机器学习
杂，交流系统中的某一故障可能引发动态电压问题 ，
模型，可用于预想事故评估、前瞻预警和预防控制。
导致多个换流站同时发生换相失败甚至闭锁 ，产生
文献［8］采 用 故 障 前 稳 态 潮 流 量 作 为 输 入，基 于
大的功率缺额，造成系统频率跌落。 本文从整个受
ELM 建立分层智能系统进行暂态电压稳定快速评
端电网出发，选取若干关键节点来快速评估受端电
估； 文献［9］采用稳态 PQ 节点的有功、无功注入作
网的暂态电压稳定性。
为输入，基于自组织映射神经网络进行动态电压稳
暂态电压稳定分析方法主要有时域仿真法、能
［4］ ［5-9］ 定分析。这些基于浅层模型的方法，其特征表达能
量函数法 和人工智能法 。 基于详细数学模型
力有限，在处理大规模和高维度数据时表现较差 。
的时域仿真方法，能精确地考虑到各个元件的动态
近年来发展的深度学习技术能深入挖掘特征间的关
特性，但仿真计算量大，难以满足实时要求。能量函
联关系，可以较好地解决上述问题，卷积神经网络
数法计算速度快，并能给出稳定度，但其模型适应性
（ convolutional neural network，CNN） 在暂态电压跌落
不够。基于数据挖掘的人工智能方法，可在一定精 ［10］ ［11］
评估 、暂态稳定评估 以及电网假数据注入攻
度范围内实现暂态电压稳定的快速评估 。根据输入 ［12］
击检测 中，比浅层模型有更好的表现。
量特性，相关研究可分为 2 类。 第 1 类采用相量测
本文面向交直流受端电网的预想事故评估、前
量单元（ PMU） 故障后的动态信息，文献［5］从故障
瞻预警和预防控制需求，计及快速动态响应元件特
收稿日期： 2019-04-30； 修回日期： 2019-08-27。 性，提出一种基于深度学习的暂态电压稳定评估方
上网日期： 2019-10-10。 法。利用基 于 t 分 布 的 随 机 近 邻 嵌 入 （ t-stochastic
国家重点研发计划资助项目（ 2017YFB0902600） ； 国家电网 neighbor embedding，t-SNE） 算法对受端电网进行分
公司科技项目（ SGJS0000DKJS1700840） 。 区，每个分区选择一个评估节点； 以故障前稳态潮流
46

作为输入，并加入故障特征使模型能适应不同预想
事故，通过 CNN 进行暂态电压稳定快速评估。 实际
多馈入 交 直 流 电 网 的 仿 真 结 果 验 证 了 方 法 的 有
效性。
1 电网分区
计及系统快速动态响应元件特性，根据各节点
暂态电压时序信息对电网进行分区，区域内暂态电
压响应特性相似，通过选取具有代表性的节点进行
评估，可以更加准确地反映各区域及整体的暂态电
压稳定性。
1．1 t-SNE 算法
t-SNE 算 法 是 在 随 机 近 邻 嵌 入 （ stochastic
neighbor embedding，SNE） 算 法 的 基 础 上 改 进 而 来
的。SNE 算法在欧氏距离的基础上定义了一种条
件概率来反映数据点的远近，对于高维数据集和低
维数据集均采用高斯分布，使用 KL 散度 （ Kullback-
Leibler divergence） 作为代价函数衡量 2 个概率分布
的一致性。t-SNE 算法重新定义了条件概率并将低
维数据集的概率分布换成了 t 分布，解决了数据点
不对称和拥挤问题，使不同类的簇分布得更远，更易
于分类。t-SNE 算法将高维的数据映射到三维空间
或者二维 平 面，从 而 可 以 直 观 地 观 察 数 据 的 分 布
［13］
情况 。
1．2 基于 t-SNE 算法的暂态电压分区
遭受大扰动后，系统各节点电压将出现不同程
度的波动，可以根据波动幅值和波动持续时间对波
［14］
动程度进行描述 。 据此定义节点 i（ i = 1，2，…，
m） 的暂态电压跌落面积 （ transient voltage sag area，
TVSA） A i 为：
t 0 + Δt
Ai = ∫
t0
（ V T － V i（ t） ） dt
式中： V i（ t） 为故障后节点 i 动态电压； t 0 为故障开始
时间； V T 为考虑负荷用电设备允许电压偏移量而设
定的负荷侧最低需求电压，若电压偏移量为 ±5%，
［15］
对应的 V T 取 0．95（ 标幺值 ） ； Δt 为故障低于 V T 的
时间 。
考虑三相金属性接地短路永久跳闸故障 （ 简称
三永故障） 预想事故集，负荷在一定范围内随机波
动，发电机出力随之改变，利用时域仿真构造暂态电
压跌落矩阵 V s 如下：
 A11 A12 … A1n 
A A22 … A2n 
Vs = 
21
 
