摘 要：电网临界稳定边界特征挖掘是实现暂态稳定态势评估的核心问题之一，随着 PMU 等量测技术的完善，信息驱动的电网分析模式已成为电力系统发展的重要方向。基于当前发展的必然趋势，本文通过阐述基本原理与思路、样本生成与数据处理和暂态稳定临界特征挖掘三个方面，提出了基于信息驱动的电网暂态稳定临界特征挖掘方法，并且提供一种算法示例来验证该方法的可行性。
关键词：电力系统；信息驱动；暂态稳定；特征挖掘

0 引言
随着我国交直流规模不断扩大，电力电子设备广泛应用，高比例新能源占比不断提高，电网运行特征更趋复杂，运行场景更加多元，失稳模式不再单一，传统的“离线计算，在线匹配”的电网安全稳定分析方法逐渐难以满足现代电网发展的需要，亟需发展信息驱动的电网安全稳定在线分析方法。同时，随着广域测量系统 / 相量测量单位（Wide Area Measurement System/Phasor Measurement Unit，WAMS/PMU）的不断发展和完善，在电网调度中心实时获得全网同步数据成为可能，为信息驱动的暂态稳定分析提供了更多的方法和手段，为电网稳定监测、分析、预警和决策提供支撑。

信息驱动的分析模式是随着数理统计及数据库等技术的进步逐步发展起来的分析模式，其本质是从获取到的信息中提取或挖掘出有用的知识信息，或发现有价值的数据模型。通过对海量信息的挖掘分析，从中找出隐藏于期间的、有价值的数据模型或数据特征，进而把得到的信息模式化处理，以使该模型适用于该类场景应用。随着计算机技术及数理统计技术的快速发展，基于信息驱动的分析技术逐渐发展成熟，并扩展到电力系统中的各环节，如电力系统安全稳定评估、电网故障分析、状态监测及预警等；同时随着新型电力系统的不断发展与建设，呈现出不断扩展的趋势，为调度中心等用户提供信息管理与决策支撑。

电力系统临界暂态稳定的边界问题是评价电力系统暂态稳定性的核心问题之一，准确刻画临界暂态稳定的边界特征对电力系统暂态稳定评估具有重要意义。当前在暂态稳定评估时，由于无法对电网临界状态给出准确判断，使安全评估存在模糊区域。所以需要采用新的分析模式或方法，对电网的临界暂态稳定开展边界特征的提取挖掘，实现电网暂态稳定的精细化评估，提高电网经济安全运行水平。

综上，本文介绍了信息驱动的分析模式，并对样本制造（数据生成）；数据处理（将数据统一标准，能够方便后续样本的查询、结果的应用和展示）及对数据处理方式（数据挖掘法、人工智能法和轨迹分析法）进行详细描述。最后提供了一种基于轨迹分析的算法示例加以验证。结果表明，该方法在对暂态稳定评估具有指导作用。

1 基本原理与思路

信息驱动的分析模式是从大量数据中发现知识、挖掘知识及总结知识的过程，其基本原理与思路如图 1 所示，主要包括数据样本的获取、数据处理、输入 / 分析特征的选择与提取、核心算法的选择（模型构建）、结果反馈与验证等，其中样本的获取与处理是基础，输入特征的选择是关键，模型的建立是核心，结果的验证是保障，各环节主要分工和任务如下所述。

图 1 信息驱动模式的基本原理

（1）样本获取。样本的获取主要分为实测数据和仿真数据，通常由于在线实测数据难以获取和样本空间覆盖较少的原因，一般使用仿真数据完成方法验证与离线模型的训练，再使用实测数据去修正和更新方法与模型。为了保证方法与模型的准确性和普适性，需要选择覆盖程度好、质量较高的样本。
（2）数据处理。为了保证样本的有效性与算法的执行效率，需要对样本进行预处理，剔除不合格的数据，提高算法的执行效率和模型训练的可靠性。
（3）特征选择。输入 / 分析特征需要选择能较为全面的反映系统状态，能包含尽可能多的有价值
信息，针对解决电网不同场景问题的需求，借助专家经验、机理分析和算法分析等手段，选择不同的输入特征；同时为了消除冗余特征，可适当对选择的输入特征进行降维、归一化、抽象归纳等处理。
（4）核心算法。面对不同的电力系统问题，需要选择不同方法，不存在某种通用方法可以解决所
有问题，针对不同任务形式及算法特点选择最适合的算法，通过算法分析隐藏在数据信息中的价值，比如通过 SVM 进行暂态稳定性评估、聚类算法进行薄弱点定位、相轨迹进行同调机群选择等。
（5）结果验证与反馈。基于机理分析和人工智能的方法，都需要对算法或模型的分析结果进行有
效性验证（一般通过仿真实验进行对比验证），并将验证的结果反馈给算法或模型，进而不断优化算法和更新模型，保证它们的有效性和优越性。信息驱动模式的分析方法在实际应用过程中，
（1）（2）（5）的设计和处理通常区别不大，主要
区别在（3）和（4），需要具体问题具体分析。

