基于改进条件生成对抗网络的现代电力系统暂态电压稳定性评估智能增强方法

《Energies》:Intelligent Enhanced Method for Modern Power System Transient Voltage Stability Assessment Based on Improved Conditional Generative Adversarial Network Fan Li, Zhe Zhang, Hanqing Liang, Guodong Guo, Yuan Si and Yawei Xue

【字体: 大 中 小 】 时间:2026年03月31日 来源:Energies 3.9

编辑推荐:

  随着运行条件的复杂性和多变性的增加,以及低概率级联故障的发生,对数据驱动的电力系统稳定性分析智能方法提出了更严格的要求。研究人员提出了一种考虑改进条件生成对抗网络(CGAN)样本平衡的现代电力系统暂态电压稳定性评估智能增强方法。首先,开发了一种融入增强特征距离

  
随着运行条件的复杂性和多变性的增加,以及低概率级联故障的发生,对数据驱动的电力系统稳定性分析智能方法提出了更严格的要求。研究人员提出了一种考虑改进条件生成对抗网络(CGAN)样本平衡的现代电力系统暂态电压稳定性评估智能增强方法。首先,开发了一种融入增强特征距离度量的改进CGAN(条件生成对抗网络),以准确捕捉真实样本的分布特性,有效缓解对抗学习过程中的梯度消失和模式崩溃等训练问题。其次,基于改进CGAN建立了一种暂态电压稳定性智能样本增强方法,有效补充初始数据集,确保智能模型在极端运行条件下的预测性能。最后,提出了一种集成卷积神经网络(CNN)和Transformer的暂态电压稳定性评估框架,以实现低维特征的高效提取,并达到对暂态电压稳定性状态的准确评估。
论文解读文章

研究背景与问题:现代电力系统中,风电和光伏等可再生能源装机容量不断增加,电网规模持续扩大且日益复杂,同时多馈入高压直流输电(HVDC)配置导致同步发电机被部分替代,电网的无功支撑能力和扰动耐受能力显著下降。当交直流混合电力系统发生严重扰动时,可能诱发暂态电压失稳甚至电压崩溃,严重威胁系统安全稳定运行。传统暂态电压稳定性评估方法中,时域仿真方法虽能精确分析,但计算负担大、耗时长;直接法通过构建暂态能量函数进行定量分析,但在复杂系统中难以构建准确表征暂态动态的能量函数。数据驱动方法结合人工智能技术,通过建立电气变量与系统稳定状态之间的映射关系,为快速评估提供了新途径,但仍面临样本不平衡(不稳定样本稀缺)以及深层模型特征提取效率不足等问题。此外,传统生成对抗网络(GAN)在样本生成中存在梯度消失和模式崩溃等训练难题。因此,研究人员开展了此项研究。

研究人员开展的研究及结论:研究人员提出了一种基于改进条件生成对抗网络(CGAN)的样本平衡智能增强方法,并构建了结合卷积神经网络(CNN)和Transformer的暂态电压稳定性评估框架。通过在中国电力科学研究院电压崩溃工程测试系统(CEPRI-VC)上的仿真验证,该方法有效缓解了样本不平衡问题,生成的失稳样本在特征空间中与真实失稳样本分布一致,显著降低了误检率和漏检率,整体预测准确率高达99.34%,并在噪声干扰下保持强鲁棒性。该研究成果发表于《Energies》。主要关键技术方法:采用改进CGAN,引入基于增强特征距离度量的辅助特征对齐项,并结合Wasserstein距离与梯度惩罚项替代传统JS散度,以缓解梯度消失和模式崩溃;利用特征编码器F提取稳定性相关特征并加入距离正则化约束。样本生成后,采用CNN-Transformer混合网络:CNN层通过一维卷积(1D Convolution)、ReLU激活和最大池化提取局部特征;Transformer层利用多头自注意力机制建模全局依赖,辅以位置编码、前馈网络、层归一化和残差连接;最后通过全局平均池化和全连接层输出稳定性概率。样本来源于中国电科院CEPRI-VC测试系统(100个母线,基准容量100 MW),通过时域仿真生成6480个样本(其中失稳样本648个),按8:2划分训练集和测试集。

研究结果:
4.1 样本集构建:通过考虑不同负荷水平、常规与可再生能源出力比例、直流系统传输功率及感应电动机负荷比例,生成多种基础运行工况,并对4条500 kV双回线路施加三相永久N-2故障,故障位置设为线路长度的2%、50%、98%,故障清除时间设为0.1 s至0.3 s,共生成6480个样本,其中失稳样本仅648个,呈现严重类不平衡。

4.2 生成额外训练样本:基于改进CGAN生成2000个失稳样本。t-SNE可视化显示,传统GAN生成的失稳样本分布分散,部分接近稳定样本簇;而改进CGAN生成的失稳样本主要围绕真实失稳样本簇分布,形状和密度更一致。量化指标上,改进CGAN的最大均值差异(MMD)和Wasserstein距离均显著低于传统GAN,表明生成样本分布一致性更优。将CNN-Transformer模型在原始不平衡数据集与增强数据集上对比,增强后准确率大幅提升,误检率P和漏检率R显著下降,F1分数提高,验证了CGAN增强的有效性。

4.3 智能数据增强模型的预测性能:CNN-Transformer模型(含3个卷积层,卷积核3×3,滤波器数32、64、128;6个Transformer层,8个注意力头,注意力维度512;Adam优化器,学习率0.0001,批次64,训练50轮)在增强数据集上训练后,损失函数逐渐下降,预测准确率持续提升至99.34%。t-SNE对模型不同层特征输出进行降维可视化,显示随着网络深度增加,不同类样本在特征空间中聚集性增强。与决策树(DT)、CNN、长短期记忆网络(LSTM)对比,模型准确率最高,误检率(0.51%)和漏检率(0.43%)均为最低,尤其漏检率显著降低。

4.4 智能数据增强模型的抗干扰性能:在原始无噪声数据集中添加信噪比(SNR)分别为20 dB、25 dB、30 dB的高斯白噪声,进行20次蒙特卡洛模拟后取平均。结果表明,在所有噪声水平下,所提模型分类性能均优于其他模型,展现出强鲁棒性和优良的抗噪能力。

总结讨论:研究结果表明,所提出的改进CGAN样本增强方法能生成物理意义明确的失稳样本,有效缓解类不平衡;CNN-Transformer混合架构结合了局部特征提取与全局依赖建模,提升了特征判别能力;模型在噪声环境下仍保持高性能,适用于实际工程。该研究为电力系统暂态电压稳定性评估提供了可靠的数据驱动解决方案。未来工作将聚焦于利用数据驱动模型分析结果制定准确的电压稳定控制策略。

研究结论部分翻译:本文提出了一种基于改进CGAN模型的现代电力系统暂态电压稳定性评估智能增强方法。主要贡献总结如下:首先,提出了一种基于增强特征距离度量的改进CGAN,以捕捉真实样本集的分布特性,有效缓解了对抗学习过程中的梯度消失和模式崩溃等训练问题。其次,基于改进CGAN开发了一种暂态电压稳定性智能样本增强方法,增强后的样本保留了失稳条件的统计特性和特征空间中的稳定边界。最后,提出了一种集成CNN和Transformer的暂态电压稳定性评估框架,促进了不同样本类别在特征空间中的聚类行为,增强了模型提取关键特征的能力,并提高了抗扰动鲁棒性。未来研究将重点关注利用数据驱动模型分析的结果制定准确有效的电网电压稳定控制策略。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号