基于Vision Transformer和多头注意机制的频率稳定性预测方法

电力系统频率稳定性预测(frequency stability prediction, FSP)对于快速准确地制定故障后控制措施具有重要意义。然而,传统的数据驱动方法未能有效地将系统的时空特征纳入模型训练中,并且存在系统信息利用不足、抗噪能力差和面对新拓扑的泛化能力差等问题。针对上述问题,本文提出了一种基于多头注意机制和视觉变压器(Vision Transformer, ViT)的FSP预测方法。首先,所提出的预测方法利用位置编码层来捕捉系统的拓扑结构,以获得空间信息。其次,通过使用多通道输入层来捕获系统时间序列数据以获得时序信息。然后,采用基于多头注意力机制层来增强ViT模型的泛化能力和鲁棒性。在修改的新英格兰39总线系统上进行了测试。实验结果表明,与传统深度学习方法相比,本文所提ViT模型误差值在一般情况下降低了65.71%;在30 dB、20 dB和10 dB噪声环境下降低了61.55%、56.61%和47.14%;在拓扑改变环境下降低了49.09%,这证明了所提模型具有更高的预测精度、更好的鲁棒性和泛化能力。