 
 A m1 A m2 … A mn 
式中： m 为节点号； n 为场景号。
杨维全，等 基于卷积神经网络的暂态电压稳定快速评估
使用 t-SNE 算法，依据 V s 将各节点各种场景下
的暂态行为映射到二维平面进行分区，相距较近的
节点聚为一类，同一类节点表明这些节点的暂态电
压跌落情 况 较 为 相 似，选 取 其 中 的 代 表 节 点 进 行
评估。
代表节点的选取原则为： 对 V s 每行元素求和，
即对 m 个节点在 n 个场景下的 TVSA 求和，设为 S i
（ i = 1，2，…，m） 。 将各个分区内节点的 S i 排序，取
S i 位于中间的节点，若分区节点数为偶数，则取位置
位于中间的 2 个数的较大者。
2 暂态电压稳定评估方法
2．1CNN
CNN 通过权值共享和池化等方法减少了训练
［16］
的参数，并可以有效提取特征 ，其结构如图 1 所
示。第 1 次卷积产生 5 个特征图，每个特征图使用
相同的权值，池化过程可以有效降低特征维度 ，同时
尽量保证关键信息不丢失。 经过 2 次卷积、池化操
作后，产生了 10 个特征图，将提取出来的 10 个特征
图平铺成一个 1 维的特征向量，输入全连接层，用于
分类或者回归。
图 1 CNN 结构
Fig．1 Structure of CNN
2．2 原始输入特征选择
（ 1） 原始输入特征需要全面反映系统的运行状态，
并且包含影响暂态电压稳定的关键因素 。本文考虑
预想事故 集 和 多 种 运 行 方 式，从 暂 态 电 压 失 稳 机
［17-19］
理 出发，计及快速动态响应元件的影响，依据
暂态电压时序信息进行稳态潮流特征的选择以及故
障特征的定义，以适应故障和运行方式的改变。
2．2．1 潮流特征
系统发生暂态电压失稳的根本因素是没有能力
［17］
维持系统动态的无功平衡 ，文献［18-19］认为暂
态电压失稳不仅与无功功率有关，与有功功率同样
有关。因此，本文选取稳态节点电压、发电机有功和
无功功率、负荷有功和无功功率，作为输入特征。这
 （ 2） 些特征可以反映故障前系统的运行状态，并与评估
 节点的暂态电压跌落水平密切相关 。
暂态响应相似的节点，表明其暂态过程中电气
http： / / www．aeps-info．com 47
2019，43（ 22）
距离较近，其故障前潮流特征对暂态过程影响更为
重要。为进一步提高特征选取质量，在 1．2 节中分
区方法基础上，在各评估点附近再划定一个小范围 ，
潮流特征从该范围内选择，分区及潮流特征选择范
围示例如图 2 所示，图中方框代表分区，圆圈代表特
征选择的范围。
图 2 分区及潮流特征选择范围示意图
Fig．2 Schematic diagram of partition and scope of
power flow feature selection
潮流特征选择范围的确定原则为： ①所选节点
应尽量靠近评估点； ②所选潮流特征使 CNN 预测精
度尽可能高； ③在预测误差相差很小的情况下使用
节点数目较少的范围。
2．2．2 故障特征
假设 N －k（ k≥2） 预想事故集，系统中有 n 0 条线
路是可能发生故障的线路，使用故障线路号可以区
分 N － k 故障，但如果只是单纯的 k 个故障线路号，
则不能反映故障的严重度，降低了泛化性能，因此本
文在故障线路号的基础上，加入了编码的故障线路
号，将二者结合作为故障特征，以提高泛化性能。
本文对 N －k 故障编码的依据如下。