2 样本生成与数据处理

2.1 样本生成方法
信息驱动的分析模式下，首先需要大量的电力系统数据样本，而实测样本大多为稳定样本，失稳样本少会导致样本种类覆盖不全，所以一般需要利用仿真工具生成满足需要的数据样本。常用的仿 真 工 具， 包 括 PSD-BPA、PSASP、PYPOWERDynamics 和 MATLAB 等，不同的仿真工具有不同
优劣。其中，PSD-BPA 和 PSASP 作为国内电力系统计算和分析的两个主流专业软件，在实际电网调度运行中应用最为广泛，其优势在于具有强大的计算能力和模型库，缺点则是接口开放少、程序修改不灵活，可用于大规模电网仿真；MATLAB 具有丰富的接口选择和灵活的程序修改特点，但模型搭建复杂、计算能力较低、模型库不丰富，可用于简单的模型仿真；PYPOWER-Dynamics 是用于暂态稳定性研究的灵活、完全可定制、免费和开源的软件包，提供灵活的命令行界面 (CLI) 和 Python 应用程序编程接口 (API)，适合大多数科研人员需求。

暂态稳定仿真样本的生成原理基本一致（见图2），并不随着仿真工具的不同发生太大改变，以基于 Pypower-Dynamics 仿真工具为例，其仿真样本的生成步骤如下所述。

步骤 1 设定测试运行初始状态，包括网络拓扑配置文件和电机配置文件。
步骤 2 设置故障配置文件，包括故障位置选择、故障类型设置、步长设定、故障发生时刻选择、故障清除时刻选择、输出状态量选择和仿真方法选择等。
步骤 3 读取配置文件，调用时序仿真计算。
步骤 4 记录每一时刻下，各发电机节点电压、功角、励磁电压、流出有功功率和无功功率；母线
电压、流出有功功率和无功功率；负荷有功功率和无功功率，并判断是否失稳。该组数据作为一个样本。
步骤 5 重复步骤 2~4，直到样本数量达到要求。

图 2 样本生成原理图

针对第 2 步故障位置变动的模式，通常采用排列组合的穷举方法，假设系统共有 n 条支路，故障位置参数设置一般为线路的 50% 位置，故障类型通常为三相短路，那么，

（1）在一个潮流运行方式下，单故障方式可产生 n 个样本；复故障方式可产生 n!/[(n-2)!2!] 个样
本……m 故障方式可产生 n!/[(n-m)!m!] 个样本（其中 m ≤ n）；理论上，可产生的样本数为

s=n+n!/[(n-2)!2!]+…+n!/[(n-m)!m!]

（2）同时可采用排列组合的穷举方式，改变系统潮流状态，假设产生了 d 个不同的潮流运行状态，
那么理论上，共产生的样本数为
p=ds
针对暂态稳定样本的制造，通过对排列组合的系统运行方式进行反复调用暂态仿真计算，得到大量的仿真样本。

2.2 数据标准化处理
暂态稳定仿真结果输出的状态数据分为发电机、母线、支路和负荷四大类对象（暂态故障时还包括
故障描述信息），为方便后续样本的查询、应用及展示，需要按照统一标准制定原则，将仿真样本通过 csv 等文本形式进行规范化处理，并制定标准的数据接口规范。

根据专家经验与暂态稳定分析关键特征选择经验，一般发电机状态量选择包括发电机功角、励磁电
压、有功功率、无功功率、机械功率、转速和角速度等；母线状态量包括电压幅值和电压相角等；支路状态量包括首端有功、首端无功、末端有功、末端无功和电流等；负荷状态量包括负荷有功功率和负荷无功功率等；故障信息包括故障位置、故障类型、故障起始时刻、故障清除时刻、稳定判定结果等。各类状态信息可根据实际需要进行扩充或删减。

电力系统标准样本集包含了整个测试系统暂态过程的每个时刻数据，因而数据时空维度较高，若
将所有样本均纳入算法分析和模型训练中，将导致大量数据冗余与资源浪费。为了选取能较为全面表征电网运行状态的特征量，可从数据预处理、特征属性选择和降维等方面对数据样本进一步处理，以获取可适用于算法分析和模型训练的暂态仿真样本，提高算法执行效率和模型训练效率。

3 基于信息驱动的暂态稳定临界特征挖掘方法
3.1 数据挖掘
数据挖掘是随着数理统计及数据库等技术的发展而出现的数据处理分析技术，通过该技术可以对
海量数据进行处理分析，从中找出隐藏于期间的、有价值的数据模型或特征，进而把得到的信息模型化处理，以适用于该类场景应用。随着计算机技术及数理统计技术的快速发展，数据挖掘技术逐渐发展成熟并扩展到各行业，为基于数据挖掘的相关性分析提供信息管理、决策支撑等。对于电力系统暂态的特征提取上，通过对临界暂态样本信息进行挖掘，能将其暂态稳定边界模型化，定性分析稳定情况。

