基于TCN-CCRELMS的电力系统暂态稳定评估.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 7 期2023 年 7 月Vol.35 No.7Jul.2023基于 TCN-CCRELMS 的电力系统暂态稳定评估刘聪1，刘颂凯1，刘礼煌2，张磊1，谭瑞1，张雅婷1（1.三峡大学电气与新能源学院，宜昌 443002；2.国网江西省电力有限公司吉安供电分公司，吉安 343000）摘要：为进一步提高电力系统暂态稳定评估模型时序特征的提取能力及减少模型对失稳样本的漏判，本文提出一种将时间卷积网络与特定类别成本调节极限学习机相融合的暂态稳定评估方法。首先，利用时间卷积网络挖掘蕴藏在电力系统运行数据中的时序变化特性；然后，改进模型损失函数提升模型对失稳样本的感知能力，并采用集成学习策略提高模型的泛化能力；最后，通过算例分析证明了所提方法具有很好的预测性能和泛化能力，对噪声数据及数据缺失也具备较强的鲁棒性。关键词：机器学习；暂态稳定评估；时间卷积网络；特定类别成本调节极限学习机中图法分类号：TM712文献标志码：A文章编号：1003-8930（2023）07-0036-09DOI：10.19635/ki.csu-epsa.001124Transient Stability Assessment of Power System Based on TCN-CCRELMSLIU Cong1，LIU Songkai1，LIU Lihuang2，ZHANG Lei1，TAN Rui1，ZHANG Yating1（1.College of Electrical Engineering and New Energy，China Three Gorges University，Yichang 443002，China；2.Ji an Power Supply Branch，State Grid Jiangxi Electric Power Co.，Ltd，Ji an 343000，China）Abstract:To further enhance the time-series feature extraction capability of a power system transient stability assessment（TSA）model and mitigate its misjudgment for unstable samples，a TSA method which combines temporal convolutional network（TCN）and class-specific cost regulation extreme learning machine（CCRELM）is proposed in this paper.First，TCN is used to mine the time-series variation characteristics embedded in the operation data of power system.Then，the loss function of the model is improved to enhance its capability to perceive unstable samples，and an ensemble learning strategy is used to improve its generalization capability.Finally，the analysis of examples demonstratesthat the proposed method has a good prediction performance and a good generalization capability，and it is also robustto noisy data as well as missing data.Keywords:machine learning；transient stability assessment（TSA）；temporal convolutional network（TCN）；class-specific cost regulation extreme learning machine（CCRELM）随着现代电力系统的广域互联与电力负荷需求的不断提升，电力系统运行日益接近其稳定极限1-2，当系统遭受三相短路等严重故障时，其安全稳定运行将会受到严重威胁3-5。