1、第 47 卷 第 4 期 电 网 技 术 Vol.47 No.4 2023 年 4 月 Power System Technology Apr.2023 文章编号：1000-3673（2023）04-1500-12 中图分类号：TM 721 文献标志码：A 学科代码：47040 图深度学习技术在智能暂态稳定评估中的应用及展望黄济宇1，管霖1,2，郭梦轩3，苏寅生4，周保荣5，姚海成4，钟智6（1华南理工大学电力学院，广东省 广州市 510641；2广东省新能源电力系统智能运行与控制企业重点实验室，广东省 广州市 510663；3广东电网有限责任公司广州供电局，广东省 广州市 510620；4中
2、国南方电网电力调度控制中心，广东省 广州市 510530；5南方电网科学研究院有限责任公司，广东省 广州市 510663；6广西电网有限责任公司南宁供电局，广西壮族自治区 南宁市 530000）Application and Prospect of Graph Deep Learning Technique in Intelligent Transient Stability Assessment HUANG Jiyu1,GUAN Lin1,2,GUO Mengxuan3,SU Yinsheng4,ZHOU Baorong5,YAO Haicheng4,ZHONG Zhi6(1.School
3、of Electric Power,South China University of Technology,Guangzhou 510641,Guangdong Province,China;2.Guangdong Provincial Key Laboratory of Intelligent Operation and Control for New Energy Power System,Guangzhou 510663,Guangdong Province,China;3.Guangzhou Power Supply Company,Guangdong Power Grid Corp
4、oration,Guangzhou 510620,Guangdong Province,China;4.CSG Power Dispatching and Control Center,Guangzhou 510530,Guangdong Province,China;5.CSG Electric Power Research Institute,Guangzhou 510663,Guangdong Province,China;6.Nanning Power Supply Bureau of Guangxi Power Grid,Nanning 530000,Guangxi Zhuang A
5、utonomous Region,China)ABSTRACT:Data-driven transient stability assessment is a popular field in recent years.Deep learning methods specialize in feature aggregation of high-dimensional inputs,which significantly reduce the subjectivity of feature selection for intelligent stability assessment.This
6、improves the accuracy of the model prediction based on dynamic information.Graph deep learning(GDL),further enhances the topological learning for power system analysis tasks and enables learning on both state variables as well as topological relationships.It facilitates the feature extraction of the
7、 assessment model based on steady-state information.This paper analyzes the framework of GDL in intelligent transient stability assessment and discusses the improvement of GDL from four aspects:graph representation,graph embedding,global aggregation and training tricks.With IEEE systems,we verify th
8、e performance gap between conventional deep learning and GDL.The effectiveness of the methods on performance enhancement is 基金项目：国家自然科学基金项目(52077080)；南方电网公司科技项目(ZDKJXM20180084)。Project Supported by the National Natural Science Foundation of China(Grant No.52077080);China Southern Power Grid Research
