田 园，汪可友，徐 晋，李国杰

（电力传输与功率变换控制教育部重点实验室（上海交通大学），上海市200240）

0 引言

在不断增长的经济压力和电力需求下，电力系统运行时的稳定裕度不断减小。系统调度人员经常需要在极度紧张的情况下，实时计算可用的传输能力或实时管理拥塞问题。其中，最具挑战性的环节之一就是如何在线快速评估系统暂态稳定性并采取进一步预防控制措施。传统暂态稳定评估方法中，时域仿真法［1］计算精度高、对模型没有限制，但耗时过长无法适应在线应用。而直接法［2］虽然提供了暂态稳定性的定量分析，但存在难以构建复杂系统能量函数以及保守性等问题。

近年来，机器学习方法［3-7］因其评估计算过程简单，不需要建立复杂的数学计算模型，在暂态稳定评估方面取得了显著成就。相关研究主要涉及深度置信网络（deep belief network，DBN）［3］、卷积神经网络（convolutional neural network，CNN）［4］、决策树（decision tree，DT）［5］、支持向量机（support vector machine，SVM）［6］和极限学习机（extreme learning machine，ELM）［7］等方法。基于机器学习的暂态稳定评估本质是学习电力系统的运行状态特征量与系统稳定与否等信息之间的映射关系。其中，文献［3］提出了一种基于DBN 的暂态稳定评估方法。该模型先使用无标注样本进行贪心无监督学习，后使用有标注样本进行监督学习以训练DBN 模型。能够在少量训练样本和含有无关特征的情况下获得较好的评估性能。文献［4］提出一种基于稳态特征量的CNN 综合评估模型。采用多个结构相同、参数不同的CNN 模型进行结果综合，得到“稳定”“不稳定”“不确定”3 种分类预测结果。……