考虑注意力机制的CNN-LSTM高渗透风电并网暂态电压稳定性研究

张红颖，贾一超，汪江志，张巍

（1.中国电力科学研究院有限公司，江苏 南京 210037；2.上海理工大学机械工程学院，上海 200093）

0 引言

在低碳绿色发展的背景下，风能作为一种清洁能源，其资源量和环境友好的特性具有化石能源无法比拟的优势。风能必将逐步成为化石能源的替代品，为实现“双碳”目标和促进国民经济低碳绿色发展提供坚实的保障[1]。风电的装机容量在电力系统中的占比不断提高，风能的间断性和随机性，以及不同风电机组间的强耦合和非线性特性，使得风电并网系统的运行条件和特性较传统火电并网系统更加复杂，对电力系统暂态电压稳定性带来了严重挑战[2]。

20世纪80年代末，机器学习方法逐步在电力系统暂态稳定评估问题中得到推广使用。随着广域测量技术的发展和人工智能技术的成熟，基于人工智能的方法为大电网数据的智能分析提供了新的途径。已有相关研究采用神经网络进行暂态稳定评估，导致大量信息浪费。研究人员针对如何最大限度地发挥单一神经网络的优势，提高人工智能暂态稳定评估方法的实用性展开了大量研究。文献[3]基于BP神经网络模型，利用故障前后采集的传统物理量和与风电场相关的物理量，作为输入特征量进行监督学习，该模型最终可应用于评估风电并网系统的暂态电压稳定性。文献[4]提出了一种基于grcForest模型的方法，用于风电并网系统的暂态电压稳定性评估。尽管这种方法在提高评估准确性和速度方面有一定改进，但仍须要进一步优化。文献[5]提出了一种基于一维卷积神经网络的暂态电压稳定性评估方法，该方法利用卷积神经网络提取特征，通过输入特征和评估结果之间的映射关系来建立评估模型。文献[6]提出了一种基于时间卷积网络和图注意力网络的方法用于暂态稳定性评估，该方法利用图注意力网络处理图数据，并建立电网拓扑连接关系，以提取空间特征和时间特征，在不完全配置条件下，图注意力网络的泛化能力较弱。已有研究大多关注系统暂态功角稳定性评估，对于暂态电压稳定性评估研究还不够充分，涉及到高比例风电接入的暂态电压稳定性评估的研究更加匮乏，同时大多数研究都只停留于暂态稳定性评估，并未提出相应的改进措施[7，8]。

电网电压发生骤降时，采用风电暂态电压主动支撑技术可以支撑电网电压[9]，确保风电机组及风电场在低电压穿越时不脱网。然而，改变系统结构参数以限制电压降落的成本高昂，而且会影响并网系统的稳定运行。此外，电抗器、高阻抗变压器等设备接入会增加系统网损，从而对系统的稳定性产生不利影响[10]。使用故障电流限制器是解决风电系统故障电压越限问题的有效方案，该装置可以显著提高风电机组的低电压穿越能力，并为双馈风电暂态电压主动支撑技术的应用提供有力保障[11]。

为进一步评估系统受扰后的暂态稳定性，本文基于注意力机制提出一种CNN-LSTM暂态稳定性评估模型，针对暂态电流越限问题提出安装超导短路限流器的主动支撑措施，改善风电场系统无功环境，维持并网点电压稳定。最后，在PSD-BPA中搭建含风电的IEEE39节点系统进行仿真模拟和数据收集用于模型训练。结果表明，本文所提评估指标具有更高的识别率，所提改进措施对提高系统暂态稳定性具有积极作用。

1 CNN-LSTM-Attention暂态稳定性评估模型

在实际工程中，通过判断持续时间是否超过给定值来评估暂态电压的稳定性，该持续时间是指暂态电压偏移某一阈值的时间。随着人工智能技术的迅速发展，在电力系统暂态稳定性评估中广泛采用了机器学习和模糊逻辑技术等方法。

