基于神经网络的电力系统短时电压稳定性评估方法研究
基于神经网络的电力系统短时电压稳定性评估方法研究
王克义 李建立 李猛 李静静
摘要:短时电压稳定性评估在电力系统安全运行中具有重要作用。传统方法依赖物理模型与数值仿真，但计算复杂度高，难以满足实时性需求。神经网络具有强大的非线性映射能力，可基于历史数据学习电网运行模式，提高评估效率与准确性。本文提出一种基于CNN-LSTM混合模型的短时电压稳定性评估方法，结合卷积神经网络（CNN）提取局部电压特征，并利用长短时记忆网络（LSTM）捕捉时间序列变化。实验采用IEEE39节点系统与500kV变电站运行数据进行训练与验证，采用PCA降维优化输入特征，L2正则化、Dropout、BatchNormalization提高泛化能力，并结合迁移学习、增量学习增强模型适应性。实验结果表明，该方法在测试集上的F1-score达到96.1%，计算时间减少30%，误判率降低15.6%，推理速度提升3.5倍，有效满足短时电压稳定性在线评估需求。
关键词：电力系统；短时电压稳定性；神经网络；稳定性评估；数据驱动
引言
短时电压稳定性评估对电力系统安全运行至关重要。新能源大规模接入、负荷波动及电力电子设备的应用，使得传统方法在实时性和适应性方面受到限制。时域仿真计算量大，能量函数法和特征值分析依赖精确模型，难以应对复杂非线性问题。神经网络具有数据驱动、自适应学习和快速推理的优势，可提高评估效率。本文提出CNN-LSTM混合模型，结合CNN提取局部电压特征，LSTM学习时间依赖关系，并采用PCA降维、L2正则化、BatchNormalization、Dropout优化泛化能力，结合迁移学习和增量学习提升模型适应性。基于IEEE39节点系统及500kV变电站数据进行实验，验证该方法的有效性，为短时电压稳定性评估提供智能化解决方案。
1.基于神经网络的短时电压稳定性评估方法
1.1短时电压稳定性评估的基本原理
短时电压稳定性是指电力系统在受到扰动后，短时间内维持电压水平的能力，其影响因素包括电网拓扑结构、负荷特性、发电机动态响应以及电压控制设备的调节能力。在短时间尺度内，电力系统的电压变化主要受电力电子设备的动态行为、感应电动机负荷的波动以及无功功率调节能力的影响。当外部扰动导致电压骤降，若无功支撑不足，系统电压可能难以恢复，甚至引发连锁反应，造成更大范围的电压崩溃。
传统短时电压稳定性评估方法主要依赖物理模型和数值计算。时域仿真方法可模拟扰动后的电压动态过程，但计算量庞大，难以满足实时监测需求。能量函数法依赖精确数学模型，对系统参数敏感，适用范围受限。特征值分析方法通过线性化模型评估电压稳定性，但难以处理复杂非线性特性。为克服传统方法的局限性，神经网络被引入短时电压稳定性评估。神经网络通过大规模历史数据训练，学习电压动态特性，避免了对物理模型的依赖，提高评估的实时性和适应性。基于电力系统运行特征，利用神经网络建立数据驱动的稳定性评估模型，可为电力系统的稳定运行提供更精准的分析手段。
1.2神经网络模型的构建
构建神经网络模型进行短时电压稳定性评估，需要从数据处理、网络结构设计、模型训练等多个方面进行优化。数据集的构建是神经网络学习稳定性特征的基础，需要综合考虑电力系统的运行状态、扰动模式以及电压变化趋势。运行数据通常包括发电机电压、负荷功率、母线电压、无功功率补偿等关键变量。在数据预处理过程中，需要进行异常值检测、数据归一化以及特征提取，以提高数据的质量和模型的训练效率。
神经网络模型的设计需根据短时电压稳定性评估的特点进行优化。多层感知机（MLP）结构可以用于基本的稳定性分类任务，但在复杂非线性映射能力上存在不足。卷积神经网络（CNN）可提取局部特征，提高模型对输入数据模式的识别能力。长短时记忆网络（LSTM）适用于处理时间序列数据，能够有效捕捉电力系统动态特性，适合用于短时电压稳定性预测（图1所示）。不同网络结构的选择需结合具体应用场景，以保证模型的适用性和计算效率。
图1神经网络结构选择及其影响因素
模型训练阶段，需要选择合适的损失函数和优化方法，以提升神经网络的稳定性和泛化能力。交叉熵损失函数适用于分类任务，而均方误差（MSE）则更适合回归问题。优化算法的选择影响模型的收敛速度和最终性能，常用的优化方法包括随机梯度下降（SGD）、Adam和RMSprop等。为防止模型过拟合，可以引入正则化方法，如L1/L2正则化、Dropout层以及BatchNormalization，提高模型的泛化能力。
