基于多STA-GLN集成模...的电力系统暂态稳定评估方法_杨波.pdf

第 45 卷 第 7 期2023 年 7 月Vol.45 No.7Jul.2023基于多STA-GLN集成模型的电力系统暂态稳定评估方法Power system transient stability assessment method based on multiple STA-GLN ensemble models杨波1，2，李成雲1，2，吕浩轩3，周博文1，2，李广地1，2，谷鹏1，2YANG Bo1，2，LI Chengyun1，2，LYU Haoxuan3，ZHOU Bowen1，2，LI Guangdi1，2，GU Peng1，2（1.东北大学 信息科学与工程学院，沈阳 110819；2.辽宁省综合能源优化与安全运行重点实验室（东北大学），沈阳 110819；3.国网辽宁省电力有限公司铁岭供电公司，辽宁 铁岭 112099）（1.College of Information Science and Engineering，Northeastern University，Shenyang 110819，China；2.Key Laboratory of Integrated Energy Optimization and Secure Operation of Liaoning Province（Northeastern University），Shenyang 110819，China；3.Tieling Power Supply Company，State Grid Liaoning Electric Power Supply Company Limited，Tieling 112099，China）摘 要：随着高比例可再生能源的不断接入和电力电子化程度的提高，电力系统结构日益复杂，导致电力系统稳定性受威胁。针对基于人工智能的暂态稳定评估（TSA）方法存在的拓扑适应能力差、失稳样本学习困难和模型训练耗时长等缺陷，提出了基于图形卷积和长短时记忆组合网络的空间和时间双注意力机制（STA-GLN）集成电力系统TSA方法。搭建了电力系统仿真模型，在全接线、N-1断线和N-2断线3种拓扑结构下设置不同线路故障，获取原始样本集，基于STA-GLN的TSA方法对系统拓扑变化表现出更强的适应性和评估准确性；构建了基于自适应增强（AdaBoost）算法和迁移学习的集成STA-GLN多任务TSA模型，解决了失稳误判问题并加快了模型的响应速度。最后通过新英格兰10机39节点系统仿真分析验证了该方法的有效性。关键词：电力系统；可再生能源；暂态稳定评估；人工智能；集成学习；迁移学习；多任务模型；电力电子化中图分类号：TK 01 文献标志码：A 文章编号：2097-0706（2023）07-0048-13Abstract：With the continuous access of high-proportion renewable energy to the power grid and advancing of power electronization，power systems are becoming increasingly complex in structure，which threats of systems stability.To address the poor topology adaptability，difficulty in learning instability samples，and long model training time of the transient stability assessment（TSA）method based on artificial intelligence（AI），an ensemble TSA method based on Spatial-Temporal Attention Mechanism，Graph Convolution and Long Short-Term Memory Network（STA-GLN）is proposed.A power system simulation model is built，in which different line faults are set under three topologies，full connection，N-1 disconnection and N-2 disconnection，and the original sample sets are obtained.The TSA method based on STA-GLN shows stronger adaptability and accuracy to the variation of the systems topologies.Then，Adaptive Boosting（AdaBoost）and transfer learning are