1.1 特征选取降维

在电力系统暂态稳定性评估中，样本数据即为学习模型的输入，样本数据x可表示为D为样本个数，n为特征数。

本文从时间、空间、系统规模的角度选取了28组原始特征，如表1所示。

表1 原始特征集Table 1 Original feature set

电力系统是一个复杂的非线性系统，高比例风电接入电网进一步增加了系统的复杂度，采用传统线性方法进行数据处理计算效率低下。因此，本文考虑采用非线性降维方法对输入特征进行降维。核主成分分析（KPCA）是一种非线性数据处理方法，其核心思想是通过非线性映射将原始空间中的数据投影到高维特征空间，然后在该特征空间中采用主成分分析（PCA）进行数据处理[12]。

给定样本矩阵x，x为D维列向量，共n个样本，D×n维矩阵所在的空间称为输入空间，引入非线性变换φ将输入空间映射到高维特征空间，这个高维空间称为特征空间Γ，对Γ进行KPCA降维，定义协方差矩阵CΓ如下：

求解协方差矩阵的特征值λ和特征向量V：

将式（2）乘以φ（x），利用主成分应用系数αi=[α1，α2…，αn]T将V线性表示为

引入K为n×n维正半定核矩阵，高斯径向基核函数计算方法简单，分类效果好，因此本文采用高斯径向基核函数作为核主成分分析的核函数[13]。

式中：i=1，2，…，n；j=1，2，…，n；σ为函数跌落到零的速度，取值0.5。

将K=φ（x）Tφ（x）代入式（3）得：

通过对式（5）进行求解，得到特征值问题的非零特征值和矩阵K的第k个特征向量，利用式（6）求解特征空间主元方向，即特征向量。

将式（6）代入式（3）可求解出对应的特征值λk，对特征值进行降序排序，确定主成分个数后根据排列顺序选取对应主成分特征，形成降维特征集。采用累计方差贡献率确定主成分个数：

1.2 通道注意力机制

CNN具有参数共享、局部感知的特点，能够快速且精准地提取样本特征，获取更多隐藏特征信息，但在处理较长时间序列时效果不佳。LSTM作为CNN的变种模型，通过遗传门、输入门、输出门的结构，能够有效记忆长时间序列信息，通过联系前后信息的特征得到更多数据。两个神经网络对于时序数据的非线性问题均有较好的处理能力，处理方式与结果各有优势。为了提升模型的性能，本文将CNN与LSTM串联结合，形成CNNLSTM模型，该模型能够精准提取暂态特征并且可以有效解决学习时序数据中长期依赖信息的问题。但是在训练该模型时，会忽略各通道信息的重要程度，造成资源分布不均，分辨效果下降[14]。因此，本文将注意力机制引入模型，通过注意力机制并根据重要程度对CNN中各输出特征通道赋予不同的权重系数，对LSTM下各时序特征赋予不同的权重系数，保证序列长度增加时，重要特征不会丢失，以此实现分辨准确率的提升。本文在训练模型时选用了通道注意力机制（Channel Attention Module，CAM）[15]，该机制主要是通过网络训练得到的损失值（Loss）来不断学习更新特征权重，通过了解到的每个特征面的重要程度，根据重要性依次给每个特征通道赋予权重值，重要性强的特征面权重大，重要性弱的特征面权重小，从而使得有限的神经网络用于计算有效特征面，减少参数与计算量。通道注意力机制的具体结构如图1所示。

图1 通道注意力机制具体结构Fig.1 The specific structure of the channel attention mechanism

由图1可知，一个H′×W′×C′的特征图X在经过卷积操作后变为一个H×W×C的特征图U，特征图U经过Sequeeze操作后变为一个1×1×C的矩阵，然后再经过Excitation操作，根据重要度给每一个特征通道赋予相应的权重值，最后被赋予权重的1×1×C矩阵与特征图U经过Sigmoid函数将权重变量进行归一化变换，如式（8）所示。对原始输入特征图赋予权重后可得到新的特征图。

式中：p为归一化前的权重变量。

1.3 模型评估标准

制定模型评估标准时，须要考虑实际电力系统中“漏判”和“误判”对电力系统的影响。因此，模型评估方法指标除了整体的分辨准确率PAC外，还须要引入漏判率PMD和误判率PFA，PMD和PFA，分别用于评估模型对稳定样本和失稳样本的分辨能力。