因此，确保系统稳定需要考虑的一个重要因素就是系统即使在受到诸如三相短路等严重扰动后，仍能保持各同步发电机的同步运行，这被称为暂态稳定问题6。随着系统运行与其作用机理日趋复杂，快速、准确的暂态稳定评估TSA（transient stability assessment）愈发受到研究人员的关注。传统的TSA方法主要包括时域仿真法（数值积分法）和直接法（能量函数法）。时域仿真法通常需要求解大量非线性微分代数方程，计算成本较高。而直接法需要对指定系统建立暂态能量函数，面对日益复杂的电力系统要建立合适的能量函数其难度亦逐渐增大7。随着智能电网建设的飞速发展，基于同步相量测量单元PMU（phasor measurement unit）的广域测量系统WAMS（wide area measurement system）在电网中的应用日益广泛，PMU提供的高精度量测数据使运行人员能够实时捕获系统运行的发展动态，并推动基于数据驱动的TSA方法的发展8-9。基于数据驱动的TSA方法利用从电力系统的各个位置收集的实时量测数据，来评估系统的实时暂态稳定状态。支持向量机SVM（support vector machine）10、人收稿日期：2022-08-01；修回日期：2022-09-22网络出版时间：2022-10-09 19：25：50基金项目：国家自然科学基金资助项目（52007103）刘聪等：基于 TCN CCRELMS 的电力系统暂态稳定评估刘聪等：基于TCN CCRELMS的电力系统暂态稳定评估37第 35 卷工神经网络 ANN（artificial neural network）11、极限学习机 ELM（extreme learning machine）12、决策树DT（decision tree）13和长短期记忆LSTM（long short-term memory）网络14等均已成功应用于基于数据驱动的TSA研究中，并取得了较好的评估性能。文献15提出一种基于SVM的暂态稳定评估方法，采用构造递归解法，能大幅减少模型学习时间且有效更新模型，但由于个体学习模型结构相对单一，对复杂的非线性关系拟合效果有限。文献16提出一种基于堆叠自动编码器的TSA方法，采用具有预训练-参数微调的两阶段学习策略，保证评估模型拥有优越的评估性能，但模型对少数类失稳样本的感知能力较弱，难以应对样本类别不平衡问题。文献17提出基于改进CatBoost的电力系统暂态稳定评估方法，采用加权的焦点损失函数，减少模型对失稳样本的漏判，但树结构的基学习器对时序数据的感知能力较弱，难以进一步挖掘蕴藏在数据中的时序信息。文献18提出一种基于稀疏降噪自动编码器和深度置信网络相结合的TSA方法，进一步提升评估准确率，但模型调参过程复杂，计算开销较大。针对上述不足，本文充分融合时间卷积网络TCN（temporal convolutional network）和特定类别成本调节极限学习机CCRELM（class-specific cost regulation extreme learning machine）的优势，提出一种基于时间卷积网络与特定类别成本调节极限学习机 TCN-CCRELMS（temporal convolutional network-class-specific cost regulation extreme learning machines）的电力系统TSA的方法。首先，由TCN提取量测数据的时序变化特性；然后，在CCRELM的损失函数中引入加权参数，加强对失稳样本的感知能力；最后，差异化地训练多个CCRELM模型，并综合分析各CCRELM的输出，从而构建集成化的TSA模型。在IEEE 39节点系统和美国南卡罗莱纳州实际电 网 上 的 测 试 结 果 表 明，本 文 所 提 的 TCN-CCRELMS模型具有良好评估性能。1特征提取及暂态稳定判据1.1TCN 算法简介TCN是一种处理时间序列数据的算法，其网络结构主要包括因果卷积、膨胀卷积和残差模块19。因果卷积是TCN的关键架构，其输出只取决于当前时刻和部分过去时刻的输入，并不依赖于任何未来时刻的输入。感受野为卷积神经网络每一层输出的特征图上每个像素点在原始图像上映射的区域大小，感受野越大包含的时序信息越多20。