基于异质边图注意力网络的电力系统振荡评估模型

新能源发电使电网潮流变化更加快速,跟踪潮流变化,在线预测电网关键振荡模式的阻尼比和机组参与因子对维护电网运行安全有重要意义。该文采用数据驱动的建模思路,设计了基于多任务学习和深度学习框架的电力系统小干扰稳定评估模型(small-signal stability assessment,SSA),可同时实现多振荡模式的阻尼比预测和机组参与因子预测任务。基于图注意力网络和异质图思想,设计了引入边信息的边图注意力机制和将节点和边分类处理的异质图处理方法,建立了能有效利用边信息的异质边图注意力网络模型(heterogeneous edge graph attention network,HEGAT)。以HEGAT的特征聚合为基础,通过多任务共享参数和基于联合误差函数的训练提高了特征提取能力。IEEE10机39节点算例的对比实验表明,HEGAT-SSA能快速准确的预测模式和模态变化,并具有对拓扑变化的良好适应能力。     

基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。     

基于异构数据特征级融合的多任务暂态稳定评估

考虑到基于深度学习的暂态稳定评估方法对电力系统输入数据的描述不够全面,异构数据常被忽略,且许多特征信息无法有效融合,为充分利用电力系统各类异构数据以提高模型的精确度和算法性能,提出了一种异构数据特征级融合的深度学习方法。首先,利用多层感知机、图卷积网络、门控循环单元分别对静态多变量数据、拓扑图域数据、时序多变量数据进行特征提取;然后,采用张量融合方法对所提取特征进行特征级融合,并将展平的融合特征输入共享层,利用基于同方差不确定性的多任务学习方法,同时实现了暂态稳定判别与暂态稳定裕度预测。在此基础上,建立了暂态稳定评估模型,并对所提方法的性能进行了评估。最后,采用新英格兰10机39节点系统进行仿真、训练与验证,结果表明所提方法能有效提升评估的准确性与鲁棒性。     

基于GCN-LSTM的日前市场边际电价预测

传统电价预测往往采用基于时间序列的时域预测方法,未能充分利用电力市场的地域信息,忽略了跨区域输电条件下影响区内电价的域外因素,为进一步提升电价预测精度提出一种基于图卷积神经网络与长短时记忆网络(graph convolution network-long short term memory,GCN-LSTM)的时空预测算法。该算法首先通过建立图模型,描述地域分布的电力市场数据,并使用图卷积神经网络,提取所研究区域和周围地区传导到域内的域外信息;其次,将不同时刻图卷积神经网络提取到的信息构成时间序列,输入长短时循环网络,从而对日前市场边际电价进行预测。利用北欧电力交易所Nord Pool的运营数据进行算例分析,通过与对照算法对比,该算法具有更好的预测精准度和普适性。     

基于双向长短期记忆网络的电力系统暂态稳定评估

为进一步提升电力系统暂态稳定评估的准确率,依据电力系统暂态过程数据的时序特性,建立了一种基于双向长短期记忆(Bi-LSTM)网络的暂态稳定评估模型。该方法通过Bi-LSTM网络建立底层量测数据与电力系统暂态稳定类别之间的非线性映射关系,采用准确率、F1指标和FPR指标综合评估Bi-LSTM网络模型性能的优劣,在此基础上,采用t分布随机近邻嵌入(t-SNE)降维方法和k最近邻(KNN)分类器进一步提升暂态稳定评估的准确率。新英格兰10机39节点系统算例表明:所提模型比传统的机器学习模型和部分深度学习模型拥有更好的评估性能。通过可视化方法和网络预测分数对评估模型进行分析,结果表明Bi-LSTM网络模型具有较强的电力系统暂态过程特征提取能力,适用于电力系统暂态稳定性的评估。进一步研究了底层输入数据的归一化模式和方法对暂态评估模型的影响,结果表明z-score归一化方法要优于min-max归一化方法,采用总维数归一化模式的模型评估性能更好。     

定电压与预测型定关断角控制对HVDC小干扰稳定性的影响

定电压控制和预测型定关断角控制是高压直流（HVDC）逆变站常规的控制方法,合理整定控制器参数可提高交直流系统的小干扰稳定性。文中首先基于开关函数法建立了基于电网换相换流器的高压直流（LCC-HVDC）系统的小干扰动态模型,将其动态响应与电磁暂态模型的动态响应进行对比,验证了小干扰动态模型的正确性。接着,采用特征值及其灵敏度方法分析了LCC-HVDC系统的振荡模式和阻尼特性,对比分析了逆变侧采用定电压控制和预测型定关断角控制时,换流站控制器参数以及交流系统短路比对系统稳定性影响的异同。最后,整定了能维持系统稳定运行的控制器参数稳定域,并通过PSCAD/EMTDC仿真验证了稳定域的正确性。     

