基于全局-局部多对齐学习的电力系统频率安全性评估：考虑多种可再生能源情况

《Renewable Energy Focus》：Frequency safety assessment of power system based on global–local multi-alignment learning under diversified renewable energy conditions

　　卢苏立|方陈|彭国|崔建赵|冯凯尚|苏杰刘|蓝天恒
石家庄大学，中国

摘要
随着分布式可再生能源（RE）的大规模整合，由地理和自然因素引起的多样化RE条件（DRECs）导致电力系统运行特性的频繁变化，给传统的数据驱动频率安全评估（FSA）方法的适应性带来了严峻挑战。为了解决这一问题，本文提出了一种基于双分支特征提取和权重调整的全局-局部多对齐学习（GLMAL）机制的新型电力系统FSA模型。首先，构建了一个结合GRU全局关注和1D-CNN局部关注的双分支深度学习网络，以提取和融合不同DRECs下的多维深度特征。然后，采用权重调整的GLMAL机制来统一全球和局部层面的深度特征多级分布模式，并通过权重项平衡它们的重要性。结合梯度反转层，实现了特征对齐和FSA分类准确性的联合优化，通过对抗学习实现了跨DRECs的无监督FSA，显著增强了在线应用潜力。最后，在IEEE 39节点系统和具有多种DREC场景的伊利诺伊电网上进行了广泛的数值测试。结果表明，所提出的方法具有更高的评估准确性、更强的跨场景适应性和出色的抗逆变器测量噪声能力，对于高比例RE电力系统中的在线FSA具有很大的应用潜力。

引言
目前，全球各国都在积极开发可再生能源（RE）[1]。然而，高比例的分布式RE为电力系统的频率安全和运行状态带来了新的问题，并影响了RE在现代电力系统中的应用前景。一方面，电力系统中的分布式RE受到自然环境的显著影响，表现出随机性、波动性和不确定性[2]。这些特性容易破坏有功功率平衡，同时系统的惯性水平相应降低，削弱了其抗干扰能力。因此，电力系统频率安全问题变得尤为突出。因此，为了识别干扰是否威胁系统频率并导致安全事故，电力系统频率安全评估（FSA）变得尤为重要[3]。另一方面，高比例的RE分布在电力系统的不同地理位置。自然因素可能导致RE设备的电网连接和发电量在不同地点发生显著变化[4]，形成多样化的RE条件（DRECs）。这些变化可能会引发系统运行状态和物理特性的根本性变化，如总惯性、功率流和瞬态响应。因此，在DRECs下的FSA方法需要强大的应用灵活性和适应性。因此，为了应对这些新的问题和需求，需要一种自适应、可更新的DRECs FSA方法，这对于监测和确保现代电力系统的安全运行至关重要。

FSA作为在线动态安全评估（DSA）的一个组成部分，几十年来一直是研究焦点。其研究方法不断演变，从传统的时间域（T-D）仿真方法[5]发展到等效模型方法[6]。特别是在近年来，随着电网数据采集和高速通信设备（例如，逆变器测量单元（PMUs）[7]的广泛部署以及人工智能技术的成熟，数据驱动的电力系统FSA研究得到了广泛应用。数据驱动FSA的核心思想是使用先进的机器学习（ML）或深度学习（DL）方法来学习和挖掘大量广域PMU数据的潜在分布模式，从而建立电力系统高维状态数据与瞬态响应结果之间的隐含关系。随着高比例分布式RE的应用，FSA在电力系统中的重要性日益增加。具体来说，针对使用ML技术的FSA问题，文献中已经报道了一些有价值的基于ML的数据驱动FSA解决方案[8]、[9]、[10]。对于FSA任务中的不同科学问题或应用需求（例如HVDC阻塞问题[8]和考虑RE发电不确定性的频率安全警告[9]），采用了各种设计良好的ML方法来推导和建立数据驱动的FSA模型。然而，由于ML方法本身的局限性（例如，对于强非线性高维特征数据的特征提取能力有限、泛化能力差以及过拟合或欠拟合问题），一些学者对这些基于ML的方法提出了批评。