为增大感受野，TCN在因果卷积的基础上引入了膨胀卷积，对于一维时序输入X和过滤器f，序列元素S的膨胀卷积运算H()可定义为H(S)=(Xfd)(S)=i=0n-1f(i)xS-di（1）式中：n为过滤器系数；d为膨胀系数；xS-di为输入序列中的历史数据；为卷积运算。膨胀因果卷积结构如图1所示。通过增大膨胀系数可实现卷积网络感受野指数级的增加。此外，TCN还引入了残差模块，从而避免深层网络训练过程中的梯度消失问题。1.2基于 TCN 的特征提取图2给出了基于TCN的特征提取网络示意图，通过该网络可提取适用于暂态稳定评估的时间序列特征。特征提取的具体过程如下：将某一维时序特征X=(x0,x1,xe,xE)送入到TCN的D个过滤 器 中，便 可 获 得DE维 的 中 间 矩 阵Y*=(Y*1,Y*2,Y*m,Y*D)，其中，第 m 个中间矩阵Y*m=(ym.0,ym.1,ym.E)，m=1,2,D；将各一维矩阵Y*m的最后一个元素串联并送到全连接层，可得低维特征矩阵O=(y1.E,y2.E,ym.E,yD.E)；将特征矩阵O作为暂态稳定评估模型的输入，判断当前电力系统的运行状态。图 1膨胀因果卷积结构Fig.1Structure of dilated causal convolution隐藏层d=2隐藏层d=1输入层输出层d=4x0 x1x2xE-1xE图 2基于 TCN 的特征提取网络Fig.2Feature extraction network based on TCNy1,Ey2,Eym,EyD,EyD,EyD,0yD,1ym,Eym,0ym,1y2,Ey2,0y2,1y1,Ey1,0y1,1Y*1Y*2Y*mY*D过滤器1过滤器2过滤器m过滤器Dx0 x1xexEXO基于TCN的特征提取-电 力 系 统 及 其 自 动 化 学 报38第 7 期1.3暂态稳定判据在电力系统发生大扰动后，系统是否保持暂态稳定可由系统中各发电机间的相对功角差来衡量。因此，采用暂态稳定指标TSI（transient stabilityindex）作为稳定判据21，其表达式为TSI=360-|max|360+|max|（2）式中，max为仿真时间内任意2台发电机的最大相对功角差。若TSI0，系统稳定，标签取 1；若TSIC+，通过对失稳样本的训练误差加入更高的权重，促使评估模型在训练过程中更加注重对失稳样本特征的挖掘，进而处理样本不平衡问题，提高评估模型的整体性能。输出权重可表示为=Z=C+C-+-1Z,NLIC+IC-+-1Z,LN（6）式中：I为单位矩阵，为的Moore-Penrose广义逆。对于二分类问题，基于CCRELM的分类器的最终输出为f(x)=signh(x)。2.3集成学习虽然通过改进损失函数CCRELM加强了对失稳样本的识别能力，但输入权重的随机选择依旧会使单个 CCRELM 不稳定。因此本文提出针对CCRELM的集成策略，进一步提升了其泛化能力，集成后的模型称为CCRELMS，如图4所示。在CCRELMS模型的迭代训练中，首先，给每个基学习器CCRELM分配相等的初始权重i=1/k，k为CCRELMS模型中CCRELM的个数。然后，在以后的每一轮迭代训练中，权重i都会随着每个图 3ELM 网络结构Fig.3Network structure of ELM输入层隐藏层输出层xh(w,x,b)z图 4CCRELMS 集成策略Fig.4Ensemble strategy of CCRELMS模型训练结果集成特征提取CCRELM1CCRELM2CCRELMk1f1(x)x1x2xN2f2(x)kfk(x)G(x)刘聪等：基于TCN CCRELMS的电力系统暂态稳定评估39第 35 卷CCRELM的评估准确率的变化而改变，其表达式为i=Accavg()-()1-AccCCRELM(i)()2（7）式中：Accavg()为第轮迭代中所有CCRELM准确率的平均值；AccCCRELM(i)()为第轮迭代中第 i 个CCRELM的准确率。当某个CCRELM的准确率较低时，其权重也将随之下降，对最终评估结果的影响力也会降低。最后，集成学习的输出可表示为G(x)=signi=1kifi(x)（8）此外，为使CCRELMS拥有更好的集成效果，需要保证各个CCRELM保持一定的差异化，本文通过样本的差异化来实现这一目标。