基于共享特征提取的自适应电力系统暂态稳定评估方法：突破传统局限，助力电网安全稳定运行

《iScience》：An adaptive power system transient stability assessment method based on shared feature extraction

为解决电力系统暂态稳定评估（TSA）受场景变化影响的问题，研究人员提出新方法，显著提升模型性能与适用性。

　　在当今能源转型的大背景下，电力系统规模不断扩大、复杂性日益增加，这对其安全稳定运行提出了严峻挑战。快速且可靠的暂态稳定评估（Transient Stability Assessment，TSA）成为现代电力系统的关键需求。传统的 TSA 方法，如基于能量函数的直接法和时域仿真法，都存在各自的缺陷。直接法在应用于复杂大电网时计算误差较大，而时域仿真法计算速度慢且硬件要求高，难以满足现代大电网的需求。

随着电网广域测量系统的广泛发展以及机器学习（Machine Learning，ML）技术的兴起，ML 在 TSA 中的应用越来越多。然而，基于 ML 的 TSA 模型面临着一个重要问题：由于电力系统运行场景多变，训练数据集无法涵盖所有可能的场景变化，导致模型在未见过的场景下性能下降。例如，当系统的运行场景发生变化时，原本训练好的模型可能无法准确评估系统的暂态稳定性，这极大地影响了模型的适应性。为了解决这些问题，来自长沙供电分公司、华北电力大学、密歇根大学、中国电力科学研究院的研究人员 Jiexiang Hu、Le Zheng、Wei Ai 等人开展了深入研究，并将成果发表在《iScience》上。

研究人员提出了一种基于共享特征提取的鲁棒且可转移的自适应 TSA 方法。该方法利用域对抗对齐网络训练共享特征提取器，能够有效对齐系统变化前后的数据，从而捕捉关键的稳定特征。在研究过程中，用到了几个主要关键的技术方法。首先是构建共享特征提取框架，该框架包含特征提取器、标签分类器和域判别器，通过对抗训练实现数据对齐和特征提取。其次，设计了适用于电力系统数据特点的特征提取网络，结合卷积神经网络（Convolutional Neural Network，CNN）和长短期记忆网络（Long Short-Term Memory，LSTM），充分考虑了电力系统数据的特征相关性和时间序列特性。此外，采用自适应交叉熵损失函数来处理样本不平衡问题，以提高模型的预测性能。

研究人员对所提方法进行了多方面的测试。在性能测试方面，通过对共享特征提取器的训练，发现其能够有效区分源域和目标域的稳定与不稳定样本，且在训练过程中，源域和目标域的预测准确率不断提高，最终均达到较高水平。例如，在目标域的预测准确率在训练 100 轮后达到 98.18%，源域达到 98.73%。同时，动态对抗因子能够自适应地衡量源域和目标域之间的分布差异，在不同初始值下都能快速收敛到合适的值。在与其他方法对比测试中，结果表明该方法在更新模型时所需的目标域样本数量最少，仅需 5% 的样本量就能达到 96% 的准确率，而其他方法如 Retain、Fine-tune、Kernel mean matching（KMM）和 Transfer component analysis（TCA）则需要更多的样本量。

在可解释性分析方面，以目标域 T1 中的一个特定故障样本为例，利用局部可解释模型无关解释（Local Interpretable Model-Agnostic Explanations，LIME）算法对模型评估结果进行分析。发现经过对抗训练更新后，模型对该样本的稳定性评估从错误变为正确，且前五大加权特征对模型预测的影响方向也从错误变为正确。进一步分析这些特征对应的发电机发现，更新后的模型中前五大加权特征中有四个对应于靠近故障位置的发电机的电气量，这表明对抗训练有效地更新了模型的特征提取和预测能力。

在可持续学习能力、泛化性和鲁棒性测试中，研究人员构建了模拟电力系统运行场景实时更新的数据集。结果显示，传统的微调方法在场景更新时性能持续下降，而所提方法能够实现无遗忘更新，在连续变化的场景中表现出强大的可持续学习能力，准确率始终保持在 97.99% 以上。在泛化性方面，所提方法训练的 TSA 模型在未学习过的新系统上也能保持较高的准确率，如在系统 T2 和 T3 上的准确率分别达到 99.38% 和 95.85%，显著优于基于基本结构训练的模型。在鲁棒性方面，当目标域数据缺失高达 30% 时，所提方法仍能实现可靠的 TSA，准确率超过 96%，而其他方法在这种情况下则不再适用。

在对 2179 节点省级电力系统的大型系统测试中，结果同样验证了所提方法的有效性。该方法的特征提取器架构优于常用的 CNN 和 LSTM 结构，在目标域 T1 中，更新后的模型准确率从 85.60% 大幅提高到 96.39%，在源域 S0 中，预测准确率也从 97.97% 提升到 98.28%。

研究结论表明，该基于共享特征提取的自适应 TSA 框架具有诸多优势。它能够在系统运行场景变化时，同时转移数据和模型知识，自适应地测量数据分布差异，并通过对抗训练有效更新模型，降低了 TSA 模型更新时对标记数据质量和数量的要求，显著提高了模型的泛化性、鲁棒性和可持续学习能力。不过，该研究也存在一定的局限性，目前主要聚焦于 TSA 状态预测，尚未涉及预测稳定裕度这一重要应用。但研究人员表示，对现有框架进行适度修改，如调整训练数据标记系统和模型输出，就能够实现稳定裕度预测。未来还可进一步探索将 TSA 与安全控制策略相结合，以提升其实际应用价值。总的来说，这项研究为电力系统暂态稳定评估提供了新的思路和方法，对保障电网的安全稳定运行具有重要意义。