1、第 47卷 第 2期 电 网 技 术 V ol.47 No.2 2023年 2月 Power System Technology Feb.2023 文章编号：1000-3673（2023）02-0482-11 中图分类号：TM 721 文献标志码：A 学科代码：470 40 基于深度残差收缩网络的电力系统 暂态频率安全集成评估 王彦博，吴俊勇，季佳伸，李栌苏，李宝琴（北京交通大学电气工程学院，北京市 海淀区 100044）Integrated Assessment of Power System Transient Frequency Security Based on Deep Residu
2、al Shrinkage Network WANG Yanbo,WU Junyong,JI Jiashen,LI Lusu,LI Baoqin(School of Electrical Engineering,Beijing Jiaotong University,Haidian District,Beijing 100044,China)1ABSTRACT:Under the background of accelerating transfor-mation of Chinas energy structure and striving to achieve the goal of dua
3、l carbon,the traditional power system will also usher in structural transformation.Due to the randomness,uncertainty and low inertia of renewable energy,a series of influences brought by large-scale new energy grid make the frequency safety problem of power system increasingly prominent.However,the
4、traditional time domain simulation method has some disadvantages such as large amount of computation and long calculation time,so it is difficult to realize the rapid evaluation of the actual power system under the flexible and changeable operation mode and a large amount of measured data.In order t
5、o quickly assess the frequency security of power systems,a power system transient frequency security integrated assessment method based on deep residual shrinkage network(DRSN)is proposed.Deep residual shrinkage network introduces attention mechanism based on deep residual network,which can enhance
6、useful information and suppress redundant information.On this basis,the samples were divided according to the maximum frequency change rate,and DRSN network was used for training respectively.Simulation results on the IEEE 39-bus system and IEEE 118-bus system added with wind power machines show tha