样本差异化实现策略：首先，从训练集中随机获取一个样本放入样本集后，再放回训练集，以此重复m次便可获得一个含有m个样本的样本集；然后，重复此过程，可产生 k 个样本集，基于这些样本集训练 k 个不同的CCRELM；最后，结合上述集成策略得到集成学习模型CCRELMS。当各基学习器CCRELM是根据略有不同的样本集训练而来，其内部参数自然会略有差异。因此，训练所得的各CCRELM在对同一未知样本进行预测时会产生差异化的结果，其中，被某些CCRELM错误分类的未知样本可以被其他CCRELM正确分类，然后通过多数投票规则将所有CCRELM的分类结果进行组合，最终得出正确的分类结果，从而提高集成学习模型CCRELMS的泛化能力和鲁棒性23。3TSA 的具体流程TSA 框架如图 5 所示，本文所提基于 TCN-CCRELMS的暂态稳定评估方法主要包括离线训练和在线应用两个部分。3.1离线训练（1）数据库生成。丰富可靠的初始数据库是CCRELMS构建非线性映射的重要前提，本文通过仿真软件PST对电力系统预想故障集进行时域仿真，获得初始数据库。初始数据库中样本特征的选择同样重要，考虑PMU量测数据的实时性和TCN对时序数据强大的感知能力，最终选择故障发生前1个周波至故障切除后3个周波间V、PL、QL、PG、QG的变化轨迹作为样本特征。其中，V、分别为节点电压幅值和相角；PL、QL分别为负荷有功功率和无功功率；PG、QG分别为发电机有功功率和无功功率。同时，通过第1.3节所提的暂态稳定判据为每个样本贴上相应的暂态稳定标签y。最终可生成样本集Vj、j、PjL、QjL、PjG、QjG,yj，j=1,2,Nj，Nj为样本集中的样本数量。（2）TCN-CCRELMS模型训练。首先，将初始数据按照8：2的比例分为训练集和测试集；然后，将能反映电力系统运行状态的电气量V、PL、QL、PG、QG作为 TCN-CCRELMS 的输入特征，由TCN提取其中的时序变化特性，并将其转化为分类边界更加清晰的低维特征，由于TCN的过滤器的数量为32，因此转化后的低维特征维数相较于原始特征维数会大幅下降，可减轻后续模型的训练负担；其次，再将低维特征作为新的特征输入到CCRELMS中，相应的标签作为输出，以此构建输入特征与标签之间的非线性映射关系；最后，在测试集上对TCN-CCRELMS进行测试和参数调整。3.2在线应用在线应用过程中，PMU实时量测的数据被输入到训练好的TSA模型中，从而判定当前系统运行状态是否稳定。如果系统被判定为暂态失稳，模型将会给电力系统操作人员发出警报，相应的紧急控制措施将会被启动；否则继续保持对电力系统的监控。4算例分析4.1分类器性能评价指标本文采取准确率Acc、失稳样本预测准确率TNR、稳定样本预测准确率TPR，以及失稳样本漏判率FPR这4种指标来更加全面的衡量模型的评估性能。引入混淆矩阵如表1所示，4种指标的表达式为Acc=TP+TNTP+FP+FN+TN（9）TNR=TNFP+TN（10）图 5TSA 框架Fig.5TSA framework持续监控发出警报离线训练在线应用TCN特征提取训练集测试集初始数据库时域仿真数据历史量测数据PMU实时量测数据TCN-CCRELMS模型TSA结果失稳稳定TCN-CCRELMSCCRELMSCCRELM1CCRELMk-电 力 系 统 及 其 自 动 化 学 报40第 7 期TPR=TPTP+FN（11）FPR=FPFP+TN（12）式中：TP为分类正确的稳定样本数量；TN为分类正确的失稳样本数量；FP为分类错误的失稳样本数量；FN为分类错误的稳定样本数量。Acc是分类任务中的常见性能指标，其值越高，表示模型的分类越正确；TNR越高，表示模型对失稳样本的评估结果越准确；TPR越高，表示模型对稳定样本的评估结果越准确；FPR越低，表示模型对失稳样本的漏判数量越少。4.2样本数据集生成采用 IEEE 39 节点系统，并设定系统频率为60 Hz，进行一系列仿真测试。IEEE 39节点系统的拓扑结构如图6所示，该系统共包含10个发电机节点、19个负荷节点及34条支路。通过对IEEE 39节点系统进行时域仿真获得初始数据库。以5%的步长设置测试系统的负荷水平在初始值的70%130%之内迭代，并相应调整发电机出力以达到功率平衡。同时设置三相接地短路故障，故障位置分别设于线路首端及距离线路首端20%、40%、60%、80%处，故障持续时间设置为0.10 s、0.15 s、0.18 s、0.20 s，仿真时长设为20 s。仿真共获得7 680个样本，其中，失稳样本2 304个、稳定样本5 376个。