1） 对于 N － 1 故障较为严重的，那么其组合产生
的 N － k 故障相对其他组合更加严重的可能性较大，
且这更加符合 CNN 局部感知的特性。
2） 即使是不按照 N － 1 故障严重度大小产生的
故障组合在实际中更加严重，若将故障特征分解为
各线路的运行状态，CNN 在训练时也可以给予某一
重要线路状态对应的维度特征更大的权重 ，筛选出
严重的故障组合。
与式（ 2） 做出相同假设，定义故障严重度指标
（ fault severity index，FSI） 为：
ij
I FS =
式中： i 为节点号； j 为 N － 1 故障号； c 为运行方式号；
48
·大电网智能调度与安全预警·
ij
I FS 为节点 i 发生 N － 1 故障 j 的 FSI 值； n 2 为运行方式
ij
总数； A c 为节点 i 发生 N － 1 故障 j 时，在运行方式 c
ij
下的 TVSA 值。I FS 越大，表明 N － 1 故障 j 对于节点 i
影响越严重。
故障特征产生过程如下。
1） 依据 FSI 将 N － 1 故障对各个评估节点的影
响程度分别排序。
2） 依据 N －k 故障发生后 n 0 条故障线路的状态
进行编码，线路正常为 1，若因故障发生断开，则将
其置 0，也即编码后的故障特征为一串 （ 0，1） 序列，
维数为 n 0 。
3） 将编码后的故障特征按照 FSI 排序，N － 1 故
障影响严重的放在前面。
4） 将故障线路号和编码后的故障线路号共 k +
n 0 维特征作为原始故障特征。
2．3 CNN 结构参数优化
CNN 卷积核的数量和大小直接影响到特征提
取的质量，从而影响预测准确度。 使用粒子群优化
（ PSO） 算法［20］选择最优的卷积核数量和大小，主要
步骤如下。
1） 将原始样本集随机分为训练集和测试集，并
从训练集取出一部分作为验证集 。
2） 以 2 个卷积层卷积核的数量 （ k 1 和 k 2 ） 、大小
（ l 1 和 l 2 ） 构成粒子 i 的位置矢量 x i = ［k 1 ，k 2 ，l 1 ，l 2 ］，
给出 x i 各元素上下限。
3） 采用每次训练结束之后验证集的预测错误
率作为 适 应 度 函 数。 预 测 错 误 率 E pr 采 用 式 （ 4 ）
计算。
N error
E pr = （ 4）
N sum
式中： N error 为 预 测 错 误 的 个 数； N sum 为 验 证 集 样 本
个数。
4） 利用 PSO 算法确定 x i = ［k 1 ，k 2 ，l 1 ，l 2］的最
优值。
2．4 暂态电压稳定评估流程
采用暂态电压稳定实用判据： 母线电压在故障
［21］
后低于 0．75（ 标幺值） 的时间不超过 1 s 。
由于采用的原始输入特征是稳态数据，且划定
了潮流特 征 选 择 范 围，缩 小 了 原 始 输 入 特 征 数 目
（ 50 ～ 70 个） ，构建二维特征图难度大、效果差。 假
设构建二维特征图大小为 8 × 8，经过 2 次池化之后
就变成了 2 × 2，保留的特征太少，信息丢失量大，预
测不准确。且编码的故障特征是一维 （ 0，1） 序列，
n2
采用一维卷积可以进行序列特征提取，而采用二维
∑ A ijc （ 3）
c=1 则打乱了序列特征。 因此本文使用 Tensorflow 中的
conv1d 系列模块构建卷积层，在卷积原理不变的基
 杨维全，等 基于卷积神经网络的暂态电压稳定快速评估

