基于拓扑自适应电压动态特征与域迁移的深度学习短期电压稳定评估方法

《Journal of Modern Power Systems and Clean Energy》：Deep-Learning-Based Short-Term Voltage Stability Assessment with Topology-Adaptive Voltage Dynamic Feature and Domain Transfer

为解决电力系统拓扑变化下短期电压稳定评估的挑战，研究人员开展了基于拓扑自适应电压动态特征和微调域迁移的深度学习STVS评估研究。通过构建融合时空特征的电压动态特征，结合CNN模型和迁移学习技术，在New England 39节点系统中实现了99.65%的预测精度，显著提升了系统拓扑适应性评估性能。

　　

随着可再生能源大规模并网和电力电子设备广泛应用，现代电力系统正面临日益严峻的短期电压稳定挑战。2016年南澳大利亚大停电事件警示我们，由故障引发的短期电压失稳可能导致灾难性后果。传统基于时域仿真和能量函数的方法因计算复杂难以满足实时评估需求，而现有数据驱动方法又难以适应系统拓扑变化带来的挑战。当输电线路因计划检修或突发故障投切时，系统拓扑结构改变会使预训练的评估模型失效，如何实现拓扑自适应的实时稳定评估成为行业痛点。

针对这一难题，西安交通大学陈欣团队在《Journal of Modern Power Systems and Clean Energy》发表研究，创新性地提出融合拓扑自适应电压动态特征与微调域迁移的深度学习评估框架。该研究通过重构电压稳定特征表征方式，将系统拓扑信息嵌入动态特征提取过程，使模型具备应对拓扑变化的泛化能力。

研究团队采用四个关键技术方法：首先基于无功功率流方程构建电压动态特征，将相量测量单元(PMU)时序数据转化为包含拓扑信息的特征矩阵；其次设计四层卷积神经网络(CNN)架构，通过卷积层、批归一化层和全连接层实现特征提取；然后采用滑动窗口技术处理实时数据流，优化特征时序建模；最后引入微调域迁移策略，利用少量目标域数据适配拓扑变化场景。

电压动态特征构建

通过推导节点无功功率平衡方程，建立负载矩阵L_s表征系统拓扑关联，定义时间依赖的电压稳定指标Δ_t = L_s^-1(q_L)_t。该特征融合了拓扑结构参数与实时电压数据，形成既能反映时空模式又具备物理可解释性的特征表示。

CNN模型设计

网络包含四个卷积层，采用ReLU激活函数和批归一化处理。卷积核执行线性运算h_ij = f(∑_c=0^C-1∑_d=0^D-1 G_i+c,j+dφ_cd+b)，通过特征映射实现稳定状态分类。

域迁移机制

如图2所示，预训练模型通过微调策略迁移至拓扑变化场景。仅需1000个目标域样本即可实现99.50%的评估精度，显著优于重新训练方案。

N-1故障场景验证

在New England 39节点系统中，模型对三相短路故障的评估精度达99.65%，优于ELM-RVFL集成学习(99.36%)等方法。当数据量降至5000样本时仍保持98.85%的准确率，窗口尺寸0.8秒时性能最优。

鲁棒性测试

添加高斯噪声(电压幅值σ=0.3 p.u.，相角σ=1.5°)后精度仅下降0.44%；5%数据缺失场景下仍保持99.39%准确率。在IEEE 145节点系统中实现96.60%精度，证明模型泛化能力。

拓扑变化适应性

针对单回线(G1-G6)和双回线(G7-G12)断开场景，微调迁移后的模型在多数数据集达到99%以上精度。如图4-6所示，电压动态特征能清晰区分稳定与失稳状态模式，为域迁移提供有效特征基础。

该研究通过物理信息嵌入与迁移学习创新，实现了拓扑变化场景下的精准稳定评估。所提特征构造方法将系统导纳矩阵等拓扑参数融入特征学习，使模型具备物理可解释性；微调策略仅需少量新拓扑样本即可完成模型适配，极大提升工程实用价值。未来可进一步研究高比例新能源接入场景下的适应性，推动电力系统稳定评估向自适应、可解释方向发展。