4.3分类器性能对比为验证本文所提TCN-CCRELMS的优势，将其与常用的基于机器学习的电力系统TSA模型进行性能对比，测试数据采用第4.2节生成的IEEE 39节点系统数据集。选取的模型主要包括CCRELMS、轻量级梯度提升机 LightGBM（light gradient boosting machine）、卷积神经网络CNN（convolutional neural network）、ANN、SVM、DT、ELM。CCRELMS 由200个基学习器构成，基学习器CCRELM和ELM都采用100个隐藏节点，最大迭代次数为50；LightGBM采用200个基学习器，学习率设为0.01，最大迭代次数为100；CNN采用大小为33的卷积核和22的池化层；ANN使用梯度下降算法训练，其中隐藏层神经元个数为100；SVM采用径向基核函数RBF（radial basis function）；DT采用CART算法，最大深度为9。不同模型的测试结果如表2所示。表2中，前3种模型为集成学习模型，而后5种则为个体学习模型。总体而言，集成学习模型的评估性能要强于个体学习模型，这说明集成学习模型对输入特征的挖掘能力要强于个体学习模型，因而能建立更加精确的非线性映射关系，获得更好的评估效果。其中，CNN作为典型的深度神经网络，对输入特征具有较强的挖掘能力，因此有较好的评估性能，但复杂的调参过程导致其训练难度较大；由于ANN结构相对简单，对输入特征的挖掘能力不强，故整体评估性能要弱于CNN；而ELM、SVM和DT作为结构简单的浅层学习个体，整体评估性能处于较低的水平。TCN-CCRELMS得益于多方面的改进，整体的评估效果较好，相较于未改进的ELM，在指标Acc、TPR分别上升1.62%和1.56%时，而能反映模型对失稳样本识别率的TNR指标也同样上升了1.67%。表 1混淆矩阵Tab.1Confusion matrix实际状态稳定（1）失稳（-1）评估状态稳定（1）TPFP失稳（-1）FNTN图 6IEEE 39 节点系统示意Fig.6Schematic of IEEE 39-bus systemG10G8G9G6G1G4G7G5G2G31222322112131114243441323333162636615253551828388273771020301929399表 2不同模型的测试结果Tab.2Test results of different models评估模型TCN-CCRELMSCCRELMSLightGBMCNNANNSVMDTELMAcc98.7898.4698.2798.2398.0197.3497.1197.16TNR98.6198.3597.9197.8497.6497.1596.8396.94TPR99.0798.9698.6298.5598.1097.7197.3597.51%刘聪等：基于TCN CCRELMS的电力系统暂态稳定评估41第 35 卷为进一步探究在比例不平衡的情况下，各模型的评估效果。本次测试通过随机剔除部分样本，构造不同比例的样本集训练各TSA模型，然后用同一测试集测试各模型的评估效果，测试结果如图7所示。由图7可以看出，随着样本比例不平衡的加重，各模型的TNR指标也随之下降，说明模型对失稳样本的识别能力出现下滑。这是因为当失稳样本少于稳定样本时，评估模型不能充分学习到系统失稳状态下的运行特征，难以构建准确的映射关系，导致其对失稳样本的识别能力不足；在模型的训练过程中，为了进一步减小损失函数优化评估效果，模型也会盲目的侧重于数量较多的稳定样本，这将进一步恶化模型对失稳样本的识别能力。而TCN-CCRELMS与CCRELMS加大了对失稳样本的权重参数，进而加强了模型对失稳样本的感知能力，即便在稳定样本与失稳样本比例高达10：1时，TCN-CCRELMS的TNR指标依旧保持在97%以上，比未改进的ELM高出5.34%。总之，TCN-CCRELMS模型能有效捕捉输入特征中蕴藏的动态变化特性和时序关系，正确构建输入特征与TSI标签间复杂的非线性映射关系，且对失稳样本有较强的感知能力。4.4特征可视化为方便观察本文所提TCN方法的特征提取效果，使用可视化工具t分布的随机邻域嵌入t-SNE（t-distributed stochastic neighbor embedding）将IEEE 39节点系统的原始数据和TCN特征提取后的输出投射到二维平面，可视化结果如图8所示。