础上建立一维的 CNN。 即输入、卷积核、池化视野、

特征图都是一维的，这样能更好地提取特征。 暂态
电压稳定评估结构流程如图 3 所示。

图 4 t-SNE 算法映射结果
Fig．4 Mapping results by t-SNE algorithm

由图 4 可以看出，山东电网大致分成 3 个区域，
左上、右上和下侧区域分别命名为区域 1，2 和 3，在
实际电网拓扑图中的分区结果见附录 A 图 A2，从中
图 3 暂态电压稳定评估流程图 可以发现各区域内未出现孤立节点，表明分区较为
Fig．3 Flow chart of stability assessment for
transient voltage 合理。3 个区域中的节点 55、节点 89 和节点 20 分
别为区域 1， 2 和 3 中的代表节点。
2．5 训练和应用方式 3．2 暂态电压稳定评估
1） 离线训练： 依据电网历史数据和暂态仿真获 3．2．1 潮流特征
取样本进行离线训练，获取各分区的 CNN。 各分区潮流特征选择范围，经过多次验证之后
2） 实时应用： 每 5 ～ 15 min 触发一次，利用数据 包含的节点数分别确定为 25，17 和 20，潮流特征在
采集与监控（ SCADA） 状态估计获取潮流特征，对给 这些节点 中 选 择，相 应 的 潮 流 特 征 维 数 为 55，37
定的预想事故集快速产生故障特征，输入训练好的 和 48。
CNN 进行暂态电压稳定快速评估。 3．2．2 故障特征
3 算例分析 考虑 N － 3 预想事故，对每个评估点， 200 条线路
按照 FSI 降序排列，前 100 均匀选择 6 条线路，后
采用山东电网 500 kV 及以上系统进行仿真，其 100 均匀选择 4 条线路，共 10 条线路，任意组合，可
含有 80 个 500 kV 节点和 10 个 1 000 kV 节点，36 以构成 720 种 N － 3 预想事故。 对分区 1、分区 2 和
台发电机， 200 条交流线路，±660 kV 宁东、±800 kV 分区 3 随机选择了其中的 93， 49 和 49 个故障，来代
昭沂和扎青 3 条直流馈入，系统拓扑结构见附录 A 表 720 种故障。各分区均有 10 + 3 = 13 维故障特征。
图 A1。系统负荷水平约为 59．5 GW，宁东直流输送 3．2．3 评估结果
有功功率 4 GW，邵沂和扎青直流输送有功功率 8 在 0 s 断开前 2 条线路，1 s 时第 3 条线路首端
GW。使用 PSS / E 进 行 暂 态 仿 真，采 用 综 合 负 荷 发生三永故障，1．1 s 切除第 3 条线路并跳闸断开。
CLOD 模型，为模拟暂态电压失稳，采用对电压稳定 对于 3 个 评 估 点 分 别 产 生 了 46 500，19 600 和
威胁最大的感应电动机负荷与恒功率负荷组合方 14 000 个样本，其中发生暂态电压失稳的样本数分
式， 2 种负荷比例各设为 50%。 别为 27 168，11 052 和 6 754 个。3 个分区的训练
3．1 电网分区 集、验证集和测试集样本数目如表 1 所示。
预想事故设为 N － 1 三永故障，故障持续时间为
表 1 样本集划分
0．1 s，负荷在基准水平的 90% ～ 110% 范围内随机波 Table 1 Partition of sample sets
动，其变动量由受端电网发电机组均匀承担 ，共生成 分区 训练集 验证集 测试集
了 4 788 个场景，经过暂态仿真及计算得出暂态电 1 36 000 4 000 6 500
压跌落矩阵 V s（ 126 × 4 788 阶 ） 。t-SNE 算法映射结 2 17 000 1 000 1 600
3 11 000 1 000 2 000
果如图 4 所示，其中蓝点代表系统节点，横纵坐标代
表各节点暂态行为映射到二维平面之后的坐标 ，表 3 个 CNN 原始特征总数分别为 68，50 和 61。
明了节点间暂态电压跌落特性的相似度 。
在 PSO 算法中，加速常数 c1 为 0．5，c2 为 1．5。设分区

