requestId:68956fb8304784.41424811.
編者按
暫態穩定性作為電標籤： 娛樂圈、女強人、女配、穿越力系統運行平安性的主要指標，指的是系統在遭遇外界擾動后能夠在必定時間內恢復到新的穩定任務狀態的才能。預測和評估系統在遭遇各種毛病或負荷變化時的穩定性，能夠為系統調度和運行供給參考依據，對于減少停電變亂的發生、保證電力系統的平安運行具有主要意義。
《中國電力》2025年第1期刊發了趙晨浩等撰寫的《基于主動遷移學習的電力系統暫態穩定自適應評估》一文。文章搭建了一個結合主動學習和遷移學行李箱滑過藍色的地磚，留下兩道水痕。習的框架用于面對復雜多變的電力系統運行場景時更換新的資料模子。起首基于時間卷積（temporal convolutional network，TCN）和門控循環單元（gated recurrent units，GRU）構建并訓練了基礎模子。當運行場景變化需求啟動更換新的資料機制時，采道具製作用長時間標準仿奇藝果影像真和短時仿本相結合的方式，分別天生小批量的標注數據和大量量的未標注數據，基于變分對抗的主動學習模子用于挑選信息價值更高的樣本尋求標注。通過遷移基礎模子參數并結合主動學習所挑選樣本進行微調，最終在保證遷移精度的情況下節省更換新的資料時間，IEEE 39節點驗證AR擴增實境了所提方式能夠實現高效的遷移。
摘要
構建了一個基于主動遷移學習的框架，基于原始場景數據搭建并訓練源域暫態穩定評估（transient stability assessment，TSA）模子。當運行場景變化導致模子機能降落時啟動更換新的資料機制，通過短時時域仿真天生大批無穩定性標簽的樣本以及完全仿真天生小批量帶標簽樣本，采用基于變分對抗的主動學習方式學習數據潛在的特征表現空間，根據相信度選擇信息量最年夜的無標簽樣本并進行標注。遷移基礎模子參數并結合有標簽樣本進行微調，在保證遷移精度的情況下節省更換新的資料時間，通過IEEE 39節點大圖輸出驗證了所提方式的有用性。
01
數據驅動的TSA模子
本文提出一種TCN和GRU相結合的網絡來進步模子評估的機能模子具體結構如圖1所示。
圖1 TCN-GRU模子結構
Fig.1 The structure of TCN-GRU model
TCN和GRU的組合、實現了對輸進多元暫態時間序列的特征提取，經由全連接層組成的分類器，最終通過Softmax函數輸出系統的穩定性標簽。
02
基于變分對抗主動學習的樣本標注
2.1 TSA中的主動學習流程
深度學習模子在TSA中的勝利應用離不開大批標注樣本的支撐，可是假如用TDS逐個獲取樣本的標簽將耗費大批的算力和時間。雖然模子的訓練是離線進行的，仍需求盡能夠多的覆蓋各種毛病場景，同時在實際應用中面對不斷變化的環境條二線明星一躍成為一線明星，資源紛至沓來。件以及突發事務啟動儀式，暫態樣本的知識庫需求不斷更換新的資料，模子也需求結合增量學習、遷移學習等技術進行參數調整。為了進步數據天生的效力，減少計算負擔，同時增強基于深度學習的TSA應用的實用性，有需要引進主動學習算法。
主動學習的過程可以幫助深度模子更快地學習到關鍵特征，從而以更少的樣本學習達到更高的準確性，其重要流程如圖2所示。在初始化階段，凡是會用一部門已標注的數據訓練一個基礎的深度學習分類器模子，初始化以后進進迭代計算過程。
圖2 主動學習流程
Fig.2 The process of active learning
1）選擇最有價值的樣本。根據采樣戰略選擇樣本。例如當應用不確定性采樣戰略時，起首應用基礎模子對未標注的樣本進行預測，然后選擇此中預測概率最不確定的一些樣本尋求標注。
2）標注樣本。對選中的尋求標注的樣本通過時域仿真進行標注，標注后的數據添加到已標注的數據集中。
3）從頭訓練模子。應用合并新增的已標注樣本后的樣本從頭訓練模子以更換新的資料模子的參數大圖輸出和權重。
4）評估模子機能。應用新模子對測試集進行預測，并計算分類準確率等指標以評估模子的機能。
迭代上述過程，直到達到預定的結束條件，即訓練模子預定的機能指標（例如以準確率為指標）達到或許已經標注了一切的樣本。
