Oct, 2023

基于 Transformer 架构的深度学习用于电力系统短期电压稳定性评估 —— 类别不平衡

TL;DR现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而,在实际应用中,干扰后出现短期电压不稳定的情况很少,导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战,本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构,提出了一种稳定性评估 Transformer (StaaT) 作为分类模型,反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响,本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成,帮助创建一个平衡且代表性的训练集用于分类器。此外,还实施了半监督聚类学习来提高聚类质量,解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性,并且即使增加了可再生能源的渗透,方法的有效性仍然保持一致。比较结果表明,CWGAN-GP 生成的数据集更平衡,而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案,适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。