基于混合门控循环单元子层的多任务暂态稳定评估

2022-02-17孙黎霞彭嘉杰田屹昀陈欣凌袁欢

电力建设 2022年2期

孙黎霞，彭嘉杰，田屹昀，陈欣凌，袁欢

(河海大学能源与电气学院，南京市 211100)

0 引言

在碳中和、碳达峰的目标下，近年来多种新型能源类型与新型设备以多种方式接入电网；电力系统中可再生能源和电力电子设备占比的增加，电力系统呈现高比例可再生能源和高比例电力电子设备的“双高”特性；“双高”特性使得电力系统暂态过程更加复杂，增加了系统运行风险[1-3]。因此，快速准确的电力系统暂态功角稳定和暂态电压稳定评估对于电力系统安全稳定运行具有重要意义。

传统的时域仿真法存在建模难度大、计算速度慢等缺点，难以满足实际需求。而基于数据驱动的暂态稳定评估可以采用机器学习或深度学习方法，利用电力系统稳态和故障后的量测数据实现快速、准确的暂态功角稳定评估和暂态电压稳定评估。

但在过去的相关研究中，通常独立研究电力系统暂态功角稳定和暂态电压稳定评估问题。文献[4]利用变分自编码和卷积神经网络降低了噪声对暂态稳定评估的影响；文献[5-7]分别利用一维卷积神经网络和长短期记忆神经网络提取量测数据的时序特性进行暂态功角稳定评估。文献[8]采用Catboost方法提高暂态电压稳定评估的计算准确率和计算效率；文献[9]通过Shapelet方法提取暂态数据的特征表示从而实现暂态电压稳定评估；文献[10]采用随机森林实现电压稳定评估。以上研究均取得了良好效果，但电力系统暂态功角稳定和暂态电压稳定存在一定内在联系，往往在大扰动过程中相伴出现并难以完全区分[11]。

而单任务学习会阻断任务间的相互联系，浪费计算和存储资源；多任务学习则可以同时实现多个评估任务，在训练过程促进任务间的信息共享，有利于获得更好的评估性能[12]。因此利用多任务学习建立评估模型不仅可以节省计算、存储资源，还可以获得更好的模型性能。但不同评估任务间具有相似性和差异性。当任务相近时可以忽略差异性的影响，如文献[13-14]利用硬参数共享实现了暂态稳定性判断和功角离群发电机识别的多任务评估。但暂态功角稳定和电压稳定本质上是两类稳定性问题，而硬参数共享依赖相同特征表示完成不同评估任务。这导致任务间差异性会对模型性能产生一定负面影响[15]。

电力系统暂态过程具有明显的时序特性，而门控循环单元(gated recurrent unit, GRU)具有高效提取数据中时序特征的能力[16]。本文提出基于混合GRU子层的多任务暂态稳定评估模型。该模型利用多个GRU子层提取量测数据的时序特征，并引入门控机制自动调节各个子层在不同评估任务中的权重，实现面对不同任务时灵活的特征共享，既保留任务间相似性的积极影响，又削弱任务间差异性的负面影响。本文在IEEE 39节点测试系统及其修改系统中进行测试，结果表明本文提出模型具有更好的评估性能和计算速度。

1 多任务学习方法

1.1 门控循环单元

循环神经网络对于时序特性具有良好特征提取能力，本文利用GRU进行电力系统量测数据时序特性的提取。GRU是在传统长短期记忆网络(long short-term memory，LSTM)的基础上简化而来，减少了LSTM内部复杂的门控机制，仅具有更新门和重置门。在保持良好时序特征提取能力的同时，提高了计算效率。

更新门决定了前一时间步的特征记忆保存到当前时间步的信息量；而重置门决定了如何将当前时间步的新输入信息与前一时间步的特征信息相结合。GRU的单元结构如图1所示。

图1 门控循环单元的结构Fig.1 Structure of a gated recurrent unit

GRU内部各变量的计算关系为：

rt=σsigmoid(Wrxt+ht-1Wr+br)

(1)

zt=σsigmoid(Wzxt+ht-1Wz+bz)

(2)

(3)

(4)

电力系统在遭遇大扰动时，暂态动态响应过程中的各电气量具有明显时序特性。系统稳定和失稳时的稳态至故障切除时刻的电气量测数据具有明显差异。本文将包含时序特性的电气量测数据作为模型输入，利用GRU进行高效特征提取，并将提取得到的时序特征用于后续的评估任务。