integrated into the multi-task TSA model based on STA-GLN，which reduces the false judgment and accelerates the response speed of the model.The effectiveness of the method is verified by the simulation analysis of a New England 10-generator 39-node system.Keywords：power system；renewable energy；transient stability assessment；AI；ensemble learning；transfer learning；multi-task model；power electronization0 引言 暂态稳定评估（Transient Stability Assessment，TSA）是维护电力系统安全平稳运转的重要手段之一，传统的TSA分析方法多由数学模型驱动，如时域仿真法1-2、直接法3-4等。时域仿真法在线应用DOI：10.3969/j.issn.2097-0706.2023.07.006基金项目：国家自然科学基金项目（U22 B20115）；辽宁省科学技术计划项目（2022-MS-110）；广东省基础与应用基础研究基金项目（2021A1515110778）National Natural Science Foundation of China（U22 B20115）；Liaoning Science and Technology Project（2022-MS-110）；Guangdong Basic and Applied Basic Research Foundation Project（2021A1515110778）第 7 期杨波，等：基于多STA-GLN集成模型的电力系统暂态稳定评估方法时计算时间过长，计算成本的增加削弱了其在工程领域的实用价值。直接法需求较小、耗时较短，但构造能量函数较为困难，模型适应性差，难以广泛应用。随着电力系统数字化技术的不断发展，采用数据驱动的电力系统TSA方法逐渐发展起来。深度学习作为人工智能的最新分支，凭借其强大的数据挖掘能力和自主学习能力，为获取电网数据特征信息和解决建模分析稳定性问题带来了新的思路。针对以往方法无法解决的TSA问题，国内外学者给出了相应的解决方案。（1）对电力系统拓扑变化的适应性。目前，基于数据驱动的评估方法大多很难建立拓扑变量与评估指标之间的映射，电力系统拓扑变化对系统故障后稳定性的影响往往被忽视。针对拓扑变化造成的间接影响，文献 5 利用迁移学习使卷积神经网络（Convolutional Neural Networks，CNN）模型参数保留对拓扑结构的关联性。文献 6 通过图注意力网络捕捉拓扑结构特征。文献 7 构建了递归图卷积神经网络（Graph Convolution Network，GCN），提取拓扑联系与时序特征融合的暂态特征。但此类算法处理图结构数据存在一些共性缺陷，即评估时间较长，需要额外的方法加速计算过程。（2）样本不平衡问题。TSA数据集天然存在类间不平衡现象。数据生成方法包括采样方法和算法合成方法：基于采样的方法8包括合成少数类过采样技术和自适应合成采样等，二者均为线性插值方法，产生的合成数据无法为评估提供更多的暂态稳定特征，与实际电网的运行状态关联性不强；基于算法生成少数类数据样本主要通过生成对抗网络9来实现。此外，基于集成学习10-13和改进损失函数14-19的方法能有效解决不稳定特征学习困难的问题，但集成学习会增加模型的复杂程度，训练时间增加会影响模型的响应快速性，自适应调节样本权重的代价敏感方法目前尚不完善。（3）评估的快速性。在保证系统稳定性预测准确率的同时，及时对系统进行紧急控制将直接影响系统的稳定运行，而电力系统的在线稳定性评估是当下 TSA问题的重点。文献 20 提出了基于集成极限学习机的自适应决策机制，缩短了响应时间。文 献21采 用 长 短 时 记 忆（Long Short-Term Memory，LSTM）网络构建时间自适应集成模型与同步相量测量装置（Phasor Measurement Unit，PMU），预测效果良好。为解决上述问题，本文提出了基于自适应增强（Adaptive Boosting，AdaBoost）算法和迁移学习的多任务TSA方法，在传统电力系统TSA的时序输入特征基础上，将空间注意力（Spatial Attention，SA）机制引入GCN构建SA-GCN模型，进一步融合电力系统拓扑结构特征；再通过引入时间注意力（Temporal Attention，TA）的LSTM网络，即TA-LSTM模型，挖掘关键时间点处融合特征中的暂态特性；集成以上2个子模型，建立基于图形卷积和长短时记忆组合网络的空间和时间双注意力机制（Spatial-Temporal Attention Mechanism，Graph Convolution and Long Short-Term Memory Network，STA-GLN）TSA 模型。