陈 达，朱 林，张 健，吴子龙，徐 敏，龙 霏

（1. 华南理工大学电力学院，广东省广州市 510640；2. 国网江苏省电力有限公司检修分公司，江苏省南京市 211102；3. 南方电网科学研究院有限责任公司，广东省广州市 510663；4. 广东电网有限责任公司电力调度控制中心，广东省广州市 510660）

0 引言

随着交直流系统规模的不断扩大与运行工况的日益复杂，亟须就暂态电压稳定开展评估。深度学习法能够深入挖掘数据间的联系，为快速评估创造了新的可能性。

作为目前主流的深度学习模型，卷积神经网络（convolutional neural network，CNN）在图像识别、语音识别和自然语言处理等领域［1-4］获得了成功应用。在充分结合电力行业特点后，研究人员将CNN应用在电力负荷预测［5］、电力设备的故障诊断［6-7］以及暂态功角稳定评估等领域［8-9］。

已有研究虽聚焦在CNN 预测能力的应用方面，但却缺乏与电力系统暂态电压稳定评估的深度结合。文献［10］基于CNN 实现了暂态电压稳定的二分类评估。文献［11］利用CNN 对山东电网的暂态电压稳定进行评估，通过对输入特征的合理构建，获得了具有较高准确性的评估结果。

上述基于CNN 的暂态电压稳定评估研究仅给出稳定/失稳的二分类结果，即便能提供预警，但调度、运行人员对稳定程度指标如稳定裕度等有着迫切的掌握需求。目前，这一方面的文献报道较少。文献［12］模型的二分类结果会出现失误或者遗漏，在此基础上不加区分地评估裕度，难以保障可靠性。文献［13］进一步划分样本空间，提出临界区域的概念，但需要通过配合时域仿真方法对临界区域内的样本进行校验，与实时、快速评估的需求相违背。……