7、t the proposed method has higher accuracy and excellent generalization、robustness and applicability.KEY WORDS:deep learning;power system;frequency security;maximum rate of change of frequency;deep residual shrinkage network;attention mechanism 摘要：在我国能源结构加速转型、力争实现“双碳”目标的 基金项目：国家重点研发计划项目(2018YFB090450
8、0)；国家电网 有限公司科技项目(SGLNDK00KJJS1800236)。Project Supported by National Key Research&Development Program of China(2018YFB0904500);Science and Technology Projects of State Grid Corporation of China(SGLNDK00KJJS1800236).背景下，传统电力系统也将迎来结构性的转变。其中由于可 再生能源的随机性、不确定性和低惯量等特性，大规模新能 源并网带来的一系列影响使得电力系统的频率安 全问题日 益突出。而
9、 传统的 时域仿真方法 在 进行评估时 有 运算 量大、计 算时间长 等 缺 点，故难以 实现实 际 电力系统 灵活多 变的 运 行方式 和大量量 测数据 下的 快 速 评估。为 实现 对 系统频率安 全 的 快 速 评估，提出 一 种基 于 深度残差收缩 网 络(deep residual shrinkage network，DRSN)的电力系统 暂态 频率安 全 集成评估方法。深度残差收缩 网 络 在 深度残差 网 络 的 基础上 引入注意 力机 制，能 够增强 有 用信息 并 抑制冗余信息。在 此 基础上，将 样本按最 大频率变 化 率 进行 划 分，并 分别采用 DRSN网 络进行训练
10、 构 建集成 模型。通过引入风 电的新 英格 兰 39节 点和 118节 点系统 上 的 仿真 结 果，表明所用方法与 传统 深度学习方法相比 精 度 更高，并有 着优异 的 泛 化 性、鲁 棒 性和 适 用 性。关键词：深度学习；电力系统；频率安 全；最 大频率变 化 率；深度残差收缩 网 络；注意 力机 制 DOI：10.13335/j.1000-3673.pst.2022.1189 0 引言 为 应 对 传统能源 对 环境 带来的 挑战 与全 球正 在 面临 的 潜 在能源 危 机，我国 提出 了 2030年 前 碳 达峰、2060年 前 碳中和的“双碳”目标，并将其 纳 入 生 态 文
11、 明建 设整体布局，推动 构 建 新型电力系统 是今后 电力系统的发 展趋势 1-2。频率 是衡 量电力系 统电能 质 量的重 要指 标。无论 电力系统 是处 于 稳 定 状 态、紧急状 态 还是恢复状 态，都需要 对 系统的频 率特性 进行 准 确 把握，确 保 系统的安 全 稳 定 运行 3-4。而 在大规模可再生能源并网 以 及 大 容 量 直流输 电 投 运 的背景下，电力系统的 运行 形 态 发生变 化，主要体 现在 出 力不确定性 增强、系统惯性 水平降 低 以 及备 用 容 量 减小 等 方 面，频率 动 态行为 愈 加 复第 47卷 第 2期 电 网 技 术 483 杂，系统的
12、 调 频能力变 差，使得频率安 全问题日益 突出 5。英 国“8 9”大 停 电 事 故 中，霍恩 风 电 场 的 意 外脱 网再加 上 频率变 化 率 超 过 配 电网规定的 极 限 值导致保护装置动作，使得 累 计 功 率 缺 额 超 过 了 电网的频率 调 节 能力，最 终 导致 频率下 降 到 48.8Hz，约 1.5h后 才 恢复 供 电 6。早 期大量的研 究 主要是 关 注 功角 稳 定 问题以 及 电 压 稳 定 问题，并 未 重 视 对 频 率的 动 态 特性 异 常 和频率不 稳 定性的研 究。而 在可 再生能源 出 力 占 主导 部 分 的电网中，频率安 全 的重 要 程
13、 度 不 言 而 喻 7-10。目 前 电力系统的频率安 全评估(frequency security assessment，FSA)方法 主要 分为 3种：时域 仿真法 11、等 值 模型 法 12以 及 基 于 数据 驱 动 的 人工 智 能 方法 13。时域仿真法 主要 通过仿真 软件 对 完 整 系统 进行 详细 的 离线 仿真，虽然 精 度 很 高，但 其计 算 量大、耗 时长以 及 建 模 困 难 的特点使 该 方法 并不 适 用 于实 际 电力系统的在 线 评估；等 值 模型 法通过 对 系统 进行 单 机等 值 或忽略部 分 电 气 量 进行 简 化 分 析，虽然 评估 速 度
