本發(fā)明涉及電力系統(tǒng)暫態(tài)穩(wěn)定評估與人工智能深度學(xué)習(xí)，尤其是涉及一種基于infor-gcn模型的暫態(tài)穩(wěn)定評估及其可解釋性分析方法。

背景技術(shù)：

1、在雙碳目標的有力推動下，含高比例新能源和電力電子設(shè)備的新型電力系統(tǒng)成為未來的發(fā)展趨勢。然而，新型電力系統(tǒng)復(fù)雜耦合特性和時變因素驟增，系統(tǒng)慣性降低，當系統(tǒng)遭受大擾動(如切機、切負荷、短路故障等)沖擊后，不平衡功率在電網(wǎng)中擴散，倘若系統(tǒng)未能及時評判并進行有效控制，系統(tǒng)暫態(tài)穩(wěn)定將被破壞，繼而引發(fā)連鎖故障甚至導(dǎo)致大面積停電，給國民經(jīng)濟造成重大損失。因此，暫態(tài)穩(wěn)定評估一直是保障電力系統(tǒng)穩(wěn)定運行的重點研究問題。

2、現(xiàn)有關(guān)于電力系統(tǒng)暫態(tài)穩(wěn)定評估的方法大致可以分為以時域仿真法和直接法為代表的經(jīng)典方法和基于數(shù)據(jù)驅(qū)動的方法。時域仿真法(又稱逐步積分、數(shù)值解法)通過建立描述電力系統(tǒng)暫態(tài)行為的一組聯(lián)立的微分-代數(shù)方程組，利用數(shù)值積分方法求出受擾運動微分方程的時間解，從而根據(jù)各發(fā)電機轉(zhuǎn)子的相對角度判斷系統(tǒng)穩(wěn)定性。直接法基于李雅普諾夫穩(wěn)定性理論，從能量角度對電力系統(tǒng)穩(wěn)定性進行分析，不需要求解系統(tǒng)暫態(tài)的微分方程，通過比較故障時系統(tǒng)的暫態(tài)能量與系統(tǒng)所承受的臨界能量來判斷系統(tǒng)穩(wěn)定性。相較于經(jīng)典法，基于數(shù)據(jù)驅(qū)動和人工智能的暫態(tài)穩(wěn)定評估方法依托其對復(fù)雜信息的快速處理能力及良好的容錯性，在無需明確機理演變過程的情況下，依靠數(shù)據(jù)快速挖掘特征間的關(guān)聯(lián)性，克服大規(guī)模電力系統(tǒng)建模困難和計算量龐大的問題，成為炙手可熱的研究方向。然而，電力系統(tǒng)中的不同設(shè)備在時間和空間上交叉耦合，系統(tǒng)的電氣量之間存在復(fù)雜的時空關(guān)聯(lián)特性，目前的暫態(tài)穩(wěn)定評估方案對量測數(shù)據(jù)時序狀態(tài)和空間特征的表征能力不足。另一方面，通過深度學(xué)習(xí)算法完成暫態(tài)穩(wěn)定評估任務(wù)時，其內(nèi)部的特征提取和決策過程均是未知狀態(tài)，模型的結(jié)構(gòu)類似于“黑箱”，模型如何給出決策結(jié)果或者模型是否依據(jù)正確的物理信息做出決策都難以考究，存在可解釋性差的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于infor-gcn模型的暫態(tài)穩(wěn)定評估及其可解釋性分析方法，首先，基于電氣節(jié)點耦合強度建立改進鄰接矩陣，在表征系統(tǒng)同步能力的同時描述空間相關(guān)性；其次，建立基于infor-gcn模型的暫態(tài)穩(wěn)定評估框架，有效提升模型的評估能力和結(jié)果可信度；最后，基于shap解釋理論構(gòu)建穩(wěn)定評估模型的可解釋性分析框架，對模型決策結(jié)果進行解釋并增強模型可解釋性。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于infor-gcn模型的暫態(tài)穩(wěn)定評估及其可解釋性分析方法，包括以下步驟：

3、s1、基于電氣節(jié)點耦合強度建立改進鄰接矩陣，在表征系統(tǒng)同步能力的同時描述空間相關(guān)性；

4、s2、建立基于infor-gcn模型的暫態(tài)穩(wěn)定評估框架，提升模型的評估能力和結(jié)果可信度；

5、s3、基于shap解釋理論構(gòu)建穩(wěn)定評估模型的可解釋性分析框架，對模型決策結(jié)果進行解釋并增強模型可解釋性。

6、優(yōu)選的，在步驟s1中，基于電氣節(jié)點耦合強度建立改進鄰接矩陣，在表征系統(tǒng)同步能力的同時描述空間相關(guān)性，具體步驟如下所示：