引入时空双注意力机制深入挖掘暂态特性，解决电力系统 TSA研究中存在的因拓扑结构变化导致的评估准确率下降问题；结合AdaBoost的集成学习方法减少样本不平衡问题导致的失稳误判情况；引入迁移学习解决模型复杂导致的训练耗时长的问题，保证评估的快速性。1 构建暂态稳定分析数据集 1.1生成样本集本文选用新英格兰10机39节点系统作为算例测试系统22，基准频率为60 Hz，拓扑结构单线图如图1所示。该系统包含39条母线、10台发电机、19个负荷和34条传输线。使用DIgSILENT PowerFactory 15.2仿真软件进行机电暂态仿真23，在34条不含变压器的并行传输线上设置三相接地短路故障，产生系统暂态失稳样本集。考虑测试系统拓扑变化对TSA结果的影响，在全接线系统的基础上增加了对N-1断线和N-2断线系统的样本生成。（1）N-1 断线样本集。系统负荷率在 80%，8图1新英格兰10机39节点系统Fig.1New England 10-genorator 39-node system49第 45 卷 90%，100%，110%，120%之间变化，发电机出力随负荷做相应调整。设置依次断开15条连接较大负荷的传输线路，产生15种不同的N-1断线拓扑，在断线外的33条传输线路上设置线路50%位置处的三相接地短路故障，故障持续时间设置为0.2 s。（2）N-2 断线样本集。系统负荷率在 80%，90%，100%，110%，120%之间变化，发电机出力随负荷做相应调整。对前述N-1断线集中的15条断线进行组合，除去会造成孤立母线的情况，产生10种不同的N-2断线拓扑，在断线外的32条传输线路上设置距离首端50%处的三相接地短路故障，故障持续时间设置为0.2 s。样本集分类统计结果见表1。1.2构建暂态稳定特征集通过评估电力系统暂态功角稳定性，可以快速判定系统遭受大扰动后是否会失去稳定性。若预测结果为系统暂态失稳，则可通过与暂态功角稳定评估同步的暂态电压稳定评估划分具体的失稳区域，以便运维人员采取快速、精准的控制措施，防止因故障造成严重的系统停电事故。本文以电力系统的暂态功角稳定性和暂态电压稳定性为研究对象，选取的特征量涉及电力系统大扰动后暂态过程中的运行状态变化，故从时间、空间2个维度选取特征量，本文选取的TSA模型特征输入量见表2。整体模型的时序特征输入特征为X=(x1，x2，xk)=(UT，T)T，（1）U=|u1，1uN，1un，tu1，kuN，k，（2）=|1，1N，1n，t1，kN，k，（3）式中：U，分别为母线电压幅值、相角；k为采样点数；un，t，n，t分别为母线n在t时刻的电压幅值、相角。在保证足够暂态信息输入的前提下，为了缩短评估模型的训练时长，通过评估试验得出最合适的采样点数为k=5，即在选定的采样窗范围内对所选择的时序电气特征进行5次采样，见表3。1.3选取TSA指标按照前文对电力系统暂态稳定性的分析，本文选取暂态功角稳定性和暂态电压稳定性作为研究对象。选取暂态稳定指数（Transient Stability Index，TSI）作为样本数据的暂态功角稳定性判据，其表达式为TSI=360-|max|360+|max|100，（4）式中：max为排除故障4 s后系统内任意2台发电机功角差的最大值；TSI为暂态稳定裕度。TSI 0时，认定系统为稳定状态，将样本标签标记为1；TSI 稳定yST 失稳。（16）在以往的TSA研究中，多针对暂态过程后的功角稳定性进行预测，忽略了功角失稳与电压失稳常常同期出现26-27这一事实。针对电力系统暂态功角稳定性和电压稳定性评估建立多任务评估模型28，任务1的暂态功角稳定性评估为二分类问题，经过 Softmax激活函数处理后得到表示系统稳定和失稳的二维概率。多任务TSA模型如图4所示。2.2基于AdaBoost的样本不平衡处理针对电力系统TSA中存在的样本不平衡问题，通过AdaBoost的样本权重更新策略，能够对少数类SA-GCN 空间特征提取层TA-LSTM 时序特征提取层 全连接层与分类器 图3基于STA-GLN的电力系统TSA模型结构Fig.3TSA model for the power system based on STA-GLN图4多任务TSA模型Fig.4Multi-task TSA model52第 7 期杨波，等：基于多STA-GLN集成模型的电力系统暂态稳定评估方法样本即失稳样本给予更多的关注，在迭代训练过程中不断修正对失稳样本的误判，以实现较高的失稳样本查全率与查准率。AdaBoost算法通过改变训练样本的权重分布来提升模型分类或预测精度。根据每轮迭代后形成的弱学习器对训练集所有样本划分的准确率及总体的分类准确率来改变进入下一次迭代的弱学习器训练集的样本权重，然后整合每一轮迭代产生的弱学习器，得到最终的强监督分类模型，如图 5所示。采用AdaBoost对STA-GLN模型进行集成时，将暂态稳定训练样本集表示为Xtrain，对训练集样本赋予初始权重分布W1。