基于异质边图注意力网络的电力系统振荡评估模型

摘要：

新能源发电使电网潮流变化更加快速,跟踪潮流变化,在线预测电网关键振荡模式的阻尼比和机组参与因子对维护电网运行安全有重要意义.该文采用数据驱动的建模思路,设计了基于多任务学习和深度学习框架的电力系统小干扰稳定评估模型(small-signal stability assessment,SSA),可同时实现多振荡模式的阻尼比预测和机组参与因子预测任务.基于图注意力网络和异质图思想,设计了引入边信息的边图注意力机制和将节点和边分类处理的异质图处理方法,建立了能有效利用边信息的异质边图注意力网络模型(heterogeneous edge graph attention network,HEGAT).以HEGAT的特征聚合为基础,通过多任务共享参数和基于联合误差函数的训练提高了特征提取能力.IEEE10机39节点算例的对比实验表明,HEGAT-SSA能快速准确的预测模式和模态变化,并具有对拓扑变化的良好适应能力.

关键词：小干扰稳定评估、图深度学习、边注意力、异质图、多任务学习

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金;南方电网公司科技项目

在线出版日期：2022-07-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2581-2592