1.2 基于混合GRU子层的多任务学习

过去相关研究中，通常基于量测数据独立分析电力系统暂态功角稳定问题和暂态电压稳定问题；但电力系统经大扰动后，二者往往同时存在，难以完全区分。并且，二者之间具有一定内在联系和差异[17]。同一组量测数据中既蕴含着说明暂态功角稳定性的相关信息，还包含着体现暂态电压稳定性的相关内容。单任务学习模型无法充分利用量测数据的内在信息，隔绝了两种稳定性评估任务之间的内在联系。又考虑暂态功角稳定和暂态电压稳定问题之间同时存在一定差异性。常规的硬参数共享多任务学习方法如图2所示，其采用单一共享特征进行多个任务的评估，会受到任务间差异性影响，影响模型评估性能。

图2 硬参数共享多任务学习Fig.2 Hard parameter shared multi-task learning

混合子层的多任务学习方法，通过建立多个子层实现多种特征表示的提取，并引入门控机制自动调节各个特征在不同评估任务中的占比从而建立共享特征，实现灵活的特征共享。假设共有N个子层进行特征提取，则共享特征为：

(5)

式中：y为混合子层输出的共享特征；fGate，n为第n个门控机制的输出值；fn为第n个子层的特征提取结果。

fGate=fsoftmax(WGatex+bGate)

(6)

式中：fsoftmax为门控机制的输出，为n×1的向量；x为输入特征；WGate为门控机制中的权重矩阵；bGate为门控机制中的偏差向量。fsoftmax的表达式为：

(7)

式中：zj为全连接层的第j个神经元的输出值。

1.3 全连接层

全连接层与前一层全部直接相连，其表达式为：

z=xlWl+bl

(8)

式中：xl为第l层全连接层输入；Wl为第l层全连接层权重；bl为第l层全连接层偏差。

2 多任务暂态稳定评估模型

2.1 多任务暂态稳定评估模型的构建

本文将暂态功角稳定作为任务一，暂态电压稳定评估作为任务二，利用GRU层、GRU子层、门控机制、全连接层和分类器构建基于混合子层的多任务暂态稳定评估模型，简称为混合子层多任务模型，其结构如图3所示。

图3 混合子层多任务模型Fig.3 Multi-task learning with multi-gate mixture-of-expert

首先利用GRU层进行时序特征提取，通过GRU子层和门控机制实现针对不同任务的灵活特征共享并将其输入至全连接层进行分类，同时实现暂态功角稳定和暂态电压稳定评估。假设系统节点数为m，本文提出模型需要调节的模型参数有：GRU层数和神经元数；GRU子层数量n和神经元数；门控机制中全连接层层数为1，神经元数量为n，其输出值分别对应各个子层在构建共享特征时的所占权重；评估任务一中全连接层数为2，激活函数为Softmax，用于评估暂态功角稳定状态；评估任务二中全连接层神经元数等于系统节点数m，激活函数为Sigmoid，用于评估每个节点的电压状态。

2.2 混合GRU子层多任务模型的评估和测试流程

模型评估和测试流程如图4所示。

1) 生成数据集。数据集对于基于数据驱动的暂态稳定评估至关重要，通常利用电力系统量测系统实测数据或仿真数据建立数据集。数据集中的特征选取同样十分关键，本文根据参考文献[18]，选择稳态、故障发生时刻、故障切除时刻的节点电压幅值和相角作为特征量。

2) 数据贴标。任务一根据暂态稳定指数(transient stability index, TSI)进行贴标，TSI为：

(9)

式中：Δδmax为仿真时长内任意2台发电机功角差值的最大值；η>0则认为系统稳定，η<0则认为系统失稳,分别标记为1和0。

针对任务二，本文采用暂态电压稳定实用判据：母线节点电压在故障后低于0.75 pu的时间不超过1 s[19]。将满足该条件的节点视为稳定节点标记为1，不满足的节点视为失稳节点标记为0，每个样本得到1×m维的标签。

3) 数据预处理。不同数据的量纲往往不同，为避免不同量纲下数值差异过大带来模型训练困难的问题，需要对数据进行归一化处理。本文采用min-max方法进行归一化处理：

(10)