近年来，基于神经网络的DL方法在FSA任务中受到了广泛关注，并展示了巨大潜力，促成了许多FSA方案的发展[11]、[12]、[13]、[14]。与基于ML的FSA方法相比，这些基于DL的FSA优化方案在学习系统广域动态数据的分布模式和实现自动特征提取方面表现出更强的能力。因此，它们在提高在线FSA的准确性和效率方面具有巨大潜力。此外，针对受自然环境变化影响的多样化RE输出问题，相关学者通过结合DL思想和迁移学习（TL）技术实现了跨不同场景的RE输出预测模型的转移[15]。例如，参考文献[16]采用了TL方法，参考文献[17]基于微调预训练模型的思想，参考文献[18]利用知识转移的思想来研究不同任务领域中的风力发电预测问题。然而，这些方法将每个区域的RE视为独立的研究对象，以实现跨多样化场景的灵活应用。没有进一步考虑DRECs对整个系统运行状态和安全的影响，特别是频率安全问题。尽管基于ML/DL的数据驱动技术在FSA研究中取得了进展，但它们仍然存在一定的局限性。具体来说，大多数研究假设电力系统在固定状态或场景下运行，有些研究甚至没有考虑RE的影响。本质上，这种假设导致数据驱动模型仅在相同的运行状态（即相同的广域数据分布模式）下表现良好。当系统的运行状态发生变化时，它们的性能就变得不令人信服。

为了解决这个问题，参考文献[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]通过引入TL扩展了数据驱动模型的应用范围。具体来说，参考文献[21]、[23]分别使用Wasserstein距离和聚类方法来减少不同电力系统状态下广域数据分布模式的差异。参考文献[20]、[24]、[25]使数据驱动模型的某些网络层能够在新系统状态下重新学习标记样本数据的分布模式，从而提高模型在新环境中的性能。参考文献[22]、[27]基于深度特征距离（例如，最大均值差异（MMD）来减少不同领域深度特征之间的分布差异。参考文献[19]、[26]采用领域对抗学习和条件对抗学习等方法来统一不同运行状态下广域动态数据深度特征的分布模式，从而提高评估模型的应用灵活性。近年来，先进的基于变压器的领域适应模型（T-DAM）[29]和增强注意力的迁移学习方法（AETLM）[30]逐渐应用于跨场景能源领域。这些方法利用变压器结构捕获频率响应数据的长期时间依赖性，或通过注意力机制增强特征提取能力，在跨场景任务中实现了某些性能改进。然而，它们仍然采用单级全局对齐结构，无法有效解决跨场景任务的细粒度子类错位问题，并且缺乏对全局时间特征和局部特征数据变异的协同学习，导致性能提升有限[19]、[26]、[29]、[30]。此外，尽管上述方法[21]、[22]、[23]、[24]、[25]、[26]提高了数据驱动模型的灵活性，但大多数方法将系统拓扑的小变化（例如，特定线路的断开或特定发电机的丢失）视为不同的运行状态。实际上，除了短期偶发故障（例如，单相短路）外，大多数这些变化源于运行计划的调整，这些变化可以通过提前更新模型来处理。然而，如1.1节所述，对于具有高比例分布式RE的现代电网，由于DRECs的影响，系统的运行状态往往会更频繁地变化。尽管这些变化可能不会改变系统的布线，但它们本质上会导致PMUs收集的广域动态数据分布模式的显著变化，使得现有的数据驱动FSA模型不再适用。

此外，一些解决方案[24]、[25]需要在新的系统状态下有标记样本。数据标记本质上效率低下，使得新状态标记数据的获取非常耗时，无法满足在线自适应评估的速度要求。此外，在减少广域数据分布差异时，参考文献[21]、[22]中的简单相似性度量无法处理高维非线性复杂数据。参考文献[19]、[26]仅在数据集的宏观层面统一了深度特征分布，忽略了详细特征。总之，在现代电网中可靠且高效的跨DRECs进行在线FSA仍然具有挑战性。为了解决这一具有挑战性和实际性的问题，本文提出了一种基于双分支特征提取和权重调整的全局-局部多对齐学习（GLMAL）的电力系统FSA方法框架，用于现代电网中的DRECs。

