一种基于不平衡残差信息学习的暂态电压稳定评估方法

1.一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，包括以下步骤：S1.搭建目标电力系统对应的目标电力系统仿真模型；S2.对目标电力系统仿真模型进行暂态电压时域仿真，得到 M 个时域仿真结果，并根据时空图构建方法，分别构建每个仿真工况下目标电力系统仿真模型所对应的时空图模型 G ，同时针对 M 个时域仿真结果分别对系统状态 S 进行电压稳定或失稳标定，基于 M 个标定结果和时空图模型 G 构建暂态时域仿真样本集，记为 ；S2的具体内容包括：对目标电力系统仿真模型进行暂态电压时域仿真，结合系统历史运行方式及故障设置来模拟电网在各种典型运行条件下的电压稳定性，得到总数量为 次的时域仿真结果；在每次时域仿真结束后，记录目标电力系统的物理邻接矩阵 及故障发生后对应监测节点上观测时间窗口长度为 的时序演化特征 ，包括 个观测时间窗口长度下的电压幅值 、有功功率 和无功功率 ，并根据实际电力系统采用的暂态电压稳定工程判据对本次仿真结果进行系统状态 标定，其中 表示本次时域暂态仿真的电力系统状态结果为电压失稳， 表示仿真的电力系统状态结果为电压稳定；基于 M 个标定结果和时空图模型 G 构建输入样本集记为 ，其中， ；S3.构建Focal-Loss损失函数，通过计算暂态时域仿真样本集的稳定和失稳类别权重因子 和设置用于样本分类的调整因子 得到用于训练残差时空图卷积神经网络模型学习样本类别不平衡的Focal-Loss损失函数；S4.构建残差时空图卷积神经网络模型，通过残差时空图卷积神经网络模型对暂态时域仿真样本集进行时空特征学习，得到暂态电压状态的预测结果；S5.根据目标电力系统的实际暂态电压状态结果判断预测结果是否正确，若不正确，则对残差时空图卷积神经网络模型进行下一轮训练，直至满足预设的时空特征学习的性能评估指标阈值，得到训练好的残差时空图卷积神经网络模型；S6.通过训练好的残差时空图卷积神经网络模型进行电力系统暂态电压稳定评估。 2.根据权利要求1所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，S2中时空图构建方法的具体内容包括：根据时空图构建方式，构建第 k 个时域仿真样本观测时间窗口长度为 下目标电力系统的物理拓扑结构所对应的图模型 G ，并得到最终时空图模型 ；将观测时间窗口下目标电力系统中的第 个监测节点被表示为图模型中的顶点 ，记作 X 且 ， N 为监测节点数目，第 个监测节点与第 个监测节点之间的连接关系作为图模型中的边 ，集合所有的 表示为拓扑邻接矩阵，记作 A 且 ，其中第 k 个样本观测时间窗口长度为 下目标电力系统的物理拓扑结构所对应的图模型 ；在任意监测节点 上获取节点时序数据，若存在连接记为 ，否则记为 ；最终构建最终时空图模型 来表征目标电力系统的暂态响应数据在时空维度上的动态特性。 3.根据权利要求1所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于， M 为发电机、新能源出力和负荷消耗的典型运行水平数、暂态运行动态负荷占比数和典型故障扰动数的乘积。 4.根据权利要求1所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，S3中Focal-Loss损失函数具体包括：计算暂态时域仿真样本集的稳定和失稳类别权重因子 和设置用于样本分类的调整因子 ；类别权重因子 根据正样本和负样本的数量比例来设置：将暂态时域仿真样本集失稳样本作为正样本，将暂态时域仿真样本集稳定样本作为负样本；假设正样本的数量为 c ，负样本的数量为 d ，总样本数量为 M = c + d ，则对于失稳样本的权重比例 ，对于稳定样本的权重比例 ；调整因子 用于控制对样本分类的损失权重降低程度，同时增强残差时空图卷积网络模型对难评估样本的关注： ；基于类别权重因子 和调整因子 的设置，Focal-Loss损失函数为： ；其中， 为残差时空图卷积网络模型对样本的预测概率，对于失稳样本 ，对于稳定样本 。 