Xtrain=(x1，y1)，(x2，y2)，(xn，yn)，（17）W1=(w12，w12，w1i，w1n)w1i=1n，i=1，2，n，（18）式中：Xtrain为暂态稳定训练样本集；x为输入样本的特征向量；y为输入样本的类别，即样本标签。对于AdaBoost的第m次迭代，需要使用带有权重分布Wm的训练集进行训练，得到子分类器Gm(x)，即第m个STA-GLN子分类器以及输出的分类结果。采用SAMME.R算法进行分类，通过加权概率估计方法更新模型。在训练得到第m个子分类器Gm(x)后，记当前的组合强分类器为fm(x)，希望通过加入一个新的子分类器h(x)使强分类器的性能更好。首先计算加权类概率估计，再根据加权概率估计求解新的子分类器h(x)，计算过程见式（19）（20）。pmk(xi)=pw(c=k|xi)，k=1，2，K，（19）hmk(x)=(K-1)(lgpmk(x)-1Kilgpmi(x)，（20）式中：pmk(x)为第m个子分类器将样本xi分为第k类的概率；pw为加权概率；c为分类类别。归一化更新样本权重wm+1，i，最终加权得到强分类器G(x)。wm+1，i=wmiZmexp(-K-1Kyilgpmi(x)i=1，2，n，（21）G(x)=sign(arg maxKi=1Mhmk()x)，（22）式中：Zm为规范因子。i=1Mhmk(x)最大的类别即为模型的分类类别，Zm将wmi值限制在 0，1 内，保证i=1nwmi=1。2.3基于迁移学习的模型参数传递基于 AdaBoost 的集成学习方法需要重复使用样本训练集对STA-GLN子模型进行训练，这对加快模型响应速度，实现快速的在线TSA十分不利。迁移学习可以从源域中迁移标签信息和知识结构，从而完成目标域中的学习任务。迁移学习29-30优化AdaBoost集成学习机制可缩短对STA-GLN子模型进行重复训练的时间，实现集成模型的快速响应。基于参数迁移的集成 STA-GLN模型如图 6所示。使用训练集训练第1个STA-GLN子分类器，在AdaBoost集成的下一轮迭代中，通过迁移学习迁移第1个STA-GLN子分类器的模型参数并赋予下一子分类器，采用权重更新后的训练集对该子分类器进行参数微调，从而得到新的STA-GLN子分类器，之后重复这一过程。每一轮迭代产生的STA-GLN子分类器模型参数都迁移自上一轮产生的 STA-GLN子分类器，通过迁移学习迁移子分类器模型参数，避免了重复训练子分类器所需的大量时间；同时，为了保证子分类器的多样性，采用样本权重不同的训练集对迁移得到的STA-GLN子分类器进行参数微调，在提升集成STA-GLN模型响应速度的同时，进一步提升了TSA的准确性，能够满足电力系统在线评估的需求。3 算例分析 3.1暂态特征集验证为了验证本文选取的母线电压幅值和相角特xxxW1W2Wm图6基于参数迁移的集成STA-GLN多任务TSA模型Fig.6Multi-task TSA model based on STA-GLN integrating parameter transferring训练样本集样本权重 w1训练训练训练弱学习器 1带样本权重 w1的训练集根据 a1 更新样本权重 w2根据 a2 更新样本权重 w3根据 an-1 更新样本权重 wn带样本权重 w2的训练集带样本权重 wn的训练集样本权重 w2样本权重 wn基于组合策略的强学习器更新权重系数 a1学习误差率 e1弱学习器 2更新权重系数 a2学习误差率 e2弱学习器 n更新权重系数 an学习误差率 en图5AdaBoost学习机制Fig.5AdaBoost learning mechanism53第 45 卷 征对电力系统TSA问题的有效性，在新英格兰10机39节点系统中通过时域仿真生成对比样本集并在同一测试模型中验证输入特征对 TSA的贡献。仿真得到的试验样本集见表4。建立基于LSTM的TSA模型对上述时序特征集进行评估验证，取各特征集的 80%样本作为训练集，20%样本作为测试集，得到Pacc和F1值，见表5。由表5可见，采用本文选取的电压幅值和相角特征进行TSA的效果最优。对比特征集3，本文选用的特征集1包含的母线电压范围更全面，提升了测试模型的评估性能；对比特征集2，考虑与系统节点拓扑连接关系的紧密性，选择母线电压幅值和相角比线路有功、无功功率更为合理，建立时间与空间2个维度的关联性也更容易，故本文选取的特征集1的TSA表现更好。因此，在选择母线电压幅值和相角作为时序输入特征的基础上，考虑空间维度中拓扑连接关系对时序特征的影响，能够使特征对暂态过程的特性描述更加细致、全面，进而提升模型的评估性能，实现拓扑变化情况下更加准确的TSA。3.2STA-GLN模型结构确定及性能分析为了便于验证模型对拓扑变化的适应能力，将原始数据集重新划分成表6所示的形式。从3个数据集分层抽取部分样本，维持与原样本集类别比例的一致性，按照2 1 1的比例构成混合数据集D。SA-GCN 与 TA-LSTM 的网络层数搭配不同将直接影响STA-GLN模型的评估性能。