在模型评估环节，需要利用不同运行工况的数据对神经网络进行测试，分析模型的准确性和鲁棒性。评估指标通常包括准确率、召回率、F1值等，反映模型的分类能力。此外，通过混淆矩阵可以进一步分析模型在不同类别上的表现，确定优化方向[1]。结合实际电网运行数据进行验证，有助于提升神经网络评估方法的可靠性，为短时电压稳定性监测提供有效的技术支撑。
2.神经网络在短时电压稳定性评估中的应用与优化
2.1基于神经网络的评估方法实现
短时电压稳定性评估的实现需要经历数据采集与预处理、神经网络模型训练与优化、模型测试与性能评估等环节。每个环节都涉及具体的技术方法，同时在实际应用中存在一定挑战。通过合理的设计和优化，可以提升神经网络模型在电网短时电压稳定性评估中的准确性和实时性。
表1短时电压稳定性评估特征及其作用
特征 物理意义 单位 作用
母线的电压幅值 kV 直接反映母线的电压水平，低电压可能意味着稳定性风险
母线的无功功率 MVar 影响系统的无功支撑能力，决定电压恢复能力
母线的有功功率 MW 负荷或发电的功率大小，影响电网功率平衡
系统频率偏差 Hz 频率变化通常伴随电压波动，可作为辅助稳定性指标
线路到的功率流 MVA 线路输电能力，影响电压支撑能力和潮流分布
10ms内电压变化量 kV/ms 反映短时电压扰动情况，是衡量电压动态稳定性的关键指标
电压恢复时间 s 电压从扰动到恢复的时间，直接影响系统的短时稳定性
短时电压稳定性评估需要关注电压动态特性、无功支撑能力、负荷特性以及系统潮流分布。母线电压是最直观的稳定性衡量指标，但单独使用电压幅值可能不足以精准判断系统状态。无功功率直接影响电压调节能力，当系统无功支撑不足时，电压可能难以恢复，甚至引发电压崩溃。有功功率主要影响系统的负荷水平和功率传输能力，负荷突变可能导致瞬时电压跌落。
系统频率的波动与电压扰动通常相关，特别是在严重扰动情况下，频率变化可以提供辅助信息。线路潮流影响功率传输分布，超载线路可能导致电压支撑能力下降，进而影响短时电压稳定性。
短时电压稳定性评估的关键在于电压的动态特性，因此（短时间电压变化量）和（电压恢复时间）是核心指标。直接反映了电压扰动的剧烈程度，而代表系统从扰动到稳定的时间长短。如果过长，说明系统恢复能力不足，可能会导致后续电压失稳。因此，这两个动态特征在训练神经网络时起到了关键作用，使模型能够更准确地预测短时电压稳定性。
电网运行数据的质量直接影响神经网络评估方法的准确性。本研究的数据主要来源于仿真系统和实际电网测量数据。其中，仿真数据基于IEEE39节点测试系统，采用PSCAD/EMTDC进行短时电压稳定性仿真，模拟不同扰动条件下的电压响应。实际测量数据来自500kV变电站的PMU设备，与SCADA系统的运行记录结合，形成数据集。为了提高数据的一致性，所有数据都经过标准化处理，使用Min-Max归一化方法，使不同量纲的数据归一到[0,1]之间：
其中，和分别表示特征值的最小和最大值。该归一化过程消除了数据的尺度影响，提高了神经网络训练的收敛性。数据集按照70%训练集、15%验证集、15%测试集的比例进行划分，确保模型能够泛化到不同的运行工况。
本研究采用LSTM（长短时记忆网络）来建模短时电压稳定性，该模型能够有效捕捉电压波动的时间依赖关系。神经网络的输入层包括7个特征，每个样本包含过去100ms（即10个时间步）的运行数据[2]。模型结构包括两层LSTM，第一层包含64个神经元，用于提取电压变化模式，第二层包含32个神经元，进一步捕捉系统动态特性。最后，模型经过全连接层，输出稳定性概率。模型的损失函数采用交叉熵损失函数：
其中，是真实类别，是神经网络的预测值。交叉熵损失函数可以度量分类任务中的预测误差，确保模型能够正确区分稳定与不稳定状态。
为了提高训练效果，采用Adam优化算法，初始学习率设置为0.001，并采用动态学习率衰减：
其中，=0.001，=0.0001，t为训练轮数。该方法可以在训练初期保持较大学习率，加速收敛，随后逐步降低学习率，提高模型的稳定性。
表2评估指标测试结果
评估指标 结果
准确率(Accuracy) 93.7%
精确率(Precision) 91.2%
召回率(Recall) 94.5%
F1分数(F1-score) 92.8%
模型训练完成后，在测试集上进行评估。准确率达到93.7%，召回率94.5%，表明模型在稳定性预测方面具有较高的识别能力。模型的分类结果可通过混淆矩阵进行进一步分析：
表3混淆矩阵
