潘 远，陈章国，蔡新雷，杨民京

(1.广东电网有限责任公司电力调度控制中心，广东 广州 510600；2.南京南瑞信息通信科技有限公司，江苏 南京 210003)

由于电力系统互连规模和复杂性的持续增长、可再生能源的扩散和涌入、电力需求的增加，使得电力系统中发电机稳定工作点的控制变得更有难度，导致大规模电力系统事故和大范围停电风险的增大[1-3]。为此，需要进行发电系统暂态稳定性实时监视，以便在出现电力系统波动时快速和准确地识别发电机的运行状态[4-5]。

电力系统暂态稳定性评估的主流方法包括时域仿真法[6]和直接法[7]。时域仿真法需要求解非线性微分代数方程，计算量大，在实时应用场景下对计算资源的要求较高。直接法主要有能量函数计算法，能够给出量化的电力系统稳定值。将系统的势能和动能值与参考值进行比较的能量函数计算方法，在实际应用中无法准确估算实际能量值。基于能量函数的扩展等面积准则[8]、边界轨迹法[9]等方法，虽然计算效率较好，但是仍不够准确。

随着人工智能算法的快速发展，基于数据驱动的技术为发电机组暂态稳定性监视提供了新的解决思路。为此，本文提出一种基于改进卷积神经网络的发电机组运行状态的实时监视框架。该框架利用部署的相量测量单元(PMU)所取得的测量值，包括电压和电流幅值、发电机功角以及系统频率等，构造变量热图作为输入数据，然后使用带有预设池化层的卷积神经网络对图像进行多标签分类，以实现发电机组运行状态的在线识别。……