14、 较 快，但 精 度 较 低，难以 应 用 于大规模系统中；人工智 能 方法 则 是 基 于大量的频 率 数据样本进行训练 并能 够 在 线 快 速 评估 或预 测 的 方法，同 时 保 证 了准 确性 与快 速性，满足 实 际 电 力系统的 评估 需 求。在现 代 电力系统中，得 益 于 通信 技术和 相 量量 测 单元(phasor measurement unit，PMU)的 飞 速发 展，可 以 从 分 布 广 泛 的 PMU中 获 得大量的 历史 运行数 据，为 人工智 能 方法 解决 频率安 全评估问题提 供 了 强 有力的 数据 支撑。文 献 14和 文 献 15采用 支持向 量
15、机(support vector machine，SVM)和 极 限 学习 机(extreme learning machine，ELM)预 测 扰 动事 故 下电 力系统的频率 最 低 值，但 是 上 述 所采用 的网 络 仅 有 一 层隐含层，对 特 征 的 提 取 能力有限，模型 无 法 得 到充 分 的 训练；文 献 16和 文 献 17分别 利 用深度 置 信 网 络进行 了 频率安 全评估 和 扰 动后 频率 动 态 曲 线 的 预 测，并 通过与 其 他浅层 学习 模型的 对比 证 明 了 深度学习方法 的 优 越 性，但没 有 考虑到 新能源的 接 入对 电网的影响；文 献 1
16、8利 用 卷 积神经 网 络(convolutional neural network，CNN)，对多 个 运行 场 景下的系统频率 指 标 进行 预 测 和 评估，并 通过 调 整 基 于 CNN的 评估 模型中的 关键参 数，优 化所提 方法 的 评估 精 度。基 于 上 述已 有研 究，综 合 考虑 电力系统在 线 应 用时 的特点，本 文 提出 了 一 种基 于 深度残差收缩 网 络 的电力系统 暂态 频率安 全集成评估方法。首先根 据 系统 故 障瞬 间 的 最 大频率变 化 率 对 输 入数据进 行 划 分，在 此基础上 又 将 直 接 筛选 的特 征 与 Boruta模型 选择
17、的特 征 分别 作 为 子 分 类器 的 输 入，采用多 个 分 类器 集成对 输 出进行 决 策。在 引入风 电的新 英 格兰 10机 39节 点 以 及 118节 点系统 上 的 算 例 表明 本 文 所提方法与 未考虑到 系统 最 大频率变 化 率 时 的 深度残差收缩 网 络算法 和其 他 传统 算法相比 精 度 更高，并有 着优异 的 泛 化 能力和 鲁棒 性。1 深度残差收缩网络 1.1 网络简介 深度残差收缩 网 络 19(deep residual shrinkage network，DRSN)是 由 哈尔滨 工 业 大 学 的 赵 明 航团队 于 2019年发 表 的一 种
18、新型 深度学习算法，在机 械 传 动 系统 故 障诊断 应 用 中 取 得 了 良好 的 效 果。深度 残差收缩 网 络通过 在 深度残差 网 络(deep residual network，ResNet)的 基础上引入 软 阈 值 函 数 和 注意 力机 制，将 软 阈 值作 为 非 线 性变 换 层 插 入 到 深 层 结 构中，突 显 出 重 要 特 征 并 抑制 非 重 要 特 征 的影响，在 高 噪声、高 冗余信息 的 场 景下 尤 为 适 用。1.2 基本网络结构 深度残差收缩 网 络 DRSN 与 传统的卷 积神经 网 络 和 深度残差 网 络 都 有一 些 相 同 的 组 成
19、部 分，包 括 卷 积层(convolutional layer，Conv)、整流 线 性 单 元(rectifier linear unit，ReLU)激 活 函 数、批 量 归 一 化(batch normalization，BN)、全 局平 均池 化(global average pooling，GAP)和 交叉熵损失函 数 等 单元。卷 积层 是 使得卷 积神经 网 络 不 同 于传统 全 连 接(fully connected，FC)神经 网 络 的 关键 组 成 部 分，它 可 以 大大 地 减 少 训练所 需 的 参 数数 量，从 而 使 训 练过 程 更 不 容 易 发生 过