4) 模型训练。首先确定模型参数，损失函数选择交叉熵损失函数，使用Adam优化器，采用Dropout防止过拟合，利用Mini-batch加快计算速度[20-21]。训练至满足精度需求，若不满足则调整模型参数重新训练。

5) 模型评估。将测试数据或在线运行数据输入至训练好的模型进行评估，获得系统暂态功角稳定和暂态电压稳定状态。

图4 多任务模型评估流程Fig.4 Process of multi-task model evaluation

2.3 模型性能评价指标

任务一采用准确率、F1值(F1)、FPR(false positive rate)衡量评估性能，计算方法分别为：

(11)

(12)

(13)

式中：TP和FN分别表示稳定样本中被正确和错误评估的数目；TN和FP分别表示失稳样本中被正确和错误评估的数目。

任务二采用杰卡德系数衡量失稳节点评估集合与真实集合之间的差距，其计算方式为：

(14)

式中：S1为真实失稳集合；S2为多任务模型输出的失稳集合。

3 仿真算例

算例分析采用IEEE 10机39节点系统，利用Tensorflow和Keras搭建本文提出的混合子层多任务模型[22-24]。计算平台配置为Intel Core i5-6300HQ CPU/8.00 GB RAM/ GTX 960M。

3.1 数据集生成

系统中发电机采用6阶模型，负荷模型采用由50%感应电动机和50%恒阻抗负荷组成的混合负荷模型。负荷水平在70%～140%之间，并响应调整发电机出力。在不同负荷水平下分别在每一条线路设置三相短路故障，故障持续时间分别持续0.1～0.2 s。共生成18 360个样本。将 12 301个样本作为训练集，其余6 059个样本作为测试集。

3.2 模型性能评价指标

确定模型参数：GRU层数量为3，各层神经元为200、400、200；GRU子层数量为4，每个子层神经元数量为100。训练过程中Dropout设为0.2；初始学习速率为0.01，每15轮减少一半的学习速率。将训练得到的模型与硬参数共享的多任务模型、GRU、Bi-LSTM、卷积神将网络(convolutional neural networks, CNN)、深度神经网络(deep neural networks, DNN)、支持向量机(support vector machine, SVM)、随机森林(random forest, RF)单任务模型进行对比，其结果如表1所示。由表1可知，本文提出的混合子层多任务模型相对于常规硬参数多任务模型性能更好；并且相较于其他单任务模型在计算速度和评估精度方面的表现均更加优异，准确率和杰卡德系数最高分别提升了1.1%和1.6%。

为验证混合子层多任务模型的特征提取能力，利用T-SNE降维可视化模型的特征提取结果，如图5所示。由图5可知，本文提出的混合子层多任务模型具有较强的特征提取能力，在经过GRU特征提取后稳定样本和失稳样本之间逐渐出现明显的分界线。

表1 暂态稳定评估结果Table 1 Transient stability assessment results

图5 特征提取效果Fig.5 Feature extraction effect

为验证本文提出模型中门控机制的有效性，将测试样本输入模型，门控机制为不同任务输出的子层权重值如图6所示。由图6可知，对于同一样本，门控机制自动为任务一和任务二分配了不同的子层权重，实现了灵活的特征共享，验证了混合子层多任务学习方法的有效性。

图6 门控机制输出结果Fig.6 Result of gating mechanism

3.3 含新能源系统中的性能评估

为验证本文提出模型在含新能源系统中的有效性，将IEEE 39节点中的部分同步发电机组替换为风力发电机，具体替换方式如表2所示。

系统负荷水平和发电机出力变化范围为90%～120%，在各条线路上设置三相短路故障，故障持续0.1～0.2 s。共生成4 896组数据，其测试结果如表3所示。

3.4 模型鲁棒性测试

为验证本文提出模型的鲁棒性，在3.1节的原始数据中分别加入信噪比为50、30、10 dB的高斯白噪声，对比不同模型在噪声影响下的准确率和杰卡德系数，其结果如表4所示。由表4可知，在50 、30 dB噪声环境下，噪声对模型性能影响较小，本文提出模型的准确率和杰卡德系数最多分别下降了0.8%和1.0%，而其他模型下降在1.2%～2.4%之间；在10 dB环境中，噪声影响较大，本文提出模型性能虽然优于其他模型，但性能下降也较为明显。因此，总体来看本文提出模型相较其他方法具有更好的鲁棒性，但在高噪声环境中的鲁棒性仍有待提高。