设计不同层数搭配的STA-GLN组合网络并从数据集A中抽取1/3样本数据进行模型的 TSA 性能测试，确定基于STA-GLN的TSA模型的最优结构。不同层数搭配的STA-GLN模型性能见表7。由表7可见，当SA-GCN和TA-LSTM网络层数均为 2时，STA-GLN 模型的 TSA效果最好。此时，SA-GCN 在有效融合拓扑结构和电气特征的前提下，实现了最大程度的分类性能贡献。在不考虑噪声与数据缺失干扰的情况下，验证本文提出的基于STA-GLN的TSA模型的评估效果。选择用于组成 STA-GLN 模型的网络搭建相应的TSA 模型，包括 GCN，SA-GCN，LSTM，TA-LSTM，GCN-LSTM，将数据集A，B，C，D以6 2 2的比例分割成训练集、验证集和测试集，进行性能对比分析，对比结果见表811。表8不同模型在数据集A上的性能表现Table 8Performances of different models on dataset A模型GCNSA-GCNLSTMTA-LSTMGCN-LSTMSTA-GLNPacc/%89.2493.7294.1795.5296.4197.31Prec/%93.5595.9395.2298.3299.5799.58Rec/%96.6798.3399.5897.5097.0897.92F1/%95.0897.1297.3597.9198.3198.74表9不同模型在数据集B上的性能表现Table 9Performances of different models on dataset B模型GCNSA-GCNLSTMTA-LSTMGCN-LSTMSTA-GLNPacc/%88.2892.8993.7294.1494.5696.65Prec/%89.5096.1793.8597.7896.7697.34Rec/%96.2494.6298.3994.6296.2498.39F1/%92.7595.3996.0696.1796.5097.86表4不同输入特征的样本集Table 4Sample sets with different input characteristics特征集123描述39条母线的电压幅值与相角34条传输线的有功、无功功率发电机母线电压幅值输入维度786810采样点数5510总维度390340100样本数5 0005 0005 000表5不同特征集的评估结果Table 5Assessment results of different characteristic sets特征集123评估指标Pacc/%94.5794.1593.62F1/%95.3394.5494.20表64种数据集的稳定与失稳样本划分Table 6Stable and unstable sample partition of four data sets数据集A（全接线）B（N-1断线）C（N-2断线）D（分层抽样混合）稳定2 4361 5178451 249失稳1 235958755757总计3 6712 4751 6002 006表7不同层数搭配的STA-GLN模型性能Table 7Performances of STA-GLN models with different layersSA-GCN层数量112233TA-LSTM层数量121212Pacc/%96.7288.5297.9598.7795.9097.54Prec/%98.2185.4298.3198.3688.2495.16Rec/%88.7166.1393.5596.7796.7795.16F1/%93.2274.5595.8797.5692.3195.1654第 7 期杨波，等：基于多STA-GLN集成模型的电力系统暂态稳定评估方法对比表810可知：在断线数据集B和C上，本文提出的STA-GLN模型依然在对比试验中表现出最好的性能指标，其Pacc，Prec和F1值均为最高；在N-2断线数据集C中STA-GLN的性能表现较差，这是由于系统拓扑变化较大导致真实拓扑连接与完整拓扑连接之间存在差异，STA-GLN没能建立拓扑结构与节点特征的完整关联，即空间特征与时序特征的融合度较低。由表 11可知，在混合数据集 D 中 STA-GLN 的性能表现与在全接线数据集 A相差不大，Pacc达到96.58%，F1值为98.31%，表明精度与召回率的平衡情况较好。由此可见，对全接线样本的学习使STA-GLN模型建立了全面的拓扑结构特征（空间特征）与节点采集特征（时序特征）的耦合关联，在判别断线拓扑结构下的输入样本时，能够实现较高的评估准确率和失稳样本查全率、查准率，模型综合性能良好。3.3多任务TSA模型性能分析针对电力系统暂态功角稳定性和电压稳定性评估建立多任务评估模型。任务1的暂态功角稳定性评估为二分类问题，使用的评价指标为依据暂态稳定混淆矩阵计算的Pacc，Prec，Rec和F1值。任务 2的暂态电压稳定性评估为多维标签分类问题，经过Sigmoid激活函数处理后得到表示系统节点电压稳定或失稳的m维概率，其中每一列对应系统中的一个节点。