由图8可以看出，原始数据中的两类样本相互掺杂重叠，没有明确的分界线。而通过TCN特征提取后的数据样本仅存在少量重叠，失稳样本和稳定样本间的分类边界较原始数据更为明显。由此可见，TCN具有强大的时序特征提取能力，形成的低维高级特征能有效帮助评估模型建立输入特征与TSI标签间非线性映射。4.5对噪声及数据缺失的鲁棒性分析在电力系统实际运行中，PMU量测数据的传输过程中可能会出现数据丢失和噪声干扰的情况，本文测试了TCN-CCRELMS对噪声及数据缺失的鲁棒性。4.5.1模型抗噪能力分析本次模型抗噪能力测试中共考虑5种不同程度的信噪比SNR（signal-to-noise ratio），在测试集中样本特征数据添加信噪比分别为10 dB、20 dB、30 dB、40 dB、50 dB的噪声（SNR越高，噪声越少），各模型在不同噪声条件下的评估性能如图9所示。由图9可以看出，所有暂态稳定评估模型的性能均受到噪声的影响，随着噪声水平的上升，评估性能都出现下滑。其中，TCN-CCRELMS相较于其图 7不平衡样本集对各种模型影响Fig.7Impacts of unstable data sets on different models100989694929088TNR/%稳定样本与失稳样本比例2101468TCN-CCRELMSCCRELMSLightGBMCNNANNSVMDTELM（a）原始数据图 8特征提取效果Fig.8Feature extraction effect6040200-20-40-60特征2特征1-4060-60-2002040（b）TCN 特征提取后的数据6040200-20-40-60特征2特征1-4060-60-2002040图 9不同信噪比下的测试结果Fig.9Test results at different SNRs100999897969594939291Acc/%噪声水平/dB4010503020TCN-CCRELMSCCRELMSLightGBMCNNANNSVMDTELM-电 力 系 统 及 其 自 动 化 学 报42第 7 期他模型对噪声具有更强的鲁棒性，Acc始终保持在98%以上，比未改进的ELM高出4.27%；ELM、DT和SVM对噪声最为敏感，随着噪声水平的上升，评估性能出现较大下滑；CNN凭借其复杂的深层结构，对数据具有强大的挖掘能力，整体保持了很好的评估性能；而ANN结构相对简单，学习能力有限，对噪声的鲁棒性并不强；由于CCRELMS和LightGBM都采用了集成算法，因此对噪声展现出一定的鲁棒性，整体评估性能依旧维持在一个很好的水平。总之，TCN-CCRELMS凭借其强大的数据挖掘能力，同时保有集成算法良好的抗噪能力，在抗噪能力上相较于其他模型具有显著优势。4.5.2数据缺失分析暂态稳定评估模型的评估性能很大程度上取决于数据的完整性，当数据出现较大缺失时，模型极有可能无法给出正确的评估结果，造成严重的后果。本文通过随机丢弃数据集中的某些母线的数据，构建如表3所示的6种数据缺失场景，每种缺失场景都仿真得到相应的测试数据集，TCN-CCRELMS在6种不同数据缺失场景下的测试效果如表3所示。由表3可知，随着数据缺失母线的增多，TCN-CCRELMS的评估性能出现下滑，这主要由于数据的缺失会导致离线训练时模型构建的非线性映射关系部分失效，从而影响到最终的评估结果。但总体而言，TCN-CCRELMS在6种数据缺失场景下均有不错的表现，即便在3条母线数据缺失的场景E和场景F下，准确率也高于97%。说明本文所提的TCN-CCRELMS对数据缺失具有良好的鲁棒性。4.6泛化能力测试电力系统的拓扑结构通常会由于检修和故障等情况发生改变，因此泛化能力也是考察TSA模型性能的重要指标。为进一步验证TCN-CCRELMS在线路停运、机组退出运行等未知拓扑工况下的适应性，本文在表4给出的6种运行场景中进行泛化能力测试。每一种运行场景都根据第3.2节所述的数据生成方法产生1 000个样本，相应的测试结果如图10所示，其中，Acc1表示TCN-CCRELMS的总体准确率，Acc2表示CCRELMS的总体准确率。