20、拟合，卷 积层 的 运算过 程 可 以表 示 为*jj i ij ji My x k b(1)式 中：xi为 输 入 特 征 映射 的第 i个 通 道；yj为 输 出 特 征 映射 的第 j个 通 道；k为 卷 积 核；b为 偏 置；Mj为用 于计 算 输 出 特 征 映射 第 j个 通 道 的 集 合；*代 表 卷 积 运算，卷 积 可 以 重 复 多 次 来得 到 输 出 特 征。应 用全 连 接层 FC输 出 结 果时，可由 softmax函 数 将 输 出 的 分 类 结 果 转 化为相对 概 率，其定 义如 式(2)所 示。iiViCVieSe(2)式 中：Vi表 示 前 1层 的
21、输 出，i表 示类 别对 应 的 索 引，总 的 类 别数为 C；Si表 示当 前 元 素 的 指 数与所 有 元 素 指 数 和的 比 值。484 王彦博 等：基 于 深度残差收缩 网 络 的电力系统 暂态 频率安 全集成评估 V ol.47 No.2 1.3 残差收缩单元 1.3.1 注意 力机 制 残差收缩 网 络 的 注意 力机 制 是 由 软 阈 值 函 数 实现的。在 应 用 于 残差 神经 网 络 之 前，软 阈 值 法 在 许 多信 号去噪 算法 中 通 常 作 为 一 个关键 步骤 出 现。一 般情况 下，将 原始 信 号映射 到 一 个 域 中，其中 位 于 阈 值 范围内
22、 接 近零 的 数据 被 视 为 非 重 要 数据，然 后 软 阈 值 函 数 将 近零 特 征 值 转 换 为 零 特 征 值。但 是 在传统 应 用 中，软 阈 值 化方法 需要 人 为 确定 每 一 个 特 征 的 阈 值，一 直是 一 个 难以 解决 的 问题。而深度 学习 可 以通过 梯 度 下 降 算法 自 动 学习 每 种 特 征 相 对 应 的 阈 值，这就避免 了 人工 操 作 带来的不 便。因 此，将 软 阈 值 函 数与深度学习相 结 合 在 消除 信息冗 余、构 造 高 分 辨 率特 征 方 面 有 着 良好 的 应 用 前 景。软 阈 值 函 数 及 其 导 数 如
23、图 1所 示。xy0 2 3 2 3 0 2 2(a)软 阈 值 函 数(b)软 阈 值 函 数 导 数 y012x0 2 2 3 3 1 2 x y 图 1 软阈值函数及其导数 Fig.1 Soft thresholding and its derivative 软 阈 值 函 数 可 以 由 以 下公 式 来 表 示：,0,x xy xx x(3)式 中：x为 输 入 特 征；y为 输 出 特 征；为 阈 值。软 阈 值 函 数 将 接 近 于 零 的特 征 设 为 零，而 不 是 在 ReLU激 活 函 数 中将 负 数 特 征 直 接 置 零，这 样 可 以 保 留 有 用 的 负 数
24、 特 征，其 导 数 如 式(4)所 示。1,0,1,xyxxx(4)1.3.2 残差收缩 单元 结构 残差收缩 单元(residual shrinkage building unit，RSBU)是 DRSN网 络对 于传统 ResNet做 出 的 主要 创 新，其结构 如 图 2所 示，其中 K为 卷 积层 中卷 积 核 的 数 量，C为 特 征 通 道 数，W表 示 特 征 图 的 宽 度；x,z和 均 为 特 征 图 的 指 标，用 于确定 阈 值。RSBU有 专门 对 阈 值 进行估算 的 架 构，用 来 进 行 软 阈 值 的 提 取；特 征 映射 x的 绝 对 值输 入 GAP层
25、以 获取 一 维 特 征向 量，然 后 将一 维 向 量传 播 到 2层 FC网 络 中，其中第 2层 FC拥 有 多 个神经元，其 数 量等于 输 入 特 征 通 道 数，最 后 使 用 sigmoid函 C W 1C W 1C W 1C W 1BN,ReLU,卷 积层(K=C)绝 对 值，GAPC 1 1C 1 1C 1 1C 1 1FC(M=C)BN,ReLU,FC(M=C)Sigmoid恒 等 连 接 xz BN,ReLU,卷 积层(K=C)图 2 残差收缩单元结构 Fig.2 Building unit entitled RSBU 数 将第 2 层 FC 网 络 的 输 出缩 放 到