风电场小干扰稳定研究

为了降低风电场并入电网对电力系统的小干扰稳定可能带来的影响,建立了双馈感应发电机数学模型和桨距角控制模型,根据小干扰稳定理论,在PSAT平台上对风电场接入一个单机无穷大系统和WSCC 3机9节点系统进行特征值计算和小干扰稳定分析。仿真算例分析结果表明,与风电机组强相关的振荡模式阻尼特性良好,系统振荡稳定。     

基于二阶摄动理论的不确定系统小干扰稳定分析方法

针对电力系统多运行参数波动较大的情况下,振荡模式的阻尼比以及系统的运行状态难以在区间模型下连续描述的问题,提出一种基于二阶摄动理论的小干扰稳定分析方法.建立不确定信息下获取系统振荡模式分布情况的复模态二阶摄动模型,在此基础上,连续描述运行状态在不确定变化区间内振荡模式阻尼比的变化轨迹.IEEE 16机68节点系统仿真结果表明:不同运行参数在区间范围内变化时,对同一振荡模式的阻尼比影响程度不同;同一运行参数在区间范围内变化时,对不同振荡模式的阻尼比影响不同.在多运行参数波动较大的情况下,该方法也能较准确地评估系统的小干扰稳定情况.     

直驱永磁风电机组虚拟惯量控制对系统小干扰稳定性影响分析

虚拟惯量控制方式下,直驱永磁风力发电机组(DDPMSG)能够为电力系统提供较好的频率支撑,但虚拟惯量控制使DDPMSG与系统之间产生了新的耦合关系,给系统的小干扰稳定带来新的影响。建立了包含DDPMSG的风电并网系统状态空间平均模型,并通过线性化得到其小信号模型。基于该小信号模型,利用特征分析法分析了虚拟惯量控制的比例系数和微分系数对风电并网系统的小干扰稳定性的影响,同时对比分析了虚拟惯量控制及最大功率跟踪控制对系统小干扰稳定的影响。结果表明虚拟惯量控制对系统阻尼特性的影响与DDPMSG接入系统的位置及容量有关,且主要影响其所接入区域的局部振荡模式和系统的区域振荡模式。     

直驱永磁风电机组虚拟惯量控制对系统小干扰 稳定性影响分析

虚拟惯量控制方式下,直驱永磁风力发电机组(DDPMSG)能够为电力系统提供较好的频率支撑,但虚拟惯量控制使DDPMSG与系统之间产生了新的耦合关系,给系统的小干扰稳定带来新的影响。建立了包含DDPMSG的风电并网系统状态空间平均模型,并通过线性化得到其小信号模型。基于该小信号模型,利用特征分析法分析了虚拟惯量控制的比例系数和微分系数对风电并网系统的小干扰稳定性的影响,同时对比分析了虚拟惯量控制及最大功率跟踪控制对系统小干扰稳定的影响。结果表明虚拟惯量控制对系统阻尼特性的影响与DDPMSG接入系统的位置及容量有关,且主要影响其所接入区域的局部振荡模式和系统的区域振荡模式。     

融合多类型深度迁移学习的电力系统暂态稳定自适应评估

针对不同类型人工智能网络应用于电力系统暂态稳定评估时精度和泛化能力不稳定、运行方式或拓扑结构发生较大变化时评估精度下降、重新训练新模型费时费力等问题,提出一种融合多类型深度迁移学习模型（tmDLM）的自适应评估方法,该方法融合了深度置信网络、卷积神经网络以及长短期记忆网络3种不同的深度学习模型。将训练好的各类深度学习模型作为源域模型,当运行方式或拓扑结构发生较大变化时,采用少量目标域样本集微调预训练模型,使其快速跟踪系统当前的运行状态,并得到tmDLM。新英格兰10机39节点系统和华中电网的仿真结果表明：所提方法可以充分发挥各类深度学习方法的优势,具有良好的泛化能力;六分类模型能够在判稳的同时进行稳定裕度/失稳程度等级的评估;经过迁移后的深度学习模型具有良好的评估精度和时效性,大幅缩短了模型更新时间,实现了电力系统暂态稳定的自适应评估。     

基于卷积神经网络的电力系统小干扰稳定评估

随着电力系统规模的增大,通过传统数值方法计算系统特征值来进行小干扰稳定评估已无法满足实时分析的要求。因此,提出了一种基于深度学习(卷积神经网络)的电力系统小干扰稳定评估方法。该方法以广域测量系统可监测变量作为模型的输入,关键特征值作为输出,对输入数据和输出数据进行相应处理后,利用深层架构对其映射关系进行分析;并针对大系统维数较高、训练速度较慢的问题,采用了离散余弦变换和图形处理器并行技术。算例结果表明,在不考虑控制参数变化的情况下,经过历史数据的离线训练后,该方法能够较准确地计算出系统的关键特征值。     