7、s11、根據(jù)電力系統(tǒng)實際的拓撲連接生成描述空間關(guān)系的鄰接矩陣；若節(jié)點間存在連接，則經(jīng)典的鄰接矩陣對應(yīng)元素為1，否則為0；

8、s12、根據(jù)節(jié)點耦合強度建立改進鄰接矩陣，表征系統(tǒng)同步能力，選定節(jié)點耦合強度k表征系統(tǒng)同步能力的同時描述空間相關(guān)性，指導(dǎo)模型空間和同步特征的提取，鄰接矩陣的具體修改如下所示：

9、

10、其中，選定ei和ej分別為系統(tǒng)穩(wěn)態(tài)下節(jié)點i和節(jié)點j的電壓幅值；若節(jié)點i和節(jié)點j之間存在連接，對應(yīng)的鄰接矩陣元素kij由1更改為該連接線路的耦合強度；

11、節(jié)點間的耦合強度越大，則系統(tǒng)的相干性越強，越容易保持同步，并且該耦合強度會推動更多的節(jié)點進入系統(tǒng)同步基調(diào)，當其大于臨界值時，保持同步穩(wěn)定運行。

12、優(yōu)選的，在步驟s2中，建立基于infor-gcn模型的暫態(tài)穩(wěn)定評估框架，提升模型的評估能力和結(jié)果可信度的具體步驟如下所示：

13、s21、基于informer模型對功角特征進行時序增強；

14、s22、基于譜域圖卷積神經(jīng)網(wǎng)絡(luò)算法構(gòu)建聚合空間拓撲信息的模型，利用譜域的乘積替代空域的卷積操作；

15、s23、構(gòu)建暫態(tài)穩(wěn)定整體評估運行框架，綜合結(jié)果輸出策略。

16、優(yōu)選的，在步驟s21中，nformer模型采用典型的編碼-解碼架構(gòu)，由改進的多頭概率稀疏自注意力機制和前饋神經(jīng)網(wǎng)絡(luò)組成，輸入輸出間直接交換信息，具體如下所示：

17、s211、概率稀疏自注意力：

18、自注意力機制輸入特征x經(jīng)過位置編碼和嵌入得到x矩陣，x線性變換得到查詢矩陣q、鍵矩陣k和值矩陣v，表達式如下：

19、

20、其中，wq、wk、wv為權(quán)值矩陣；

21、自注意力機制的計算公式如下所示：

22、

23、多頭自注意力機制模擬卷積的多通道特征運算，集成不同子空間的編碼信息，具體公式如下：

24、headi＝attention(qi,ki,vi)??(4)；

25、multihead(q,k,v)＝concat(head1,...,headh)wo??(5)；

26、其中，headi表示第i頭注意力，多頭注意力multihead通過concat拼接h頭注意力，最終經(jīng)過權(quán)值矩陣wo輸出結(jié)果；

27、采用選擇性計數(shù)的概率稀疏自注意力機制，利用kl散度來衡量q和k的相似度，利用kl散度來衡量q和k的相似度，從而篩選重要q，第i個q注意力的概率形式為：

28、

29、其中，qi、ki、vi分別是矩陣q、k、v的第i行，p(kj∣qi)＝k(qi,kj)/∑lk(qi,kl)給定第i個q條件下k的概率分布，采用非對稱的指數(shù)核函數(shù)，則定義第i個q的稀疏性度量為：