http： / / www．aeps-info．com 49
2019，43（ 22） ·大电网智能调度与安全预警·

2 和 3 对应 CNN 的结构参数（ k 1 ，k 2 ，l 1 ，l 2 ） 上下限

1， 表 4 分区 1 不同数目潮流特征结果比较
Table 4 Ｒesult comparison in area 1 with
相同，均为（ ［4，
12］，［8，
24］，［3，5］，［3，5］） 。 优化 different numbers of power flow feature
后 3 个分区 CNN 的结构参数如表 2 所示，基本与样 潮流特征数 准确率 / % 漏判率 / % 误判率 / %
34 98．42 1．23 0．35
本数量和特征维数呈现正相关关系 。
55 99．66 0．23 0．11
表 2 3 个 CNN 结构参数 122 99．65 0．25 0．10
Table 2 Structure parameters of three CNNs
CNN k1 k2 l1 l2 表 5 CNN 与时域仿真耗时对比
Table 5 Time consumption comparison of
1 6 12 5 5 CNN and time-domain simulation
2 5 10 3 3
方法 耗时 / s
3 6 12 4 4
CNN 0．058 8
时域仿真 7 800
3 个分区 CNN 与浅层模型 SVM 和 ELM 结果对
比如表 3 所示。其中 CNN 学习率为 0．001，batch 大 由于本文故障特征较为简单，而潮流特征可以
小为 100，迭代次数为 1 500 次。ELM 隐含层节点 直接获得，因此输入特征几乎不需要计算，主要消耗
数为 5 000。SVM 采用径向基函数作为核函数，惩 时间在 CNN 预测上。由表 5 可知，对于 6 500 个测
罚系数 C 为 100，核函数系数为特征维数的倒数。 试样本 CNN 只需 0．058 8 s，计算迅速，而通过时域
仿真校验 6 500 个样本需要 7 800 s，难以实现大量
表 3 各分区结果比较
Table 3 Ｒesults of different methods in each area 场景下的在线应用。
分区 方法 准确率 / % 漏判率 / % 误判率 / %
CNN 99．66 0．23 0．11
4 结语
1 SVM 97．06 0．88 2．06 本文提出了一种基于 CNN 的暂态电压稳定快
ELM 96．32 1．35 2．32
速评估方法。首先，计及快速动态响应元件特性，基
CNN 99．00 0．19 0．81
2 SVM 98．87 0．19 0．94 于 t-SNE 算法构建暂态电压跌落矩阵对受端电网进
ELM 98．31 0．44 1．25 行分区，并进行潮流特征选择，减少特征的冗余并能
CNN 99．50 0．35 0．15 较好地反映电网整体的暂态电压稳定性。 其次，使
3 SVM 99．20 0．35 0．45
用故障线路编号及编码的故障线路号作为故障特
ELM 99．25 0．20 0．55
征，使模型能适应预想事故的变化。最后，采用 PSO
从以上结果中可以看出，本文方法在各个分区 算法确定 CNN 最优卷积核大小和数量，通过 CNN
均具有较高的预测准确率，选取的特征能同时适应 进行暂态电压稳定快速评估，提升了预测准确度。
山东实际 电 网 仿 真 结 果 表 明，评 估 结 果 具 有 高 准
预想事故和运行方式的变化。 对比表 3 结果可知，
确性。
在样本集和特征维数较多的情况下，CNN 准确率优
本文所提的暂态电压稳定评估方法可以作为交
势比 较 明 显，在 样 本 集 较 少 时，浅 层 模 型 性 能 和 直流电网暂态电压稳定预警的基础，如何根据所需
CNN 相当，表明深度学习在处理维数较高、样本集 要的控制代价对暂态电压稳定进行安全预警分级 ，
规模较大的数据时具有优越性。 并 应 用 于 华 东 交 直 流 受 端 电 网，是 下 一 步 工 作
以分区 1 为例，测试了不同的潮流特征数目对 的重点。
CNN 预测精度的影响，结果如表 4 所示。 同样以分 附录见本刊网络版 （ http： / / www．aeps-info．com /
区 1 为例，共 6 500 个测试样本，用训练好的 CNN 预 aeps / ch / index．aspx） 。
测耗时和用时域仿真校验耗时结果对比如表
参考文献
5 所示。
［1］ 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
从表 4 可以看出，过少的潮流特征会使预测准 架构及关键技术［J］． 电力系统自动 化，2018，42 （ 6） ： 1-8． DOI：
确率降低，而过多的潮流特征也不能使预测准确率 10．7500 / AEPS20170617001．
XU Hongqiang，YAO Jianguo，YU Yijun，et al． Architecture and
得到提升，甚至略微下降，因此本文方法可以在保证
key technologies of dispatch and control system supporting integrated
精度 不 下 降 的 情 况 下，减 少 特 征 的 冗 余 度、简 化 bulk power grids［J］． Automation of Electric Power Systems，2018，
CNN、提升在线应用速度。 42（ 6） ： 1-8． DOI： 10．7500 / AEPS 20170617001．