26、(0,1)的 范围，sigmoid函 数 可 表 示 为 11 eccz(5)式 中：zc为 第 c个神经元 的特 征；c为对 应 的 缩 放 参 数。然 后 计 算 阈 值：,(avg|)c c i j ci jx(6)式 中：c为 特 征 映射 第 c个 通 道 的 阈 值；i,j,c分别 表 示 特 征 图 x的 宽 度、高 度 和 对 应 通 道 的 索 引。阈 值应设 为 正，且 保 持 在 合 理 的 范围内，以 防止 输 出 特性 全 部 为 零。1.4 网络整体结构 本 文 所用 的 DRSN整体 结构 如 图 3所 示。输 入 特 征经 过 卷 积 后，输 入多 个 RSBU
27、堆叠 而成 的 残差 收缩 模 块 中，通过多种 非 线 性变 换 学习与 判 别 特 征，抑制 弱 相 关 特 征 的影响。输 入 特 征 Conv(K=C)RSBU(K=C)RSBU(K=C)BN,ReLU,GAPFC输 出 结 果 若干 RSBUs(K=C)图 3 深度残差收缩网络结构 Fig.3 Deep residual shrinkage network structure 第 47卷 第 2期 电 网 技 术 485 2 电力系统频率安全 2.1 惯性中心频率 当 电力系统中发生有 功扰 动 时，由于系统中 各 母 线 和 扰 动 发生 位 置 的电 气 距 离 不 同、各 机
28、组 的惯 性 时间 常 数 不 同，系统中 各 节 点的频率 具 有 时 空 分 布 特性 20。文 献 21将 全 系统 动 态 频率定 义 为 由系 统不 平衡 功 率的 总 和 作 用 于系统惯量中 心 的等 值 旋 转惯量 上所 产 生的 快 速 增 量随 时间 的变 化。一 般 以 系统的惯性中 心 频率来 表 示 全 系统的频率，系统 的惯性中 心 频率定 义如 下：1COI1()ni iiniiH ffH(7)式 中：fCOI为 系统惯性中 心 频率；Hi表 示 第 i台 发 电机 组 的惯性 时间 常 数；fi表 示 第 i台 发电机 组 所 处 母 线 节 点的频率；n为 系
29、统中并网发电机 组 数 量。2.2 2种电力系统频率安全指标 电力系统 运行时突 然 受 到 有 功扰 动后 的惯性 中 心 频率 fCOI曲线 如 图 4所 示，其中 f0表 示 扰 动前 系统的 初 始 频率。f0 tmaxf MRoCoFfCOIf 图 4 扰动后惯性中心频率曲线 Fig.4 Curve of inertia center frequency after disturbance 1）最 大频率 偏 移 是 系统 受 到扰 动后 惯性中 心 频率 相对 系统 初 始 稳 态 频率的 最 大 偏 移 值，对 应 于 惯性中 心 频率 动 态 曲线 的 最 低点 或 最 高 点
30、；其 值 大 小 与 有 功功 率 缺 额、系统惯性 水平、旋 转 备 用 水平 等 相 关，直 接决 定 了 扰 动后 系统 高 频 切 机低频 减 载 与 否，是 最 应 关 注 的频率安 全 指 标，用 fmax来 表 示。根 据 现 行 国家标 准 22，并 考虑 样本集 中 最 大频率 偏 移 的 分 布，本 文 将 最 大频率 偏 移绝 对 值 大于 0.5Hz的 情况 定 义 为 频率 失 稳 风 险 样本，其 余 则 为 频率安 全样本。在实 际 应 用 中，该 值 可 根 据 当地 运行 情况 进 一 步 确定。2）最 大频率变 化 率(maximum rate of cha
31、nge of frequency，MRoCoF)(记 为 fMRoCoF)，表 示 扰 动 发生 后 系统惯性中 心 频率变 化 的 最 大速率，其 值 大 小 与 有 功扰 动 的大 小 和系统的惯性 水平紧 密 相 关，表 征 了 扰 动后 系统频率的变 化 趋势，最 大频率变 化 率可 由 式(8)表 示：COIMRoCoFmaxddfft(8)系统惯性 水平 的 降 低 会 导致 扰 动 下 MRoCoF的 增 大，分 布 式 电源 脱 网 风 险 也随 之 增 大，进 一 步 威胁 着 常 规机 组 的安 全运行。文 献 23指 出，较 大 的频率变 化 率(rate of chan