预测：稳定 预测：不稳定
实际：稳定 7230 270
实际：不稳定 380 7120
分析误判情况可以发现，部分稳定状态被误判为不稳定，主要发生在低负荷运行条件下，系统的电压波动较小，但模型由于历史数据影响，可能会过度关注瞬时变化，导致误判。另一方面，部分不稳定状态被误判为稳定，通常出现在无功补偿能力较强的工况下，尽管电压短时间内恢复，但长期来看仍可能引发电压崩溃。
短时电压稳定性评估过程中，数据不平衡问题是主要挑战之一。在实际电网运行中，稳定状态比不稳定状态更常见，导致数据集中稳定样本数量远大于不稳定样本。采用SMOTE（合成少数类过采样）方法生成额外的不稳定样本，使数据分布均衡，提高模型对不稳定状态的学习能力。此外，时间依赖性处理是LSTM模型的优势，但计算复杂度较高。所以采用双层LSTM结构，在保证时间信息捕捉能力的同时，减少计算开销，提高训练效率[3]。
2.2模型优化与泛化能力提升
短时电压稳定性评估的优化首先需要对输入特征进行筛选，以减少冗余信息，提高计算效率。采用主成分分析（PCA）对原始特征进行降维，实验结果表明前三个主成分的累计贡献率达96.4%，可以有效保留核心信息。同时，分析误判情况发现部分不稳定状态因恢复速度较快而被误判为稳定状态，因此在输入特征中增加电压恢复斜率，以更精确地捕捉电压变化趋势。优化后，模型准确率由93.7%提升至95.2%，误判率降低15.6%，表明特征优化有助于提升短时电压稳定性评估的精准度。
在神经网络结构优化方面，传统LSTM虽然能够有效捕捉时间依赖性，但计算复杂度较高，且在处理局部特征时可能存在信息损失。所以采用CNN-LSTM混合模型，结合CNN的局部特征提取能力与LSTM的时间序列建模能力。优化后的结构首先通过一维卷积（CNN）提取短时电压变化模式：
然后将提取的特征输入LSTM进行时间序列建模：
实验表明，该模型的F1-score从92.8%提升至96.1%，计算时间减少30%，显著提高了短时电压稳定性评估的实时性和准确性。
为了防止模型过拟合，提高泛化能力，采用L2正则化、Dropout和BatchNormalization进行优化。在损失函数中加入L2正则化项：
其中=0.0005以控制权重衰减，防止模型参数过大。在LSTM层后加入Dropout机制，每次训练随机丢弃30%的神经元，以减少模型对特定神经元的依赖，提高泛化能力。此外，在CNN和LSTM层后应用BatchNormalization，减少不同批次输入数据分布的偏移，提高训练的稳定性。优化后，测试误差降低8.2%，表明模型在不同数据集上的适应能力得到提升。
在泛化能力提升与计算效率优化方面，采用迁移学习和增量学习使模型能够适应不同电网运行工况。使用在IEEE39节点系统上训练的模型，并在500kV变电站的运行数据上进行微调，仅调整全连接层权重：
其中=0.01为学习率，为梯度更新值。实验表明，迁移学习使模型在新电网环境中的准确率从87.4%提升至94.8%，减少了对大量新数据的依赖。此外，采用增量学习进行在线训练，每次新数据输入后，仅对部分参数进行微调，而非重新训练整个模型，提升适应性。结合模型剪枝和量化方法，减少LSTM层30%的神经元连接，同时将计算精度从FP32降为FP16，使推理速度提升3.5倍，满足实时在线短时电压稳定性评估的需求。最终，优化后的模型在准确性、计算效率和适应性方面均取得显著提升，使其更适用于电网稳定性评估的实际应用场景。
3.总结
基于神经网络的短时电压稳定性评估方法在准确性和实时性方面较传统方法具有优势。本文提出的CNN-LSTM混合模型，结合CNN的局部特征提取能力与LSTM的时间序列分析能力，提高了对电压变化模式的学习能力。采用PCA降维减少冗余信息，并引入电压恢复斜率作为新特征，增强模型对短时电压变化的敏感度。在优化过程中，应用L2正则化、Dropout、BatchNormalization控制过拟合，提高模型的泛化能力，并结合迁移学习和增量学习适应不同电网运行环境。。
参考文献
[1]周伟,单强.基于贝叶斯优化算法和卷积神经网络的电力系统STVS评估及仿真研究[J].光源与照明,2024,(12):225-227.
[2]宋勋.控制技术在电力系统自动化中的应用[J].科技视界,2024,14(28):97-99.
[3]陈亮吉,朱晨君.基于WT-CNN-LSTM混合神经网络的电力系统负荷预测模型[J].新型工业化,2024,14(07):132-141.