基于时空自适应图卷积网络的跌倒检测算法

针对现有图卷积网络(GCN)需要预先定义人体骨架拓扑图和模型较大的问题，提出了基于时空自适应图卷积网络(ST-AGCN)的跌倒检测算法。该网络包括3个部分：利用HRNet姿态估计算法从视频中提取人体骨架点序列，并预处理成四维张量；引入归一化嵌入式高斯函数通过学习(无需人工预定义)得到人体拓扑图，利用空间自适应图卷积获取人体关联特征；利用多尺度卷积提取时间运动特征，提高模型获取动态信息的能力。在公开数据集和自建数据集上分别进行仿真，准确率分别达95.45%和99.55%。结果表明，该算法优于目前GCN方法，参数量只有后者的1/4甚至更少。本文算法还可以适用于不同的数据集。     

区间不确定信息下的小干扰稳定分析方法

研究了考虑发电和负荷不确定性的电力系统小干扰稳定问题,建立了区间不确定信息下求解振荡模式阻尼比上下限值的非线性优化模型。提出将连续线性规划法作为求解该问题的优化方法,通过计算可得到运行状态在给定区间内变化时振荡模式阻尼比的区间分布及其区间限值处对应的系统运行状态,据此可评估系统运行状态的不确定变化对振荡模式阻尼比的影响,并提供相关的稳定性信息。通过算例验证了所提出的方法的正确性和有效性。     

基于图卷积网络的快速暂态安全评估方法

快速、可靠的电力系统动态安全评估能够显著提高电力系统运行方式优化调整的效率。针对电力系统暂态稳定预想事故扫描需要完成大量仿真、过于耗时的问题,提出了基于图卷积网络的快速动态安全分析方法。该方法基于电力系统的潮流特征和拓扑特征构建电力系统潮流特征图。利用图卷积方法对电力系统运行状态进行特征挖掘与特征学习,将动态安全评估问题建模为图上节点分类问题。所得模型在读取电网拓扑与潮流运行状态后,仅须完成一次前向计算即可同时给出预想事故集中多个预想事故的稳定性预测结果,无须依赖仿真波形或量测数据,实现快速暂态稳定预想事故扫描。IEEE39节点系统算例测试表明,算法设计正确、高效、准确率高,能够显著提高暂态稳定预想事故扫描的效率,实现快速动态安全评估。     

大容量风电场对电力系统小干扰稳定和阻尼特性的影响

建立了异步风力发电机组的小干扰稳定数学模型，研究了风电场接入电网后电力系统的小干扰稳定分析方法并实现了其工程应用。通过对含有大容量高比例风力发电的实际电网的计算分析表明，风电场的运行状态对电网的低频振荡模式和振荡特性有一定影响。风电机组出力的变化，使网内常规机组的运行方式发生变化，从而导致一些局部振荡模式出现或消失。网内和网间各大机群间的振荡模式没有发生变化，但振荡特性发生变化，且增加了与风电场强相关的振荡模式，这些振荡模式一般具有较好的阻尼特性。     

基于时序特征的图卷积协同过滤推荐算法

基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素。因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中。在三个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于图卷积网络的配电网无功优化

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能。为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法。通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系。仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法,且求解时间远低于传统的启发式算法,可以满足配电网无功优化实时性的需求。     

基于随机森林算法的电力系统小干扰稳定评估校正

区域电网的互联互通使电网结构日趋复杂，弱阻尼模式引发的低频振荡会影响系统安全稳定运行，对电力系统小干扰稳定带来了严峻挑战。针对常规小干扰稳定评估方法计算复杂度高、不能满足实时分析需求的问题，提出基于随机森林算法的小干扰稳定评估校正方法。首先，利用随机森林算法建立发电机有功、无功出力，负荷的有功、无功功率和支路功率等数据与最小阻尼比之间的映射模型，得到基于随机森林算法的小干扰稳定评估模型；然后，对发电机参数进行微小摄动，放入随机森林模型中算出最小阻尼比的变化，用数值分析法得到发电机阻尼比灵敏度；接着，建立系统弱阻尼状态下发电机阻尼比的优化模型，优化调整发电机有功出力；最后，在IEEE-9节点系统和某区域615节点系统中进行仿真验证。仿真结果表明，所提模型能够准确估算出系统运行的最小阻尼比和近似阻尼比灵敏度，将系统的最小阻尼比校正到0.03以上，消除弱阻尼状态，使系统恢复稳定运行。