32、ge of frequency，RoCoF)可能使 同 步 机 内 部 产 生 滑 极 现 象，造 成 内 部 结构 损 坏。如 今 部 分 欧洲 国家 已经 将 RoCoF作 为 频率安 全 的 评估 指 标 之 一，并规定 了 相 应 的 RoCoF风 险 保护 设 定 值 24，然 而 目 前 我国电网 相 关 标 准 对 RoCoF指 标 尚 无 明 确规定。此 外，在 扰 动 瞬 间，系统中的 惯量 仅 有 同 步 机惯量、电 压 源型 虚 拟 惯量和 负荷 电 压 等 效 惯量在发 挥 作 用，随 后异 步 机惯量和电 流 源 型 虚 拟 惯量 才 相 继 投 入，可 知 在 扰
33、动 瞬 间 系统惯量 最 小，RoCoF最 大，但 在实 际 应 用 中 测 量 装置 偏 差 和 反馈 环 节 会造 成 约 100ms的 延 时 25。基 于 上 述 内 容，本 文 采用 扰 动 故 障瞬 间 的 最 大 频率变 化 率来 作 为 初 始 样本集 划 分 的 基 准。3 频率安全评估模型的建立 3.1 输入特征集的构建 频率 反 映 的 是 发电机有 功功 率 与 负荷 之 间 的 平衡 关 系，因 此 首先 考虑 将 各 发电机 组 以 及 负荷 节 点的有 功功 率 作 为 输 入 特 征。此 外，各 机 组 所 在 母 线 位 置 编 号 则 反 映 了 系统的 空
34、 间 特性，系统的惯性 中 心 频率响 应 又 与 各 机 组 的惯性 时间 常 数、系统的 备 用 容 量 水平、扰 动导致 的有 功 缺 额 大 小 等 因 素 相 关。最 后，各母 线 电 压 的 无 功 特性、扰 动前后 各 发 电机 组 与 负荷 的 无 功功 率也能 反 映 扰 动 对 系统 平 衡 的影响 26，其中 扰 动后 的 输 入 特 征 量 均 在有 功扰 动 发生 后 0.01s时 刻 进行采集。综 上所 述，选 取 9类 特 征 共 同 形 成 系统频率安 全评估 的 原始 特 征 集，如 表 1所 示。表 1 频率安全评估原始特征集 Table1 Original
35、 feature set of FSA 序 号 输 入 特 征 量 1 各 机 组(含 风 机)所 在 母 线 位 置 2 各 机 组(含 风 机)的惯性 时间 常 数 3 系统 备 用 容 量 水平 4 系统 负荷 水平 5 扰 动前 各 机 组(含 风 机)有 功、无 功功 率 6 扰 动后 各 机 组(含 风 机)有 功、无 功功 率 7 扰 动后 各负荷 有 功、无 功功 率 8 扰 动后 系统有 功 缺 额 9 扰 动后 各 节 点电 压 幅 值及 相 角 486 王彦博 等：基 于 深度残差收缩 网 络 的电力系统 暂态 频率安 全集成评估 V ol.47 No.2 其中 扰 动后
36、 的系统有 功功 率 缺 额 值需要 用 直 接从 PMU中 获取 的 数据进行 计 算，文 献 26给 出 了 计 算方法，如 式(9)所 示：COIallN2 ddiH fPt f(9)式 中：Pall代 表 系统 总 的有 功功 率 缺 额；fN为 系统 的 额 定频率。原始 特 征 集 中 前 5种 特 征 类 别表 征 了 系统在 稳 定 状 态时 的特性，反 映 了 系统的 初 始 运行方式对 扰 动 发生 后 频率 动 态 变 化 的影响；而 特 征 类 别 69代 表 扰 动后 瞬 间 电力系统的电 气 量，反 映 了 有 功扰 动 对 系统 平衡 的 破坏 程 度以 及 扰
37、动后 功 率在 各 发电 机 组内 的重新 分 配，也在一定 程 度上 体 现 了 不 同扰 动 位 置 对 频率响 应 的影响。以上 特 征 量 表明 了 电力 系统在 扰 动 发生 前后 的特 征，在 训练过 程 中 相 辅 相 成。神经 网 络 便 是 通过 读 取 这 些 扰 动前后 的特 征 信 息 变 化 来 对 系统的频率安 全 做 出评估。3.2 Boruta特征自动选择器 电力系统 是复杂 的 高 维 非 线 性系统，通过对 输 入数据进行 特 征 选择，可 以 有 效地 提 高 频率安 全评 估 的 效 率。Boruta特 征 自 动 选择器 是 基 于随机 森林(rand
38、om forest，RF)特 征 选择 算法 的变 种，通过 在 原始 数据 中 添 加影 子 变量并 分别 计 算 Z分数 值 的 方 式 来实现 样本 特 征 的 自 动 选择，其 原 理 如 图 5所 示。120.10.301F1 F2 F33-0.2 012 0.10.301S1 S2 S33-0.20Model 迭 代 原始 特 征 阴 影特 征 F1 F2 F3 S1 S2 S30.2 0.05 0.1 0.001 0.1 0.00912F1301F3012S1301S30筛选 比 较 特 征 重 要 程 度 循 环 该 过 程 直 到 停 止迭 代 图 5 Boruta特征选择器