3.2 人工智能技术
随着“碳中和、碳达峰”及新型电力系统的推进建设，传统的电力系统分析方法已难以满足电网
的发展需求。人工智能是一种基于人类行为与思考方式而赋予机器智能机械思维的一种未来性技术，人工智能技术作为一种数据分析工具，在面对复杂多源异构数据的挖掘方面具有绝对优势，将在新型电力系统的建设中发挥越来越重要的作用。同时，针对电网暂态稳定问题而言，稳定域边界可以看作系统状态量的非线性函数，这种函数具有相当大的复杂性、不确定性。因此，通过人工智能技术拟合出精度较高的稳定边界，甚至是完备的稳定边界，成为解决暂态稳定边界特征表达的新方向（见图 3）。

图 3 人工智能算法流程图

人工智能算法有很优秀的适应性和匹配度，但是由于其寻找时间过长且需要大量样本，所以在工程上无法大规模实现，需要更加先进优秀的算法支撑。

3.3 轨迹分析方法
传统的能量分析已经不满足现在的电力环境，所以通过对特定轨迹的研究成为了新的突破口。近年来，随着广域测量系统不断发展、时域仿真算法不断完善，使得故障后的系统轨迹得以快速准确获
取。通过轨迹搜索系统故障后的特征点，可以定量进行暂态稳定性分析。针对轨迹分析有不同的方式，最常见的有发电机功角 - 角速度、功角 - 角速度变化量和功角 - 动能和发电机端电压的运行特征轨迹等获取暂态稳定临界特征。由于受扰后其电压轨迹是系统受扰程度和稳定性质的重要表现形式，可以通过仿真数据获得的暂态临界样本画出轨迹曲线，通过轨迹曲线的特点来分析系统情况，从而快速判断系统在当前状态下是否能保持稳定。

4 算法示例
本章以“轨迹分析法”为例，在 IEEE39 系统上展示信息驱动的暂态稳定临界特征挖掘。该系统包括 39 个母线、46 条线路、19 个负荷，其结构见图 4。

图 4 IEEE39 节点系统

（1）线路 AC36 故障
对故障的描述如表 1 所示。系统中的节点 36 较为薄弱，以节点 36 的电压、相角为例。切除故障时
刻分别为 0.34、0.36、0.38、0.40、0.42s 五个时刻。其中，电压幅值轨迹和电压相角轨迹如图 5 所示。

表 1 线路 AC36 短路故障描述

图 5 节点 36 电压幅值和相角经不同切除时间曲线对比图

从图 5 所示轨迹中可以看到，随着切除时间逐渐延长，电压幅值降低，之后相角不断超前，其电压相轨迹拟合曲线如图 6 所示。由于理想时电压标幺值为 1，所以其轨迹应是标准圆；随着故障的发生，其电压相轨迹会呈现出不断缩小且逆时针旋转的趋势。

（2）母线 15 故障
对故障描述如表 2 所示。同样以节点 36 的电压和相角为例，当发生故障时随着切除时间不断延长，
电压幅值逐渐降低，而其相角逐渐超前。图 7 所示为节点 36 通过不同的切除时间对比图。从图中明显看到，电压幅值依次降低，相角不断超前。

图 6 节点 36 电压相轨迹拟合图

由于理想时电压标幺值为 1，所以其轨迹应是标准圆；随着故障的发生，其电压相轨迹会呈现出不断缩小且逆时针旋转的趋势。如图 8 所示。该节点

表 2 节点 15 短路故障描述

图 7 节点 36 电压幅值和相角经不同切除时间曲线对比图

图 8 节点 36 电压相轨迹拟合图

发生故障后其拟合的椭圆轨迹逐渐呈向内收缩的趋势，且轴心呈逆时针旋转的趋势。所以依靠轨迹可以获得其暂态临界稳定的特征。与轨迹结合能很好且快速判断出暂态稳定边界的特征从而为系统评估，决策优化铺垫。

5 结束语
本文从信息驱动的视角出发，阐述了从数据生成到基于数据刻画的暂态稳定边界的过程。为电网暂态稳定态势智能分析提供技术支撑与指导。同时，随着“碳中和、碳达峰”与“新型电力系统”战略的不断深化推进，必然要求电力系统分析方法需要兼具精准、在线、实时的特点，而“信息驱动”模式同时具备以上三个特征，将是未来电力系统发展的重要方向，在电网分析决策中发挥更加重要的作用。
（参考文献略）

来源: 中国人工智能学会通讯