①准确率PAC：正确评估的样本数占总样本的百分比。

②漏判率PMD：真实失稳样本被错误判定为稳定样本的数量占真实失稳样本总数的百分比。

③误判率PFA：真实稳定样本被错误判定为失稳样本的数量占真实稳定样本总数的百分比。

式中：TP表示正确预测为稳定的真实稳定样本数量；FN表示错误预测为失稳的真实稳定样本数量；FP表示错误预测为稳定的真实失稳样本数量；TN表示正确判断为失稳的真实失稳样本数量。

1.4 暂态稳定评估算法流程

CNN-LSTM-Attention暂态稳定评估模型对电力系统暂态稳定性进行评估的算法流程如图2所示。通过PSD-BPA软件进行时域仿真收集数据集，这些数据经KPCA降维后的优选特征集将作为神经网络的输入特征。通过CNN层进行特征提取与深度挖掘后，利用Dropout层丢弃部分无用参数，再利用池化层对输入特征进一步压缩提取。将输出特征传入LSTM层，进一步提炼数据与时间之间的相关性，不断调整参数，解决时序数据中长期依赖信息的问题。在完成CNN-LSTM串联连接后接入自注意力机制层，根据重要程度对不同的特征赋值，最终通过全连接层输出分解结果。由于本文为二分类研究，因此采取Sigmoid作为激活函数，可将输出结果映射为（0，1）的概率分布，用于表示暂态稳定性评估结果。

图2 暂态电压稳定评估流程Fig.2 Transient voltage stability evaluation process

2 暂态电压稳定性机理及控制措施

2.1 风电并网影响系统暂态电压稳定性的机理

当高比例风电接入的送端电网系统发生故障时，暂态电压的变化程度与系统的短路容量密切相关。目前的研究普遍认为，高比例的新能源电网呈现出“弱电网”现象，因为大量的新能源电源取代了同步发电机，从而导致整个系统的短路容量降低。高比例风电接入的送端电网的抗扰动能力较差，电网的强度也较弱。双馈风机作为目前采用的主要风机类型，其主体是异步电机，双馈风机的短路容量计算式为

式中：UN为发电机平均额定电压；IN为额定电流；Sam为电机等效容量；xk为短路电抗。

在工程设计中，异步电机的短路电抗越大，其提供的短路容量就越小。因此，在高比例的新能源电网中，整个系统的短路容量会下降，在相同程度的无功波动条件下，高比例风电接入的系统母线暂态电压波动幅度也会更大。

2.2 故障限流器模型

电力系统的迅猛发展导致其规模不断扩大，互联程度越来越高，这使得短路电流水平不断攀升，极大地影响了系统的安全运行。已有研究表明，在出现故障时，使用超导故障限流器可以有效维护机组无功功率输出能力。因此，在解决风电系统过载问题方面，应用超导故障限流器是一个有效的解决方案。图3显示了理想条件下单机无穷大系统超导故障限流器接入模型示意图[16]。

图3 超导故障限流器布置示意图Fig.3 Superconducting fault current limiter layout diagram

当系统正常运行时，发电机通过变压器和双回线路将电力输送至无限大系统。当系统发生短路故障时，超导故障限流器中的超导体进行“自动变阻”。为了简化分析，忽略超导故障限流器的电阻，只考虑其电抗的作用。假设发生短路故障时，投入系统的超导故障限流器的电抗标幺值为X。考虑到故障发生时，非故障线路上的故障限流器也会被触发，因此，超导故障限流器可表示为如图4所示的等效电路。

图4 系统正常运行时超导故障限流器等效电路Fig.4 Equivalent circuit of superconducting fault current limiter in normal operation