30、

31、概率稀疏自注意力機制中每個k僅關(guān)注u個重要q，自注意力則修改如下：

32、

33、其中，僅包含稀疏度量的前u個q，u＝clnlq，c為恒定的采樣因子；

34、探索度量邊界采用q稀疏度量的最大均值近似，如下所示：

35、

36、依據(jù)度量近似抽取u＝lqlnlk個點積對計算整體計算復(fù)雜度降為

37、s212、生成式解碼器：

38、在輸入特征序列中采樣一個較短的序列，作為切片饋入解碼器中，具體的輸入向量如下式：

39、

40、其中，為選取的切片序列，為目標輸出的占位符；解碼器在一次前向計算中輸出特征時序下的全部預(yù)測結(jié)果。

41、優(yōu)選的，在步驟s22中，卷積運算如下，定義包含n個節(jié)點和m條邊的圖g＝(v,e,w)，則圖上歸一化的拉普拉斯矩陣l為：

42、

43、式中，w為鄰接矩陣，i為單位矩陣，d為度矩陣，其對角元素為dii＝∑jwij；對實對稱矩陣l做譜分解，如下式：

44、l＝uλut??(12)；

45、其中，標準正交特征向量u＝[u1,…,un]，特征值矩陣λ＝diag([λ1,…,λn])；選定該正交向量為傅里葉變換的基，則定義圖上傅里葉變換為：

46、

47、其中，為原始特征x經(jīng)過正交基ut投影到譜域上的表達；定義矩陣點積運算符為⊙，則兩個特征x和y的頻譜圖卷積為：

48、x*y＝u((utx)⊙(uty))??(14)；

49、對于輸入特征x，uty＝[θ0,…,θn-1]t可視為譜域上的卷積核；該參數(shù)中含有n個向量θ，由此定義對角陣gθ＝diag([θ0,…,θn-1])為圖卷積核，則譜域上的圖卷積計算式為：

50、x*y＝ugθutx??(15)；

51、引入切比雪夫多項式對圖卷積核gθ進行近似，獲得頻譜圖卷積：

52、

53、式中，βk是k階切比雪夫多項式對應(yīng)的系數(shù)；切比雪夫多項式的階數(shù)表征圖卷積的感受野，則k階多項式將決定融合電力系統(tǒng)k階鄰域節(jié)點的特征信息。

54、優(yōu)選的，在步驟s23中，構(gòu)建暫態(tài)穩(wěn)定整體評估運行框架，綜合結(jié)果輸出策略的具體步驟如下所示：

55、s231、暫態(tài)穩(wěn)定特征選擇及樣本生成，選定網(wǎng)絡(luò)節(jié)點相位θ的基礎(chǔ)上補充發(fā)電機功角δ，通過兩個角度的訓(xùn)練特征實現(xiàn)信息互補；采用系統(tǒng)故障前-故障階段-故障后的多時刻斷面信息構(gòu)成特征集，選定故障切除后一時刻為樣本終止點；

56、選定原始特征集覆蓋故障發(fā)生前的穩(wěn)態(tài)階段、故障發(fā)生時tf以及故障切除tcl之后的三段式特征，輸入選取固定窗口[tcl-(k-1)t，tcl+t]，t為采樣周期，其中k根據(jù)具體場景選擇或調(diào)整；

57、采用暫態(tài)穩(wěn)定指數(shù)以受擾后發(fā)電機的功角差值量化電力系統(tǒng)的暫態(tài)穩(wěn)定，其表達式為：

58、

59、故障發(fā)生后，δδmax表示系統(tǒng)中任意兩臺同步電機的最大轉(zhuǎn)子角間隔，若tsi<0，則系統(tǒng)失穩(wěn)，否則系統(tǒng)穩(wěn)定；

60、s232、電力系統(tǒng)圖數(shù)據(jù)處理，故障所引起的功率擾動沿系統(tǒng)線路傳播，使用s12步驟建立的改進鄰接矩陣刻畫不同節(jié)點連接關(guān)系和耦合強度的差異，對電壓特征訓(xùn)練gcn模型，輸入為處理后的圖結(jié)構(gòu)數(shù)據(jù)和改進鄰接矩陣，其中，圖結(jié)構(gòu)數(shù)據(jù)表示如下：

61、

62、其中，列數(shù)n表征系統(tǒng)節(jié)點個數(shù)，行數(shù)nt表征采樣個數(shù)，輸入的電壓特征數(shù)據(jù)采用z-score歸一化；輸出為softmax函數(shù)評估的概率值，用于消除數(shù)據(jù)量綱對模型結(jié)果的影響；

63、s233、融合電氣耦合強度和時空信息的暫態(tài)穩(wěn)定評估模型，其中informer自注意力層和gcn層分別提取時間和空間特征，模型整體輸入為發(fā)電機功角時序特征的圖結(jié)構(gòu)數(shù)據(jù)以及改進的鄰接矩陣，其中圖結(jié)構(gòu)數(shù)據(jù)沿用式(18)，非發(fā)電機節(jié)點的矩陣元素用0自動補齊，模型輸入的功角特征數(shù)據(jù)同樣采用z-score歸一化；informer層輸出后續(xù)步長下的功角時序軌跡；gcn層輸出采用softmax函數(shù)評估的穩(wěn)定概率值；

64、采用混淆矩陣分析模型的評估結(jié)果，選定準確率、漏判率和誤判率三種評價指標分開量化模型的評估結(jié)果；準確率通過預(yù)測正確的樣本個數(shù)與測試樣本的比例進行衡量，不同類型的錯誤率則分別定義如下：

65、

66、s234、綜合結(jié)果輸出策略。

67、優(yōu)選的，步驟s234中綜合結(jié)果輸出策略的具體步驟如下所示：

68、假設(shè)gcn的輸出結(jié)果分別為y1＝(y11,y10)、y2＝(y21,y20)，其中，y11、y21分別是兩個gcn模型穩(wěn)定標簽的概率輸出；