2.2 變分對抗主動學習
變分對抗性主動學習應用變分自編碼器（variational autoencoder，VAE）和對抗網絡來學習數據的潛在空間分布，以區分未標注和標注的數據，其架構如圖3所示。
圖3 變分對抗主動學習
Fig.3 The architecture of variational adversarial active learning
變分對抗主動學習的焦點思惟是應用VAE對已標注的數據和未標注的數據進行編碼。是以，對于一個未標注的數據，假如其編碼向量與潛在空間中向量的差異足夠年夜，那么就可以認為該無標注樣本是有價值的。VAE中的編碼器應用高斯先驗學習底層分布的低維空間，解碼器用于重構輸進的數據。
對于樣本的選擇是通過對抗網絡來實現的，判別器的感化是區分一個樣本是已標注還是未標注的。是以VAE在訓練時還要編碼輸進數據，讓判別器難以在隱躲層空間中區分該數據能否包裝盒已經標注。當VAE以類似的概率分布將已標注數據和未標注數據映射到統一潛在空間中時，它欺騙判別器將一切輸進數據分類為已標注數據；同時判別器試圖估計數據來自未標注數據的概率。VAE的作為對抗網絡中的腳色，其目標函數表現為二元穿插熵損掉。
訓練VAE完全的目標函數為
式中：λ1和λ2分別為超參數；
分別為重構損掉和對抗損掉。
最終選擇標注樣本的依據是判別器的輸出，即
式中：L為鑒別器的損掉函數；qϕ為ϕ參數化的編碼器；x、x分別為標注和未標注樣本；z、z分別為標注和未標注樣本映射到隱躲層低維空間的值；D為判別器函數。
假如判別器輸出相信度展覽策劃很高，則說明此時判別器很確信該無標注樣已經可以很好地被現有的標注樣本表現，無需選擇該樣本尋求標注。
03
基于主動遷移學習的TSA框架
基于主動遷移學習的TSA框架如圖4策展所示，分為離線訓練和在線應用階段，當場景變化模子機能降落時通過主動遷移進行更換新的資料。
圖4 基于主動遷移學習的TSA框架
攤位設計Fig.4 The TSA fr經典大圖amework based on active transfer learning
1）離線訓練階段。考慮各種毛病條件，通過時域仿真天生大批樣玖陽視覺本活動佈置，經過數據處理（異常數據剔除、數據歸一化等操縱），然后隨機劃分為訓練集和測試集，基于訓練集數據訓練TSA模子。
2）主動遷移更換新的資料。當系統運行工況改變或拓撲結構發生變化時，需求啟動更換新的資料機制。起首在目標域通過時域仿真天生小批量標注數據和大量量無標注數據，然后根據變分對抗學習算法訓練并從無標注數據集中挑選樣本尋求標注，結合已標注樣本微調源域TSA模子，循環此過程直至微調后的模子機能滿足請求。
3）在線應用階段。訓練好的模子啟動儀式應用于在線評估，當發生毛病時PMU量測數據經過處理后輸進到TSA模子中對暫態穩定性評估并給出結果，假如穩定則不需求任何動作，繼續對系統進行監測即可；假如發生掉穩則考慮施加相應的穩控辦法。
04
算例剖析
為了驗證所提計劃的有用性，在IEEE-39節點系統測試，其拓撲結構如圖5所示。樣本通過PSD-BPA時域仿真產生，模子基于python語言Pytorch開發。
圖5 IEEE-39節點電力系統
Fig.5 The IEEE 39-bus power system
4.1 仿真場景和數據集
對于基礎運行條件下的系統，重要從以下幾個方面考慮模擬的場景：起首是毛病類型，施加最嚴重的三相短路毛病在34條交通線路上；其次考慮毛病發生地位的影響，毛病發生點在每條線路首端至尾端以10%為間距改變；此外考慮分歧的保護計劃，毛病切除時間設置為0.1 s~0.3 s以0.05 s步長變化。最后考慮負大圖輸出荷程度對電力系統暫態響應特徵的影響，設置 75%~120%以5%為間隔的多種系統負荷程度進行仿真。
根據以上設定，10 s的TDS共天生個樣本，此中個樣本為穩定，個樣本為掉穩，依照8∶2的比例對一切數據劃分為訓練集和測試集。對于目標域系統，設置并仿真以下場景并獲得樣本。