50
 杨维全，等 基于卷积神经网络的暂态电压稳定快速评估

［2］ 李文博，朱元振，刘玉田． 交直流混联系统连锁故障搜索模型及 104． DOI： 10．7500 / APES20180919001．

故障关联分析［J］． 电力系统自动化，2018，42（ 22） ： 59-72． DOI： ［13］ 史东宇，胡文强，李刚，等． 基于 t-SNE 的电力系统电气距离可
10．7500 / AEPS20180210001． 视化方法研究［J］．电力工程技术， 37（ 7） ： 78-82．
2018，
LI Wenbo，ZHU Yuanzhen，LIU Yutian． Search model correlation SHI Dongyu，HU Wenqiang，LI Gang，et al． Study on visualization
analysis for cascading failures in AC / DC hybrid power system［J］． method of electrical distance in power system using t-SNE［J］．
Automation of Electric Power Systems，2018，42 （ 22 ） ： 59-72． Electric Power Engineering Technology，2018，37（ 7） ： 78-82．
DOI： 10．7500 / AEPS20180210001． ［14］ 管霖，吴亮，卓映君，等．面向暂态电压控制的大电网区域划分
［3］ LIU Yutian，FAN Ｒui，TEＲZIJA V． Power system restoration： a 方法［J］．电网技术， 42（ 11） ： 3753-3759．
2018，
literature review from 2006 to 2016［J］． Journal of Modern Power GUAN Lin，WU Liang，ZHUO Yingjun，et al． Large power system
Systems and Clean Energy，2016，4（ 3） ： 332-341． partitioning method for transient voltage control［J］． Power System
［4］ PＲAPＲOST K L，LOPAＲO K A． An energy function method for Technology，2018，42（ 11） ： 3753-3759．
determining voltage collapse during a power system transient［J］． ［15］ 侯建兰，刘育权，谢小荣，等．一种量化评估暂态电压稳定性的
IEEE Transactions on Circuits and Systems Ⅰ： Fundamental Theory 指标与方法［J］．电力自动化设备， 35（ 10） ： 151-156．
2015，
and Applications，1994，41（ 10） ： 635-651． HOU Jianlan，LIU Yuquan，XIE Xiaorong，et al． Quantitative
［5］ ZHU Lipeng， LU Chao， SUN Yuanzhang． Time series Shaplet assessment index and method of transient voltage stability［J］．
classification based online short-term voltage stability assessment Electric Power Automation Equipment，2015，35（ 10） ： 151-156．
［J］． IEEE Transactions on Power Systems， 2016， 31 （ 2 ） ： ［16］ 刘威，张东霞，王新迎，等．基于深度强化学习的电网紧急控制
1430-1439． 策略研究［J］．中国电机工程学报， 38（ 1） ： 109-119．
2017，
［6］ ZHANGYuchen，XU Yan，DONG Zhaoyang，et al． A hierarchical LIU Wei，ZHANG Dongxia，WANG Xinying，et al． Ｒesearch on
self-adaptive data-analytics method for real-time power system short- emergency control strategy of power network based on intensive
term voltage stability assessment ［J］． IEEE Transactions on reinforcement learning［J］． Proceedings of the CSEE，2017，38
Industrial Informatics，2019，15（ 1） ： 74-84． （ 1） ： 109-119．
［7］ YANG Hao，ZHANG Wen，CHEN Jian，et al． PMU-based voltage ［17］ 汪娟娟，张尧，夏成军，等．交直流电力系统暂态电压稳定性综
stability prediction using least square support vector machine with 述［J］．电网技术， 32（ 12） ： 30-34．
2008，
online learning［J］． Electric Power System Ｒesearch，2018，160： WANG Juanjuan，ZHANG Yao，XIA Chengjun，et al． Survey of