经过星-角变换后得到化简电路，如图5所示。

图5 化简等值电路Fig.5 Simplified equivalent circuit

当系统发生三相短路时，XΔ≈0，系统的转移阻抗可以表示为SFCL投入电抗值的函数f（X）。随着SFCL投入系统电抗值的增加，系统的总转移阻抗会减小，并最终趋于一个稳定值。当X趋近于零时，转移阻抗将趋近于无穷大。因此，当系统发生短路时，超导限流器投入阻抗以减小系统的总转移阻抗，从而提高PII幅值，有助于提升系统的暂态稳定性。

3 算例分析

本文采用中国电科院暂态仿真软件PSDBPA作为仿真平台，构建了如图6所示的英格兰10机39节点电力系统的仿真模型。仿真参数见表2。基准功率设定为100 MW，基准电压为345 kV。为进一步研究风电并网对系统暂态电压稳定性的影响，将25台1.5 MW的风电机组等效成一个群体，接入到电网中。该风电机组的额定电压为0.69 kV，经升压变压器升高后连接到37号节点。通过潮流计算和时域仿真，共获得1 986个样本，其中包括1 330个稳定样本和656个失稳样本。

图6 风机接入IEEE39节点系统拓扑图Fig.6 Topology of the fan connected to the IEEE39 nodes

表2 新英格兰39节点系统仿真算例的样本数据构造方法Table 2 Sample data construction method of New England 39-bus system simulation example

3.1 KPCA特征降维

利用KPCA算法对采集得到的28维特征数据共计1 986个样本进行特征降维分析，当累积方差贡献率≥99%时，优选特征向量即可代表所有特征向量。表3为13个主成分的特征值、累积方差贡献率。

表3 主成分分析Table 3 Principal component analysis table

由表3可知，主成分累计方差贡献率已经达到99%，说明前13个主成分完全可以替代所有主成分作为暂态电压稳定评估的输入特征集。通过对各个主成分与其对应的特征值进行排序选取前13个特征，可以得到表4中所示的优选特征。

表4 优选降维特征集Table 4 Preferred downwitter solicitation

3.2 失稳判据

每一个样本数据Xi（i=1，2，…，n）都有一个对应的标记Yi=[Y1，Y2，…，Yn]，当Yi取1时标记为稳定，当Yi取0时标记为失稳。

仿真过程中，采用符合《风电场接入电网技术规定（GB/T19963-2011）》的风电并网系统暂态电压稳定性评判准则。该准则规定，在发生大幅度扰动情况下，系统侧母线电压低于0.75 p.u.的时间不得超过1.0 s，且双馈风机的功角必须保持稳定，否则将被判定为暂态不稳定。

图7所示为系统在0.1 s发生三相短路故障时系统母线电压幅值。从图7中可以看出，在发生故障期间，系统母线电压发生了剧烈的变化。当故障清除时间较短时，系统可以通过自我调节保持暂态电压稳定。但是，当故障清除时间较长时，系统无法维持暂态电压的稳定，如图8所示。

图7 大扰动情况下暂态电压稳定性Fig.7 Transient voltage stability under large disturbance

图8 大扰动情况下暂态电压不稳定性Fig.8 Transient voltage instability under large disturbance

3.3 结果分析

为了能更加直观地体现模型对电力系统暂态稳定性的评估性能，本文将同样的优选特征训练样本分别输入到CNN，LSTM模型中，进行训练并测试模型的评估性能。其中，LSTM和CNN的结构参数和本节提出的CNN-LSTM-Attention一致，其他模型结构参数均通过网格搜索法找出最优的超参数。各评估模型的测试结果如图9所示。

图9 各评估模型分辨准确率测试结果Fig.9 Test results of the estimated model

由图9可知：当训练到30轮以后，CNNLSTM-Attention准确率更高且趋于收敛，其余模型在训练40轮以后才趋于收敛并且后续准确率波动较大；CNN-LSTM-Attention模型的分辨准确率PAC最高，漏判率PMD最低，这与该模型能够精准提取暂态特征并且可以有效解决学习时序数据中长期依赖信息的问题密不可分。同时利用注意力机制并根据重要程度对CNN中各输出特征通道赋予不同的权重系数，对LSTM下各时序特征赋予不同的权重系数，保证序列长度增加时，重要特征不会丢失。预测结果表明，引入注意力机制能更好地保留重要特征用于模型训练，更精准地提取使用关键的特征，CNN-LSTM-Attention比CNN-LSTM的分辨准确率高0.98%，漏判率降低了2%。