由于任务2的模型输出为整数集合，而非单一数值，因此选择杰卡德系数J作为评价指标，用于比较暂态电压稳定性评估结果与样本真实电压稳定性的差异程度。为了验证单一STA-GLN模型与集成STA-GLN模型的性能并确定最佳子分类器数目，将全接线样本集A以6 2 2的比例分割成训练集、验证集和测试集，训练过程采用交叉熵损失函数。测试结果见表12。由表 12可知，单一 STA-GLN多任务模型测试中，训练周期为 50个 epoch 时，其测试性能指标最优，在同等前置条件下将子分类器数量从1增加至15，观察其多任务评估指标变化情况，如图7所示。结合表12，集成STA-GLN模型结构中，子分类器数量为5时，TSA性能达到最佳。后续试验都参照这一设定。选取不同的算法与本文提出的多任务 TSA 模型进行性能对比。分别在全接新样本集A、N-1断线样本集B、N-2断线样本集C和包含数据集A，B，C 全部样本的样本集 E 中验证本文提出的集成STA-GLN多任务TSA模型性能的优越性。各样本表10不同模型在数据集C上的性能表现Table 10Performances of different models on dataset C模型GCNSA-GCNLSTMTA-LSTMGCN-LSTMSTA-GLNPacc/%78.1279.6981.2582.8184.3887.50Prec/%94.7494.7795.3996.6495.4596.71Rec/%96.0096.6796.6796.0098.0098.80F1/%95.3695.7194.7796.3296.7197.35表11不同模型在数据集D上的性能表现Table 11Performances of different models on dataset D模型GCNSA-GCNLSTMTA-LSTMGCN-LSTMSTA-GLNPacc/%90.4191.1092.4793.1594.5296.58Prec/%94.0894.7095.3695.3996.6798.64Rec/%96.6296.6297.3097.9797.9797.97F1/%95.3395.6596.3296.6797.3298.31表12单一STA-GLN模型与集成STA-GLN模型性能对比Table 12Performances of mono-STA-GLN model and ensemble STA-GLN model模型单一STA-GLN多任务TSA模型集成STA-GLN多任务TSA模型训练集Pacc/%95.7096.6595.8299.1898.3697.9196.54J/%91.5093.1491.8996.7794.6693.8992.68测试集Pacc/%94.5695.4894.5198.7798.2596.7795.72J/%90.6992.4891.0595.794.0093.1592.07训练周期或子分类器数量40个epoch50个epoch60个epoch5个子分类器8个子分类器10个子分类器15个子分类器评估值/%训练集 PaCC测试集 PaCC训练集 J测试集 J图7不同数量子分类器构成的AdaBoost-STA-GLN集成模型评价指标Fig.7Evaluation index of the AdaBoost-STA-GLN ensemble model composed of different estimators55第 45 卷 集中的指标对比结果见表1316（表中：RF为随机森林；DT为决策树）。对比其他模型，本文提出的模型在各个样本集中均表现最优，在全样本集中，AdaBoost-STA-GLN 多 任 务 评 估 模 型 的Pacc为98.76%，Rec为99.58%，表明该模型能够有效挖掘系统暂态过程中的功角特性和电压特性。而在断线样本集B，C中，各个模型的性能指标均有所下降，AdaBoost-GCN 指标下降最为明显，本文提出的AdaBoost-STA-GLN集成模型仍能维持较为准确的TSA。任务 1 的Pacc仅分别下降了 1.26，3.25 百分点，任务2的J值仅下降了1.14，3.14百分点；此外，对比单一STA-GLN模型的断线样本集，AdaBoost-STA-GLN集成模型的Pacc分别提升了0.86，8.02百分点，表明 AdaBoost-STA-GLN 集成模型的学习能力更强，针对输入特征的暂态特性挖掘更加深入。为了对比多任务模型与各对比集成模型的快速性，基于前述测试条件，记录不同集成模型在样本集E中迭代训练50epoch所耗时长，见表17。由表 17 可见：在相同训练周期下，AdaBoost-CNN 模型训练时长最短，为 105 s，本文提出的AdaBoost-STA-GLN 多任务模型仅次于 AdaBoost-CNN模型，训练时长为112 s。结合在样本集E中各集成模型的Pacc和J值可知，本文提出的AdaBoost-STA-GLN 多任务模型在评估准确性和快速性 2方面取得了双优的均衡表现。