234-242． studies on transient voltage stability of AC / DC power system［J］．
［8］ XU Yan，ZHANG Ｒui，ZHAO Junhua，et al． Assessing short-term Power System Technology，2008，32（ 12） ： 30-34．
voltage stability of electric power systems by a hierarchical intelligent ［18］ 汤涌，仲悟之，孙华东，等． 电力系统电压稳定机理研究［J］． 电
system［J］． IEEE Transactions on Neural Networks and Learning 网技术， 34（ 4） ： 24-29．
2010，
Systems，2016，27（ 8） ： 1686-1696． TANG Yong，ZHONG Wuzhi，SUN Huadong，et al． Study on
［9］ 付英，钟德成．自组织映射神经网络用于动态电压稳定分析的新 mechanism of power system voltage stability［J］． Power System
方法［J］．电力系统自动化， 24（ 2） ： 27-31．
2000， Technology，2010，34（ 4） ： 24-29．
FU Ying，ZHONG Decheng． Hybrid neural network approach to ［19］ 张文朝，张博，潘婕，等．基于感应电动机网荷互馈特性的暂态
dynamic voltage stability analysis［J］． Automation of Electric Power 电压失稳机理探 析［J］． 电力 系 统 自 动化，2017，41 （ 7） ： 8-14．
Systems，2000，24（ 2） ： 27-31． DOI： 10．7500 / AEPS20160709002．
［10］ LIAO Huilian，MILANOVIC J V，MAＲCOS Ｒ，et al． Voltage sag ZHANG Wenchao， ZHANG Bo， PAN Jie， et al． Mechanism
estimation in sparsely monitored power systems based on deep analysis for transient voltage instability based on crossfeed
learning and system area mapping［J］． IEEE Transactions on Power characteristics between power network and load of induction motor
Delivery，2018，33（ 6） ： 3162-3172． ［J］． Automation of Electric Power Systems，2017，41（ 7） ： 8-14．
［11］ 高昆仑，杨帅，刘思言，等． 基于一维卷积神经网络的电力系统 DOI： 10．7500 / AEPS20160709002．
暂态稳定评估［J］．电力系统自动化，2019，43（ 12） ： 18-26．DOI： ［20］ ZHANG Wen， LIU Yutian． Multi-objective reactive power and
10．7500 / APES20180911006． voltage control based on fuzzy optimization strategy and fuzzy
GAO Kunlun，YANG Shuai，LIU Siyan，et al． Transient stability adaptive particle swarm［J］． International Journal of Electrical
assessment for power system based on one-dimensional Power and Energy Systems，2008，30（ 9） ： 525-532．
convolutional neural network［J］． Automation of Electric Power ［21］ 薛安成，周健，刘瑞煌，等．采用多二元表判据的实用暂态电压
Systems， 2019， 43 （ 12 ） ： 18-26． DOI： 10． 7500 / 稳定裕 度 指 标 研 究［J］． 中 国 电 机 工 程 学 报，2018，38 （ 14） ：
APES20180911006． 4117-4125．
［12］ 李元诚，曾婧．基于改进卷积神经网络的电网假数据注入攻击 XUE Ancheng，ZHOU Jian，LIU Ｒuihuang，et al． A new practical
检测方法［J］． 电 力 系 统 自 动 化，2019，43 （ 20） ： 97-104． DOI： transient voltage stability margin index based on multiple-two-
10．7500 / APES20180919001． element notation criterion［J］． Proceedings of the CSEE，2018，38
LI Yuancheng，ZENG Jing． Improved convolutional neural network （ 14） ： 4117-4125．
based detection method for false data injection attack on power grid
（ 下转第 136 页 continued on page 136）
［J］． Automation of Electric Power Systems，2019，43（ 20） ： 97-