根据1.2节的分析，现有研究仍有三个关键局限性：首先，大多数特征提取网络无法同时捕获干扰后频率响应的全局时间趋势和局部变异特征，导致提取的深度特征区分度不足。其次，现有的领域适应方法（如DANN、CDAN和T-DAM）大多采用单级全局对齐，无法同时解决DRECs下的整体分布变化和特征?细粒度子类错位问题。第三，大多数方法依赖于目标领域的标记样本来更新模型，无法满足快速变化的DREC场景下的在线FSA的速度要求。为了填补这些研究空白，本文采用了一种结合双分支特征提取和权重调整的GLMAL机制的集成设计，用于跨DREC FSA任务。首先，通过双分支深度学习网络提取和融合不同DRECs的多维深度特征。然后，采用权重调整的GLMAL机制来统一不同DRECs下的深度特征的全局-局部多级分布模式，并引入权重项来平衡这两个层次的重要性。其次，通过结合梯度反转措施的联合优化思想，同时优化了全局-局部深度特征的对齐和FSA任务的准确性。此外，基于对抗学习思想开发的无监督FSA显著提高了所提方法的应用灵活性和在线应用潜力。

本文的主要贡献总结如下：
为了应对DRECs下的FSA挑战，本文开发了一种基于双分支特征提取和权重调整的GLMAL机制的FSA模型，有效提高了数据驱动FSA任务在变化的可再生能源场景下的灵活性和适应性。在此基础上，构建了一个增强注意力的双分支深度学习网络，协同提取和融合频率响应数据的多维全局和局部特征。此外，所采用的权重调整的GLMAL机制实现了DREC数据在全球和局部层面的深度特征分布模式的统一，权重项平衡了两种对齐过程的重要性，解决了现有单级对齐方法在处理DRECs下细粒度特征错位方面的局限性。最后，开发的模型实现了无需依赖目标领域标记样本的跨DRECs的无监督FSA，广泛的数值测试验证了该方法在各种DREC场景下取得了良好的FSA性能，具有很强的应用灵活性和工程潜力。

本文的结构如下：第2节描述了电力系统的DREC和GLMAL的基本思想。第3节详细介绍了为DREC提出的FSA方法。第4节和第5节使用两个示例系统进行了广泛的数值测试。第6节提出了结论。

**片段摘要**
通过在对固定电力系统的海量事故样本进行深度学习，挖掘输入数据背后的分布模式和深度特征，然后建立特征数据与结果之间的映射关系，构建了通用的数据驱动FSA模型。这一过程产生了一个FSA模型，表示为：F:x→y，其中x={x1,x2,…,xn}，y∈{0,1,2}，xi∈RL×d（1≤i≤n）表示特征xi的d维时间序列（TS）轨迹，长度为L（即L个采样点）。所提出的方法如图3所示，其实施包括三个阶段：离线DRECs样本库的准备、针对DREC情景的FSA方法的提出以及在线实现。

案例研究I：理论测试系统
所提出的方法在修改后的IEEE 39节点系统和美国伊利诺伊电网（AIPG）上进行了详细的数值测试。这些改进旨在生成DRECs和未知的运行状态，从而形成差异化的FSA测试案例来验证所提方法的性能。如2.1节所分析的，DRECs是基于不同的可再生能源（RE）渗透率、安装位置和RE功率输出来开发的。FR样本库是使用AIPG数据获得的。选择美国伊利诺伊电网（AIPG）作为实际测试系统，以进一步验证所提方法的FSA性能。AIPG由200个节点、49台发电机和160个负载组成[33]，其系统规模比IEEE 39节点系统更大。为AIPG建立了三种不同的DRECs和系统状态，分别表示为{DC1,DC2,DC3}。这些DRECs的可再生能源渗透率分别设定为20%、40%和60%。基于渗透率的差异，...

结论
为了解决由于高比例分布式可再生能源整合导致的电力系统DRECs下数据驱动FSA方法的适应性挑战，本文提出了一种基于双分支特征提取和权重调整的GLMAL机制的FSA模型。所提方法的核心特点在于双分支全局-局部特征提取结构、权重调整的GLMAL双层对齐机制以及基于GRL的联合优化策略的集成设计。

CRediT作者贡献声明
李璐苏：撰写——审阅与编辑，撰写——初始草稿，验证，项目管理，方法论，资金获取，概念化。
陈芳：撰写——审阅与编辑，撰写——初始草稿，可视化，监督，项目管理，概念化。
郭鹏：撰写——审阅与编辑，撰写——初始草稿，可视化，验证，软件，资金获取。
赵翠健：撰写——审阅与编辑，撰写——初始草稿，资源准备。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作得到了石家庄大学博士研究启动基金项目（项目编号25BS013）、河北省高等学校青年科学基金（项目编号QN2026508）以及河北省高等教育教学改革研究与实践项目（项目编号2023GJJG556）的支持。