9、 Project(ZDKJXM20180084).also validated.This paper provides guidance for the application of GDL in intelligent stability assessment.KEY WORDS:graph deep learning(GDL);intelligent transient stability assessment;feature aggregation;performance enhancement 摘要：数据驱动的暂态稳定评估模型是近年来的热点研究方向。深度学习技术具有高维输入空间的特征聚
10、合能力，其引入能显著降低智能稳定评估模型设计中输入特征选择的主观性，并改善基于动态信息的评估模型预测精度。图深度学习(graph deep learning，GDL)框架进一步拓展了深度学习模型的拓扑学习能力，使其可以将状态特征与拓扑关系相结合，提升稳定评估模型的特征提取能力。论文分析了 GDL应用于智能暂态稳定评估模型的设计框架，从图表示、图嵌入、全局聚合、训练方式 4 个方面探讨了暂态稳定评估应用中 GDL 的特征聚合性能提升方法。该文结合 IEEE 测试系统验证了 GDL 与传统深度学习模型的稳定评估性能差异以及多种性能提升方法的有效性。论文可为 GDL 在智能稳定评估领域的应用研究提供
11、指导思路。关键词：图深度学习；智能暂态稳定评估；特征聚合；性能增强 DOI：10.13335/j.1000-3673.pst.2022.0544 第 47 卷 第 4 期 电 网 技 术 1501 0 引言 电力系统暂态稳定定义为严重故障后发电机群保持同步运行的能力。暂态稳定评估是当前电网安全防御体系的重要一环，为存在失步风险的场景提供及时的预警。随着互联电网的扩展，以及含变流器的可再生能源发电与直流输电的大规模发展，物理模型驱动的时域仿真进行电网稳定评估的计算量和复杂度显著上升。新能源发电的不确定性还意味着更庞大的运行方式分析规模。此外，基于数值积分的时域仿真还难以解析稳定水平与运行状态的关
12、联关系，也无法提供稳定裕度信息。这催生了数据驱动的暂态稳定评估模型的研究。依靠人工智能技术，从海量带稳定标签的历史样本中学习输入与稳定指标之间的非线性映射关系，从而实现新样本的稳定评估。对数据驱动的稳定评估技术有不同的分类方法。其中一种是根据输入特征的类型分为基于动态信息的评估模型(简称“动态输入评估”与基于稳态方式与预想故障信息的评估模型(简称“稳态输入评估”)1。如图 1 所示，动态输入评估的输入涉及扰动发生前后系统状态量和观测量轨迹。随着采样/仿真的进行，静态的潮流断面转化为动态电气量序列，电网结构、设备类型以及故障位置和类型、清除模式等海量离散稀疏信息逐步被表达为状态量之间的相互作用(
13、如同调性等)。表面上，由连续离散、密集稀疏兼顾的静态断面信息转向连续、密集主导的动态轨迹信息；进一步地，后一类信息在反映稳定态势的丰富度上更胜一筹，涵盖的电压、功角等轨迹呈现了前一类未涉及的电气量的变化量、变化率、同调性等动态特征。因此前置采样/仿真可视为海量运行、故障信息的预提取。根据信息论，提取的动态信息多少可由稳定态势的不确定性衡量。动态输入包含的扰动前后时间序列越长，故障引起的电气量变化趋势越明显，节点间的相互作用关系越明确，稳定态势越明确，即失稳、稳定样本的差距越大，特征预提取就越充分，后续稳定评估模型的建模难度相应降低，所建立模型的精度和泛化能力也越强。反之，输入中包含的动态信息越
14、少，数据驱动的稳定评估模型就更加需要依靠自身的特征提取能力，补充挖掘电网结构、状态、扰动等诸多变量与稳定之间的关联特征，否则就难以在大范围测试中获得好的评估精度。有效建立和训练出面向更少动态信息的稳定评估模型将带来显著的收获和优势。由于电网在特定运行点、特定故障设置下的稳定后果是确定，稳态输入评估可不依赖于动态信息，直接根据静态断面、故障信息得到稳定结果。其优势是，我们能够从已训练的人工智能模型中解析稳定水平与稳态机组功率分布的联系2，为运行方式调整、稳控方案制订等提供决策信息，弥补时域仿真的缺陷。从图 1 来看，理想的稳态输入评估旨在利用数据驱动建模技术实现时域仿真的外特性，即输入稳态运行方
15、式、结构和扰动设置的完整信息，输出稳定评估结果信息。潮流断面电网拓扑故障位置/类型清除模式稳态信息故障信息时域仿真/采样数据驱动模型稳定性数据驱动模型电压序列(变化率、恢复时长等)功角序列(功角、转速等).(静态断面：连续离散；密集稀疏)(动态轨迹：连续；密集)稳定性动态输入评估稳态输入评估时长TM设备类型.图 1 稳态输入评估与动态输入评估 Fig.1 Transient stability assessment based on steady-state information and that based on dynamic information 另一种数据驱动稳定评估技术的分类方法
16、是按照所采用的人工智能技术路线进行分类。大的分类包括：1）基于统计分析的特征选择和模式分类技术，代表性方法有梯度提升决策树(gradient boosting decision tree，GBDT)3；2）非线性函数逼近和参数学习技术，代表性方法从支持向量机(support vector machine，SVM)4、多层感知器神经网络(multilayer perceptron，MLP)5到深度学习。在深度学习技术出现之前，上述模型均难以处理超高维且互相关的输入特征，需要依靠专家经验进行输入特征构造，性能也高度依赖输入特性设计。尤其是实现稳态输入评估时单个模型往往只对给定的电网结构和有限的扰动有效，泛化能力不足6-7。深度学习模型引入了参数复用的概念，大幅降低了需要学习的参数规模，使之与输入空间维数解耦，从而为极高维输入的特征聚合提供了手段。GPU 等硬件性能的提升与算法效率的突破，使得高维输入特征和大数据样本的快速学习和建模成为可能。近年来，卷积神经网络(convolutional neural 1502 黄济宇等：图深度学习技术在智能暂态稳定评估中的应用及展望 Vol.47 No.