http： / / www．aeps-info．com 51
 附录 A

183 85 86 87 187
103 3
191 3
83 88 193
322
15 16 91 170 70
89
93 324
114 14 18
84 90 72 73 74
311 71

104 92 201 202

4 6
312
17 12 63 DC ZQ
319 75
112 DC ZQ
19 62
13 61 57
111 11 60 76 77
21 20
313 64
22 175
320
23 26 316 80 79 78 178
122 66 59
24 27
25 317 35
302 301 82
External 318 81
33 67
system 34 DC ND
DC ZY
32 325 65 DC ZY 10
31 94 194
68 69
48
128 28 40 36
140
37 55
38 54
143 43 39 50 323
44 139 500kV Lines
2 56
1000kV Lines
105 5 8 9 49 51 314
7
500kV Substations
45 29
30 1000kV Substations
41 42 102 156
52 DC Lines
145 46 53
129

图 A1 简化的山东电网结构图
Fig.A1 Structure chart of the simplified Shandong grid

103 3
183

83
85

191 3
86 87 187 2
88 193
322
15 16 91 170 70
89
93 324
114 14 18
84 90 72 73 74
311 71

104 92 201 202

4 6
312
17 12 63 DC ZQ
319 75
112 DC ZQ
19 62
13 61 57
111 11 60 76 77
21 20
313

3
22 64
175
320
23 26 316 80 79 78 178
122 66 59
24 27

1
25 317 35
302 301 82
External 318 81
33 67
system 34 DC ND
DC ZY
32 325 65 DC ZY 10
31 94 194
68 69
48
128 28 40 36
140
37 55
38 54
143 43 39 50 323
44 139 500kV Lines
2 56
1000kV Lines
105 5 8 9 49 51 314
7
500kV Substations
45 29
30 1000kV Substations
41 42 102 156
52 DC Lines
145 46 53
129

图 A2 分区结果
Fig.A2 Partition results
2019，43（ 22） ·大电网智能调度与安全预警·

Design of Human-Machine Cloud Terminal for Large-scale Power Grid

XU Hongqiang1 ，ZHAO Lin2，3 ，JING Shenyan2，3 ，ZHANG Liang2，3 ，SUN Pai 2，3
（ 1． National Electric Power Dispatching and Control Center，State Grid Corporation of China，Beijing 100031，China；
2． NAＲI Group Corporation （ State Grid Electric Power Ｒesearch Institute） ，Nanjing 211106，China；
3． Beijing Kedong Power Control System Co．，Ltd．，Beijing 100192，China）
Abstract： According to the general principle of“physical distribution and logical unification”of the dispatching and control system of
large-scale power grid，a human-machine cloud terminal architecture is designed． The extended specification of power description
language CIM / G and general human-machine interaction protocol are proposed，which provide support for different vendors to customize
the application clients flexibly． The configuration technology of application client is discussed，and the technical means of rapid
development is provided． The automatic deployment of cloud terminal desktop meets the needs of users to install application clients
anytime anywhere． The interaction among global cloud terminal device management，global rights management and global service
management is studied，through the access authentication of cloud terminal equipment，user authority control and access mechanism of
wide-area human-machine interaction service，the secure and transparent access to large system and seamless switch of service access
with fault state are realized，and the indifference location-independent scheduling is achieved．
This work is supported by State Grid Corporation of China．
Key words： large-scale power grid； dispatching and control system； human-machine cloud terminal； human-machine interaction
protocol； wide area human-machine interaction service

櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧櫧
（ 上接第 51 页 continued from page 51）
刘玉田 （ 1964—） ，男，通信作者，教授，博士生导师，主
杨维全（ 1996—） ，男，硕士研究生，主要研究方向： 电力 要研 究 方 向： 电 力 系 统 运 行 与 控 制。E-mail： liuyt @ sdu．
系统运行与控制。E-mail： yangweiquan@ mail．sdu．edu．cn edu．cn
朱元振（ 1994—） ，男，博士研究生，主要研究方向： 电力 （ 编辑 章黎）
系统运行与控制。E-mail： zhuyuanzhen@ mail．sdu．edu．cn

Fast Assessment of Transient Voltage Stability Based on Convolutional Neural Network

YANG Weiquan，ZHU Yuanzhen，LIU Yutian
（ Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of
Education （ Shandong University） ，Jinan 250061，China）
Abstract： With the development of ultra-high-voltage direct current （ HVDC） and the changes of load composition and characteristics，
the safe and stable operation of power system is seriously threatened by transient voltage problem． Based on convolutional neural network
（ CNN） ，a fast assessment method for partitioning transient voltage stability of AC / DC receiving-end power grid is proposed．
Considering the influence of fast dynamic response components，the transient voltage sag area matrix is set up based on the time
sequence information of transient voltage． This matrix is mapped into two-dimensional plane to divide the receiving-end power grid into
several partitions based on the t-stochastic neighbor embedding （ t-SNE） algorithm． The steady power flow features of each partition are
selected according to relative distance of buses． Fault severity index is constructed and the fault line number is coded based on the order
of fault severity index． The coding result and fault line number are taken as fault features． The particle swarm optimization （ PSO）
algorithm is adopted to determine the optimal size and number of convolution kernel in each partition of CNN to improve the
performance of CNN． Simulation results of a real multi-infeed AC / DC power system show the effectiveness of the proposed method．
This work is supported by National Key Ｒ＆D Program of China （ No． 2017YFB0902600） and State Grid Corporation of China
（ No． SGJS0000DKJS1700840） ．
Key words： AC / DC power grid； transient voltage stability； deep learning； convolutional neural network

136