69、具體的綜合結(jié)果輸出策略如下：

70、(1)若滿足min{y11,y21}＞ξ1，則結(jié)果為穩(wěn)定；

71、(2)若滿足max{y11,y21}＜ξ2，則結(jié)果為失穩(wěn)；

72、(3)若條件(1)與(2)均不滿足，則判定結(jié)果為不確定；

73、對于不確定的樣本，將設(shè)置高優(yōu)先計算等級或排序，優(yōu)先進行仿真分析；

74、其中，閾值ξ1和ξ2分別取接近1和0的值，模型對于分類器輸出概率接近1或者接近0的樣本將輸出確定性的結(jié)果；對于預(yù)測概率處于0.5附近的樣本難以評估，則判別為不確定樣本。

75、優(yōu)選的，在步驟s3中，基于shap解釋理論構(gòu)建穩(wěn)定評估模型的可解釋性分析框架，對模型決策結(jié)果進行解釋并增強模型可解釋性的具體步驟如下所示：

76、shap的加性特征歸因方法表示為二進制變量的線性函數(shù)，基于單個輸入變量解釋模型的評估結(jié)果，如下所示：

77、

78、其中n是暫態(tài)穩(wěn)定評估模型輸入特征的總數(shù)量，zi′∈{0,1}n衡量全部n個特征是否包含在模型決策路徑中，若特征對應(yīng)元素為1，則代表該特征對模型穩(wěn)定評估結(jié)果存在貢獻，考慮在模型的決策過程中，反之若特征元素為0，則代表該特征對模型穩(wěn)定預(yù)測未產(chǎn)生貢獻，模型不考慮該特征；

79、的值是特征的貢獻，shap利用shapley值量化數(shù)據(jù)驅(qū)動模型各輸入特征的貢獻度φi，其中給定特征i的貢獻等于該特征所參與聯(lián)盟創(chuàng)造的邊際貢獻的平均值；

80、首先，找到除特征xi之外的所有特征xf的子集m：

81、xf＝[x1?xi?…?xn]t??(24)；

82、其中，xi是第i個特征值，xf是輸入特征的向量集，xi∈xf；對于子集m，利用包括和不包括特征xi的特征分別訓(xùn)練模型fx(m∪{xi})和fx(m)，在當前特征xi輸入下，比較兩個模型預(yù)測的差值：

83、fdiff(xi)＝fx(m∪{xi})-fx(m)??(25)；

84、比較特征xi添加到子集前后的邊際價值，除去特征xi后所有可能的子集子集重復(fù)該過程；

85、衡量特征重要性φi的所有邊際貢獻的加權(quán)平均值計算如下：

86、

87、對于具備加性特征屬性的shap，當且僅當模型滿足以下三個關(guān)鍵屬性時，才存在唯一解：

88、局部準確性：特征shapley值總和等于穩(wěn)定評估模型的輸出，且單個樣本中各特征的歸因值也同樣滿足加性規(guī)律：

89、

90、缺失性：原始輸入中所缺失的特征對模型輸出沒有歸因影響：

91、

92、一致性：如果電力系統(tǒng)tsa模型發(fā)生變化，使某些特征的邊際貢獻增加或保持不變，則該特征的歸因值與其他輸入無關(guān)，也會同步增加或保持不變；

93、對于兩個模型f和f′：

94、

95、其中，z′\i表示將zi′置0，基于以上三條性質(zhì)，定義e[f(x)]為以非零z′的輸入特征集合為條件的函數(shù)期望值，則fx(z′)＝f(hx(z′))＝e[f(x)]；

96、結(jié)合條件期望值，式可以改寫為：

97、

98、其中，|z′|為z′中非零項的個數(shù)。

99、因此，本發(fā)明采用上述結(jié)構(gòu)的一種基于infor-gcn模型的暫態(tài)穩(wěn)定評估及其可解釋性分析方法，具備以下有益效果：

100、本發(fā)明通過電氣節(jié)點耦合強度改進鄰接矩陣，向模型引入先驗知識的同時，結(jié)合自注意力機制的informer模型，提出infor-gcn模型提取時空耦合信息并進行特征增強；然后針對不同輸入特征的穩(wěn)定判別結(jié)果設(shè)計綜合輸出策略，提高模型結(jié)果可靠性；基于shap歸因框架展開模型的局部和全局解釋，增強基于智能模型完成暫態(tài)穩(wěn)定評估任務(wù)的可解釋性。

101、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細描述。