为了验证本文双馈风机对电力系统暂态电压稳定性的影响以及构建的附加超导故障限流器对电力系统暂态稳定性的积极作用，设置如表5所示的不同渗透率及发生不同程度的负荷扰动共10个场景进行仿真分析。

表5 不同渗透率仿真场景Table 5 Simulation scenarios of different permeability rates

为了验证不同风电渗透率对系统暂态电压稳定性的影响，在相同故障持续时间下，在25节点处引入短路故障进行仿真分析。短路类型从金属性故障转化为三相非金属性短路故障，并在故障发生后的0.6 s被完全切除。通过仿真获得了风电渗透率为0%，20%，30%，40%时风电并网系统的运行情况，分析了不同风电渗透率下的系统暂态电压稳定性。分别提取不同风电渗透率下的优选特征参数，代入训练好的CNN-LSTM-Attention模型进行暂态评估，结果如表6所示。

表6 不同风电渗透率评估结果Table 6 Evaluation results of different wind power permeability

由表6可以看出，在场景1～4中，在没有超导故障限流器的情况下，随着风电渗透率不断增大，电网的无功需求随之增多，电网静态电压稳定裕度不足的问题凸显。当风电渗透率达到40%时，系统并网母线电压发生严重跌落且不具备回稳能力，系统发生暂态电压失稳现象。对比场景4和场景5，在故障发生瞬间超导故障限流器介入工作，故障限流器会立刻投入高阻抗来抑制系统短路电流，提高短路容量，进一步提高系统暂态稳定能力。当故障切除时，故障限流器不呈现阻抗，不会对线路的传输容量造成任何影响。

本文还验证了不同故障持续时间下系统的暂态电压稳定性。故障扰动过程：0 s时在25节点处发生三相金属性短路，0.1 s时故障发展为三相非金属性短路故障。在不同故障持续时间下，分别提取不同风电渗透率下的优选特征参数，代入训练好的CNN-LSTM-Attention模型进行暂态评估，结果如表7所示。

表7 有无超导故障限流器评估结果Table 7 Evaluation results of current limiter with or without superconducting fault

对比场景6，7可以看出，当系统故障切除时间小于0.6 s时，系统中枢母线电压及风电并网母线电压波动相对较小，系统仍处于稳定状态。当故障切除时间延长至0.6 s时，系统中枢母线电压将发生严重跌落，系统由暂态稳定状态过渡到暂态电压失稳状态。随着故障持续时间的延长，系统中枢母线及风电并网母线的电压跌落程度越发严重。对比场景9，10可以看出，超导故障限流器在一定限度内能支撑严重故障。

4 结论

本文基于自注意力机制提出了一种CNNLSTM暂态稳定评估指标，为更好地捕捉输入数据中的空间和时间相关性，基于核主成分分析（KPCA）进行特征降维；针对暂态电压突出问题提出安装超导故障限流器的主动支撑措施，改善风电场系统无功环境，维持并网点电压稳定。在PSD-BPA中搭建含风电的IEEE39节点系统进行仿真计算和数据采集，得到如下结论。

①核主成分分析（KPCA）方法能够有效地筛选电力系统暂态稳定性评估中重要度高的特征，前13个主成分完全可以替代所有主成分，作为风电并网暂态电压稳定性评估的输入特征集，明显地缩短了风电并网系统暂态电压稳定性评估的计算时间。

②与目前一些浅层的神经网络和深度学习网络相比，本文所提出的CNN-LSTM-Attention网络能有效提高电力系统暂态稳定性评估性能。CNN-LSTM可以充分利用时间序列变量的信息，注意力机制也能够有效地挖掘数据信息。

③随着故障持续时间的不断延长，系统中枢母线及风电并网母线的电压跌落程度越发严重，超导故障限流器在一定限度内能支撑严重故障，对系统暂态电压的稳定具有积极作用。