由图10可知，在运行场景1和运行场景2中，由 于 系 统 的 拓 扑 结 构 改 变 幅 度 较 小，TCN-CCRELMS的评估性能未出现较大波动，准确率仍能保持在98%以上；而在系统拓扑结构变化幅度更大的运行场景3至运行场景6中，TCN-CCRELMS的评估准确率出现了下滑，但依旧给出了可观的评估结果；此外，TCN-CCRELMS的评估效果始终要强于CCRELMS，这说明具有时序特性的输入特征能很好地反应系统的动态变化，由TCN-CCRELMS建立的电力系统TSA判别规则对系统拓扑变化具有很好的适用性。4.7模型对样本数据的依赖性为检验TCN-CCRELMS对样本数据的依赖性，本次测试将IEEE 39节点系统训练集规模的90%、80%、70%、50%、30%和 10%分别用于训练 TCN-CCRELMS，再以同一数据集测试模型的评估效果，最终测试结果如图11所示。由图 11 可知，随着训练集规模的增大，TCN-CCRELMS的评估效果也变得更好，当训练集规模达到50%时，足以获得一个较高精度的TSA模型（Acc95%）。对于电力系统TSA而言，训练集规模的增加，意味更多有关电力系统动态变化的信息会被模型学习，模型的评估准确率和可靠性上升，因此模型评估性能的提升一定程度上依赖于训练集表 3数据缺失Tab.3Missing data缺失场景ABCDEF缺失母线母线4母线18母线10和母线29母线31和母线34母线6、母线11和母线30母线9、母线13和母线17Acc/%98.2498.2797.7797.6397.2097.14表 4拓扑结构变化Tab.4Changes in topology运行场景123456拓扑结构类型线路3-18退出运行5号发电机退出运行线路10-11和线路23-24退出运行线路4-5和6号发电机退出运行线路4-5、线路15-16和线路26-29退出运行线路19-20、线路23-36和8号发电机退出运行图 10不同拓扑结构变化测试Fig.10Test on indifferent changes in topology10099989796959493Acc/%拓扑结构类型场景1 场景2 场景3 场景4 场景5 场景6Acc1Acc298.3297.8998.1497.7197.0696.4197.5396.4596.2895.4196.1495.53刘聪等：基于TCN CCRELMS的电力系统暂态稳定评估43第 35 卷规模的增加。4.8美国南卡罗莱纳州实际电网为进一步说明所提方法在实际系统中的有效性，将TCN-CCRELMS应用于美国南卡罗莱纳州实际电网24，该电网包含500条母线和56台发电机。通过时域仿真共获得9 175个样本，其中，稳定样本和失稳样本比例约为3：1，随机选取其中80%的样本作为模型的训练集，余下20%的样本作为测试集。测试结果如表5所示。由表5可以看出，虽然可以通过改进算法降低FPR，但由于电力系统存在高度复杂的非线性关系，漏判仍是难以避免的。一方面，CCRELM通过改进ELM的损失函数，提高了模型对失稳样本的感知能力，将漏判样本数减少了9个；另一方面，由基学习器CCRELM构成的集成学习模型CCRELMS有更强的数据挖掘能力，相较于CCRELM漏判样本数减少了5个；同时，得益于强大的时序特征提取能力，TCN-CCRELMS展现出了令人满意的评估效果，相较于未改进的ELM，在漏判样本数和FPR上分别降低了16个和3.48%。综上所述，TCN-CCRELMS在各方面的改进取得了一定效果，也适用于规模更大的南卡罗莱纳州实际电网。4.9数据处理速度在实际的电网运行中，PMU装置以高达50次/s的频率采集电力系统的运行数据25。因此，只有TSA模型处理PMU量测数据的时间小于0.02 s，才能实现对电力系统运行状态的实时监测。为检验本文所提TCN-CCRELMS的时效性，将其应用于两个测试系统的样本集进行测试，其结果如表6所示。由表6可以看出，由于机器学习算法具有快速处理大量数据的能力，TCN-CCRELMS在训练和评估两阶段均在较短时间内完成对样本的处理。其中，TCN-CCRELMS在两个测试系统中对单个样本的评估时间均小于0.02 s，低于PMU量测数据所需的 最 小 处 理 时 间。因 此，本 文 所 提 的 TCN-CCRELMS能根据PMU量测数据实时评估电力系统的暂态稳定状态。5结论针对电力系统暂态稳定评估问题，本文提出一种基于TCN-CCRELMS 的TSA方法，并在IEEE 39节点系统和美国南卡罗莱纳州实际电网进行了一系列算例分析，由实验结果可得以下结论。（1）TCN具有强大的时序特征提取能力，能有效降低数据的维度，并使TCN-CCRELMS可以充分考虑系统运行特征之间的时序关联特性，有效提升模型评估效果。