39、原理 Fig.5 Principle of Boruta feature selector 随机 森林 算法基 于大量的 决 策 树，常 用 于 解决 各 种分 类 和 回 归 问题 27。这 些 决 策 树 是 在 从 训练集 中 提 取 的不 同 样本 袋 上 独立开 发的。Boruta算法 在 此基础上，通过 将 原始 特 征 O随机 打乱 顺 序 得 到 阴 影特 征 矩阵 S，并 拼 接到 原始 特 征 后面 构 成 新的特 征 矩阵 N=O,S，以 消除 它 们 与 决 策 变量的 相 关 性。首先，每次 迭 代 均 对 随机 森林 中 对样本进行分 类 的 所 有 决 策 树 分
40、别 计 算分 类 精 度 损失均 值及 其标 准 差，再将 二者 相 除 得 到 Z分数 值(Z score)；然 后 识 别 阴 影特 征 中的 最 大 Z 分数(maximum Z score，MZS)并 应 用 MZS双 边 等 式 检验，将 Z分数 值 显 著 高 于 阴 影特 征 MZS的 原始 特 征 判 定 为强相 关 特 征，反 之 则 判 定 为 弱 相 关 特 征，其中的 显 著 性 阈 值设 定 为 默认 值 0.05，区 分度 不 够 显 著 的特 征则 待 定 留 至 下一 次 迭 代 中 进行 判 断；每次 迭 代 删 除 其中 弱 相 关 的特 征 并重 复 上
41、述 过 程，直 到满足 条 件或 停 止迭 代。3.3 最 大 频率 变化 率集成 DRSN频率安全评估 3.3.1 模型构 成与评估 流 程 深度学习 网 络 凭借 其 强 大的 学习 能力 受 输 入 特 征 的影响 相对 较 小，它 可 以 挖掘 不 同 特 征 与 频率 安 全 之 间 的 关 系，关 于 输 入 特 征 也 没 有一 成 不变的 标 准。由 此，在 前文 DRSN网 络 的 基础上，为 了 进 一 步 提 高 模型的 评估 性能，本 文 提出 了 一 种 计 及 MRoCoF的 集成 DRSN评估 模型，记 为 MRoCoF-DRSN；其结构 如 图 6所 示。输 入
42、数据|f M RoC oF|样本集 a 样本集 bDRSNa1DRSNa2DRSNb1DRSNb2集成 模型 概 率 平 均 输 出|f M RoC oF|图 6 MRoCoF-DRSN结构 Fig.6 Structure of MRoCoF-DRSN 该 集成 模型 首先 对 原始 输 入数据按 fMRoCoF进 行 划 分，图 中 代 表分 类阈 值，fMRoCoF大于等于 的 样本 构 成样本集 a，反 之 则 构 成样本集 b，这 样 神经 网 络 便 可 通过分别 感 知 不 同 频率响 应趋势 下 的 样本数据 来 进行 更 加 精 细 的 评估。由于我国并 没 有 对最 大频率变
43、 化 率 做 出 定量 规定，所以 在实 际 应 用时分 类阈 值 可 以 根 据 当地 系 统的频率响 应 数据集进行 确定，但 应 同 时 满足 2条 标 准：1）划 分 后 各 样本集 中的 样本数 量不 宜 过 少。因 为 人工智 能 评估方法 需要 大量的 数据 作 为 支撑，若 某 一 样本集 的 数据 量 过 少，模型 便 不能 全 面 地 提 取 所 需要 的 信息，造 成 欠 拟合；2）划 分 后 各 样本 集 应保 证 一定的 样本 平衡 度，即 频率安 全 和 风 险 样 本 的 比 例 不 宜 过 于 极 端，否 则 频率安 全评估 的结 果 会 更 偏 向 于 多数样
44、本，极 大 地 影响 评估 性能。考虑到 电力系统 是 一 个 复杂 的 非 线 性系统，由第 47卷 第 2期 电 网 技 术 487 于其 运行方式 的 多 变性，单 一特 征 集 不一定 总 是 能 快 速 准 确 地 表 征扰 动后 系统的频率响 应。因 此，本 文 在 初 步 划 分样本集 之 后，对 每 一 个 样本集 又 分别 采用 原始 特 征 和 Boruta 特 征 自 动 选择器选择 的特 征 作 为 不 同 的 输 入 特 征 空 间，再 分别 输 入 各 样本集 下的 2个 子 分 类器 中，从 而 使模型能 够 兼 收 并 蓄、博 取 众 长，进 一 步 提 升 频
