考虑数据缺失的图注意力网络暂态稳定评估

基于人工智能的暂态稳定评估模型的性能高度依赖于系统的可观测性,而通信延迟和相量测量单元(phasor measurement units,PMU)故障等因素易导致数据缺失,使模型的评估性能下降。针对该问题,提出了一种基于图注意力网络(graph attention network,GAT)的暂态稳定评估模型。首先,根据原始网络拓扑及PMU配置方案获得表征系统可观测性的掩码矩阵,在任意PMU缺失的条件下,利用掩码矩阵训练模型;其次,通过GAT网络的多头注意力机制提取输入节点的时空信息,利用不同的权重聚合目标节点的邻域特征,实现对可观测数据的充分利用;最后,利用焦点损失函数加强模型对失稳样本的学习能力。仿真结果表明,所提方法可以最大限度地利用可观测数据,具有高精度和强鲁棒性,并且不受网络拓扑的限制,易于迁移。

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。

计及源-荷功率波动性的静态电压稳定故障快速筛选和排序方法

为有效分析新能源发电与负荷的随机波动下设备故障对电压稳定性的影响,基于局部电压稳定指标(L指标)提出了一种计及源-荷功率波动性的静态电压稳定故障快速筛选和排序方法。首先,推导了L指标及其变量的全微分方程,进而给出了系统网络拓扑结构和节点注入功率变化时L指标的线性化计算公式;其次,选取基准运行方式进行潮流计算获得初始状态值,并提出采用带校正的线性化方法计算各预想事故下的L指标进而筛选得到严重故障集;然后,结合新能源与负荷功率曲线值与基准运行点的偏差,计算严重故障集内的L指标并进行故障的时段排序;最后,综合比较时序分析结果得到最终的故障排序。算例结果验证了所提方法的可行性和有效性,与现有方法相比可以在保证故障排序结果准确度前提下显著提升计算效率,对含新能源电力系统静态电压稳定故障快速筛选和排序具有一定参考和借鉴意义。