（2）权重参数的引入加强了TCN-CCRELMS对少数类失稳样本特征信息的挖掘能力，能有效应对样本比例不平衡问题，进一步提高模型的可靠性与灵活性。（3）TCN-CCRELMS继承了集成学习模型的优势，在数据噪声和数据缺失测试中展现出较强的鲁棒性，并在对未知拓扑结构的泛化能力测试中，体现出该方法的优越性。参考文献：1马宁宁，谢小荣，贺静波，等（Ma Ningning，Xie Xiaorong，He Jingbo，et al）.高比例新能源和电力电子设备电力系统的宽频振荡研究综述（Review of wide-band oscillation in renewable and power electronics highly integratedpower systems）J.中国电机工程学报（Proceedings ofthe CSEE），2020，40（15）：4720-4732.2周孝信，陈树勇，鲁宗相，等（Zhou Xiaoxin，Chen Shuyong，Lu Zongxiang，et al）.能源转型中我国新一代电力系统的技术特征（Technology features of the new generation power system in China）J.中国电机工程学报（Proceedings of the CSEE），2018，38（7）：1893-1904.图 11不同训练集规模的评估准确率Fig.11Assessment accuracy based on different sizes oftraining set100989694929088868482Acc/%训练集规模/%908070503010表 5不同模型的测试结果Tab.5Test results of different models评估模型TCN-CCRELMSCCRELMSCCRELMELM漏判样本数/个791423FPR/%1.531.963.055.01表 6TSA 模型的数据处理速度Tab.6Data processing speed of TSA model测试系统IEEE 39节点系统南卡罗莱纳州电网模型训练样本个数6 1447 340时间/s52.41766.945模型评估样本个数1 5361 835时间/s0.0490.062-电 力 系 统 及 其 自 动 化 学 报44第 7 期3Tian Yuan，Wang Keyou，Oluic M，et al.Construction ofmulti-state transient stability boundary based on broadlearningJ.IEEE Trans on Power Systems，2021，36（4）：2906-2917.4周惠怡，刘颂凯，张磊，等（Zhou Huiyi，Liu Songkai，Zhang Lei，et al）.考虑误分类约束的电力系统暂态稳定评估（Transient stability assessment for power systemconsidering misclassification constraints）J.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2022，34（6）：71-78.5Gonzalez J，Papadopoulos P N，Milanovic J V，et al.Risk-constrained minimization of combined event detection anddecision time for online transient stability assessmentJ.IEEE Trans on Smart Grid，2021，12（5）：4564-4572.6Yan Rong，Geng Guangchao，Jiang Quanyuan，et al.Fasttransient stability batch assessment using cascaded convolutional neural networksJ.IEEE Trans on Power Systems，2019，34（4）：2802-2813.7周挺，杨军，周强明，等（Zhou Ting，Yang Jun，ZhouQiangming，et al）.基于改进L