45、率安 全评估 的可 靠 性。集成 模型的 输 出采用 概 率 平 均 法进行 决 策，输 出 将 样本 预 测为 安 全 和 风 险 的 概 率 分别以 0(|)P C x 和 1(|)P C x来 表 示，两者 满足 0 1(|)(|)100%P C x P C x。以样本集 a为 例，若 第 i个 DRSN子 分 类器 对测 试 样本 的 概 率 输 出为 0 1(|),(|)i iP C x P C x，则 按 概 率 平 均 法 得 到 集成 模型的 最 终 输 出 E 0 E 1(|),(|)P C x P C x 如 式(10)所 示，其中 m为集成 模型中 样本集 a子 分 类器
46、 的 数 量。E 0 01E 1 111(|)(|)1(|)(|)miimiiP C x P C xmP C x P C xm(10)当 输 出 结 果 的 E 0(|)P C x 大于 E 1(|)P C x 时，判 定 为 安 全样本，反 之 则 判 定 为风 险 样本。在 对 子 分 类器 进行 参 数 优 化 的 过 程 中，本 文主 要 考虑 卷 积 核 的大 小 以 及 残差收缩 单元 数 量 对评 估 结 果 的影响；在 各 个 子 分 类器 中，首先 对 于卷 积 核 大 小，从 1开 始 逐 步 增 加其 取 值 并 对评估 结 果进 行 验 证，直 到 某 次 的 评估 结
47、 果与上 一 次 相比 精 度 不 再 增 加 或 损失 值 不再 减 少 时，将 上 一 次 的 取 值作 为 优 化 后 的 参 数 值，再 保 持 卷 积 核 尺寸 不变，针 对 RSBU的 数 量重 复 上 述程 序；对 各 个 子 分 类器均 进 行 该 寻 优 过 程 后，即 可得 到 4个 性能 良好 的 子 分 类 器，它 们 将 共 同决 策 得 到 最 后 的 集成 模型 输 出。MRoCoF-DRSN频率安 全 整体 评估 流 程，如 图 7所 示。此 外，计 算 机的 GPU能 够 同 时 处 理 大量 类 型 统一的 数据，实现 各 子 分 类器 的并 行训练，为集成
48、 模型的 应 用提 供 了高 效 的 硬 件 环境，使 本 文 所提方 法 更 加可 行。3.3.2 评估 标 准 与 电力系统 暂态 稳 定 评估相 同，系统的频率安 全评估 也 是 一 个 非 平衡 分 类 问题。因 此本 文 考虑 可 能 出 现的 错 判 和 误 判 情况，基 于 混淆矩阵 在 FSA中 引入 非 平衡 分 类 中 常 用 的 故 障 率 指 标，综 合 评 价 所 提 模型的性能。混淆矩阵 如 表 2所 示，其中 NTP、NTN分别 代 表真 实安 全 的 样本 被 评估为 安 全、风 险 样本 的 数 目，NFP、NFN分别 代 表真 实 风 险 样本 被 评 估为
49、风 险、安 全样本 的 数 目。数据 预 处 理 训练集 MRoCoF-DRSN集成 模型 训 练 模 型 测 试 性 能 训练 好 的 MRoCoF-DRSN集成 模型 输 入 层 卷 积层 RSBU1RSBU2RSBUN.BNReLuGAPFCSoftmax层 输 出 PMU量 测数据 数据 预 处 理 频率安 全?系统安 稳 装置动作 否 不 触 发 动作 是 特 征 选择 由 时域仿真 得 到 的 输 入数据集 输 入 数 据 库 直 接 筛选 深度学习 模型的 输 入样本集 预 想 有 功扰 动 事 件 集 根 据最 大频率 偏 移 给 出评估 结 果 测 试 集 离线 训练 在 线
50、 评估 运行方式 扰 动 类 型 DRSN子 分 类器 模型 图 7 MRoCoF-DRSN集成模型评估 流程 Fig.7 Flow chart of the MRoCoF-DRSN ensemble model assessment 表 2 频率安全评估 混淆矩阵 Table 2 Confusion matrix of frequency security assessment 真 实结 果 评估 结 果 安 全 风 险 安 全 TP FN 风 险 FP TN 本 文 分别采用 Acc、TSR、TUR、G_mean等 4种 指 标来 综 合 评估 模型的 分 类 性能，定 义如 下：TP T