5.根据权利要求1所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，S4中残差时空图卷积神经网络模型具体包括：残差时空图卷积模块和全连接分类模块；残差时空图卷积模块包括空间图卷积层、时序卷积层和残差卷积层；空间图卷积层，用于获取输入样本集中任意时空图输入样本，并对电力系统拓扑邻接矩阵 进行空间特征挖掘，并实现电力系统拓扑图上邻居节点时序信息向中心节点的特征聚合，输出空间特征 ；时序卷积层，用于在时间维度上进一步对 进行卷积运算，实现暂态电压响应数据的时空特征提取，输出时序特征 ；残差卷积层，用于对 进行卷积运算，输出残差特征 并保持与时空图输出特征 维度一致；全连接分类模块，用于对残差特征 和时空特征 进行融合，并通过线性层对融合后特征进行降维，进一步提取用于分类暂态电压稳定与不稳定的高维特征，通过softmax激活函数将高维特征转换为概率分布完成短期暂态电压稳定状态空间的映射，实现系统暂态电压稳定或失稳评估。 6.根据权利要求5所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，空间图卷积层输出空间特征 的具体内容包括：对目标电力系统拓扑邻接矩阵 进行度矩阵 转换，转换方法为： ；式中， 为度矩阵中第 行第 列的元素；基于单位矩阵 和度矩阵 ，进一步利用拉普拉斯图转换公式对电力系统拓扑结构矩阵 进行空间特征挖掘，其中，拉普拉斯图转换公式为： ；其中， 为单位矩阵；度矩阵 用于表示图模型中每个顶点的度数，其度数为电网邻接矩阵上每个节点与其他节点相连的个数；对目标电力系统拓扑邻接矩阵 进行空间特征挖掘，基于求解公式 得到目标电力系统拓扑邻接矩阵 的标准正交特征向量 和空间特征值矩阵 ，利用图节点信息聚合公式实现电力系统拓扑图上邻居节点时序信息向中心节点的特征聚合，其中，图节点信息聚合公式为： ；式中， 为图卷积核， 为图矩阵节点观测时间窗口长度 的时序演化特征。 7.根据权利要求1所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，时序卷积层输出时序特征 的具体内容包括： ；其中，ReLU为非线性激活函数， 为卷积核参数， 为卷积运算操作。 8.根据权利要求5所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，全连接分类模块通过线性层对融合后特征进行降维，进一步提取用于分类暂态电压稳定与不稳定的高维特征，通过全连接分类公式将高维特征转换为概率分布 ，完成短期暂态电压稳定状态空间的映射，实现系统暂态电压稳定状态评估，其中全连接分类公式为： 。 9.根据权利要求5所述的一种基于不平衡残差信息学习的暂态电压稳定评估方法，其特征在于，S5的具体内容包括：选择准确率和错判率作为残差时空图卷积神经网络模型进行时空特征学习的性能评估指标，其中准确率Acc用于反映残差时空图卷积神经网络模型的整体性能，错判率MAR则反映失稳样本被残差时空图卷积神经网络模型误判为稳定的概率，准确率越高并且错判率越低，则残差时空图卷积神经网络模型评估性能越好；记本轮训练残差时空图卷积神经网络模型评估所有暂态时域仿真样本为正确的总数 、评估失稳样本为失稳的总数 以及评估失稳样本为稳定的总数 ，并计算残差时空图卷积神经网络模型的暂态稳定评估准确率和错判率，计算方法为： ；若所有暂态时域仿真样本集使用残差时空图卷积网络模型判别的准确率和错判率达到预设的性能评估指标阈值，则得到训练好的残差时空图卷积神经网络模型；若未达到，则重新对残差时空图卷积神经网络模型进行时空特征挖掘训练。