3.4多任务TSA模型可视化将单一STA-GLN模型、AdaBoost-LSTM模型和AdaBoost-STA-GLN 多任务模型输出层特征进行 t分布随机近邻嵌入（t-Stochastic Neighbor Embedding，t-SNE）降维后，得到的分类结果如图8所示。说明通过基于 AdaBoost 的集成学习方式有效提升了STA-GLN模型的分类性能，对重叠区域的样本类别判别能力得到了进一步提升，失稳样本误判率较小，对进行暂态稳定在线评估具有较大优势。针对任务2的暂态电压稳定性评估结果，在原始原样本集中任选 2 个样本进行 t-SNE 降维可视化，各样本的稳定节点与失稳节点嵌入如图9所示。样本1中，节点26，28，29，38为失稳节点，均位于红色边界线区域内，失稳节点之间相对距离较近；而在样本2中，系统出现大面积节点失稳情况，在蓝色边界线一侧为稳定节点1，2，25，39，另一侧为失稳节点，表明失稳节点之间存在相互影响。表17不同模型的训练时长Table 17Training time of different modelss模型AdaBoost-STA-GLNAdaBoost-LSTMAdaBoost-CNNRFAdaBoost-DTAdaBoost-GCN训练时长112155105127130133表13不同模型在样本集A中的性能表现Table 13Performances of different models in sample set A模型AdaBoost-STA-GLNAdaBoost-LSTMAdaBoost-CNNRFAdaBoost-DTAdaBoost-GCN任务1Pacc/%98.7797.5497.3196.8696.5595.82Prec/%98.3297.2898.3097.8396.2896.17Rec/%97.5096.2496.7796.7797.0894.62F1/%97.9196.7697.5397.3096.6895.39任务2J/%95.7094.5594.3593.6793.3892.77表14不同模型在样本集B中的性能表现Table 14Performances of different models in sample set B模型AdaBoost-STA-GLNAdaBoost-LSTMAdaBoost-CNNRFAdaBoost-DTAdaBoost-GCN任务1Pacc/%97.5196.6596.5895.2194.5692.47Prec/%97.1196.6496.6296.0395.3994.70Rec/%97.9296.0095.3396.6796.6796.62F1/%97.5196.3295.9796.3594.7795.65任务2J/%94.5693.2793.1092.5791.3589.68表15不同模型在样本集C中的性能表现Table 15Performances of different models in sample set C模型AdaBoost-STA-GLNAdaBoost-LSTMAdaBoost-CNNRFAdaBoost-DTAdaBoost-GCN任务1Pacc/%95.5292.4791.7891.1089.2486.55Prec/%97.2896.1795.3995.5795.3394.67Rec/%96.6294.6296.6796.6296.6295.95F1/%96.9595.3996.0396.3095.9795.30任务2J/%92.5691.4091.2590.7788.7886.55表16不同模型在样本集E中的性能表现Table 16Performances of different models in sample set E模型AdaBoost-STA-GLNAdaBoost-LSTMAdaBoost-CNNRFAdaBoost-DTAdaBoost-GCN任务1Pacc/%98.3697.3196.8696.4195.4093.72Prec/%98.7698.3898.3297.8597.8396.28Rec/%99.5897.8597.5097.8596.7797.08F1/%99.1798.1197.9197.8597.3096.68任务2J/%95.5094.2594.1893.3792.8691.5456第 7 期杨波，等：基于多STA-GLN集成模型的电力系统暂态稳定评估方法为了进一步验证失稳节点预测效果，将失稳节点预测结果嵌入实际仿真结果的电力系统拓扑结构中，得到图10所示的稳定与失稳区域划分结果。由图10可见：样本1中，系统发生暂态过程后发电机Gen9失去同步，相关联的38，29，28，26节点接连失稳，多任务模型中任务2的评估结果与仿真结果的区域划分一致；样本2也得到了同样的效果。表明本文提出的AdaBoost-STA-GLN多任务评估模型能够有效划分系统的预测失稳区域，可为控制中心进行预防控制提供详细的系统稳定性评估方案。3.5多任务TSA模型抗干扰能力验证从PMU采集到的节点电气数据常存在噪声干扰和数据缺失现象，基于这一实际