基于多任务主动迁移学习的混合图卷积网络-Transformer模型在缺失数据和未知故障下电力系统暂态稳定控制中的应用

推荐：针对电力系统中紧急甩负荷(ELS)面临的缺失数据和未知故障挑战，研究人员提出了一种结合条件表格生成对抗网络(CTGAN)和混合图卷积网络-Transformer(GCN-Transformer)的多任务学习框架。该模型通过CTGAN实现缺失数据重建，利用GCN-Transformer同步处理最优甩负荷预测，并采用主动迁移学习(ATL)快速适应新故障场景。在IEEE 39总线系统测试中，模型平均绝对百分比误差(MAPE)低至1.74%，有效提升系统在数据缺失和未知故障下的鲁棒性。

　　

电力系统作为现代社会的命脉，其稳定性直接关系到经济和社会安全。近年来，随着可再生能源大规模并网和电力需求激增，系统运行日益接近稳定极限。2016年南澳大利亚和2021年得克萨斯州的大停电事件警示我们：当系统遭遇短路等故障时，若预防措施失效，紧急甩负荷(ELS)将成为防止系统崩溃的最后防线。然而，现有数据驱动的ELS方法存在两大致命缺陷：一是假设PMU(同步相量测量单元)数据始终完整可用，而实际中通信中断、设备故障常导致关键数据缺失；二是训练模型仅针对已知故障，当遭遇新型故障时性能急剧下降。这些问题严重削弱了操作人员对人工智能决策的信任，阻碍了数据驱动方法在真实电力系统的应用。

为破解这些难题，Shahid Beheshti大学的研究团队在《Results in Engineering》发表创新成果，提出融合多任务学习、主动迁移学习和混合深度学习架构的解决方案。研究采用条件表格生成对抗网络(CTGAN)重建缺失的PMU数据，其生成器与判别器的对抗训练可精准学习数据分布特征；设计混合GCN-Transformer模型，其中GCN层捕捉母线局部拓扑特征，Transformer层通过自注意力机制(Self-attention)捕获远距离母线关联；引入基于蒙特卡洛Dropout的主动学习策略，从海量未标注数据中筛选信息量最大的样本，结合部分微调(PFT)技术实现小样本快速迁移。

关键技术包括：1) 基于TLBO(教学优化算法)生成包含3960个样本的基准数据集；2) 多任务学习框架联合优化CTGAN的Wasserstein-GP损失和GCN-Transformer的MSE损失；3) 采用Monte Carlo Dropout量化预测不确定性，指导信息样本选择；4) 在IEEE 39/118总线系统验证泛化能力。

模型性能验证

在完整数据测试中，GCN-Transformer的MAPE(1.74%)显著优于传统GCN(2.15%)和CNN(2.27%)，其成功防止系统崩溃的有效率(ER)达99.74%。当6个PMU数据缺失时，CTGAN重建使MAPE从19.12%降至2.23%，证明数据补全的关键作用。

可再生能源适应性

在30%风电渗透率下，模型MAPE仅增至1.97%，ER保持在99.35%，显示其对低惯量系统的强适应性。

未知故障处理

针对母线4/14/16的新型故障，主动迁移学习仅需450个标注样本即可将MAPE从14.54%降至1.78%，更新耗时(331分钟)仅为传统方法的21.8%。

拓扑变化影响

研究同时揭示模型局限：当断开关键线路(如25-26)时，MAPE升至8.15%，表明拓扑变化仍需特定更新机制。

该研究通过三大创新推动领域发展：首创CTGAN解决PMU数据缺失难题，设计混合架构提升特征提取能力，开发高效更新策略应对未知故障。实验证明模型在IEEE 118总线系统同样有效，MAPE稳定在2.28%(7个PMU缺失时)。未来结合元学习(Meta-learning)应对拓扑变化，有望实现"即插即用"型智能稳定控制系统，为构建弹性电网提供关键技术支撑。