目標系統1：在80%~120%負荷程度下，線路6-11停運，在奇藝果影像其余交通線路上施加三相短路毛病，毛病持續時間分別為0.1 s和0.2 s，共天生樣本個，此中掉穩樣本個數為920，穩定樣本個數為開幕活動；
目標系統2：在80%~120%負荷程度下，線路4-14和10-11停運，在其余交通線路上施加三相短路毛病，毛病持續時間分別為0.1 s和0.2 s，共天生樣本個，此中掉穩樣本個數為，穩定樣本個數為；
目標系統3：調整負荷程度為70%、75%、125%、130%，同時調整發電機出力，在34條交通線路上施加三相短路毛病，共天生樣本個，此中掉穩樣本個數為847，穩定樣本個數為。
4.2 源域模子機能對比和測試
TCN-GRU模子采用Adam優化方式以學習率1e-4進行訓練，然后在測試集上對其進行評估，除了準確率A（accuracy）以外，基于表1的混雜矩陣，通過召回率R(recall)、精準率P（precision）和分數F1（F1-score）共4個指標對模子機能周全評估。
表1 混雜矩陣
Table 1 參展 Confusion matrix
為了驗證模子機能的優越性，本文采用機器學習算法包含邏輯回歸（logistic regression，LR）、支撐向量機（support vector 當粉絲在一張洩露的照片中發現她手指上戴著結婚戒互動裝置指machine，SVM）、極限梯度晉陞（extreme gradient boosting，Xgboost）、深度神經網絡（deep neural network，DNN）以及深度學習算法包含卷積神經網絡（convolutional neural network，CNN）、門控循環單元（gated recurrent unit，GRU）、時序卷積網絡（temporal convolutional network，TCN）構建了對比模子。對于機器學習算法上述輸進請求為一維向量，本文將二維數據展開成一維情勢。SVM采用徑向基核函數，懲罰因子C取值為10。Xgboost模子中樹的數量選取為100，最年夜深度為10。5層DNN的神經元數量分別為[,大圖輸出256,64,8,2]，CNN采用的網絡結構為輸進+卷積+池化+卷積+池化+2層全連接+Sofmax輸出層，卷積核鉅細為3，池化層鉅細為1。GRU模子和TCN模子與本文所搭建的復合模子結構雷同分為特征提取和分類器兩部門，特征提取模塊為單一的GRU和TCN。上述深度模子均采用Adam優化器進行訓練，各個模子的預測機能指標對好比表2所示。可以看出，TCN-GRU模子各項指標均為最優，能夠很好地提取暫態時序特征并用于穩定性分類。奇藝果影像
表2 分歧模子的評估結果對比
Table 2 Comparison of evaluation results of different models
當場景變化時，源域模子在目標系統上測試結果如表3所示。可以看出，在各新的場景下模子機能均有所降落，需求啟動更換新的資料機制，結合主動遷移更換新的資料模子。
表3 源域模子在新場景下的測試結果
Table 3 The test results of the source domain model in the new scenario
4.3 目標域主動遷移學習後果
變分對抗主動學習各模塊參數設置如表4活動佈置所示，此中判別器為5層的多層感知機（multilayer perceptron，MLP），學習率設置為5e-4；編碼器息爭碼器分別為3層的一維卷積和轉置卷積，學習率設置為5e-3；VAE參數中β設置為1，潛在空間z維數為100。在開始階段選擇一種與分類器自己無關的樣本選擇方式—多樣性采樣方式，選擇100個樣本作為標注樣本集，各模塊均采用Adam優化器依照表1算法訓練。判別器每次挑選100個相信度最低的樣舞台背板本尋求TDS標注并合并至標注樣本集，記錄每次迭代訓練后的分類器精度。
表4 VAE結構
Table 4 The architecture of VAE
為了對比所提主動遷移方式中挑選樣本戰略的優越性，采用以下幾種選擇樣本標注的方式：1）隨機采樣，隨機從未標注樣本集中挑選，每個樣本被選中 TC:08designfollow
發佈留言