[论文解读] Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network

Yonghong Luo, Chao Lü+2 more|arXiv (Cornell University)|Mar 5, 2021

Optimal Power Flow Distribution参考文献 33被引用 4

一句话总结

本文提出一种用于数据驱动的短期电压稳定评估（SVS）的空间-时间图卷积网络（STGCN），利用图卷积建模电网电气拓扑结构，使用一维卷积捕捉时间动态。与现有方法相比，STGCN在准确率、抗噪声能力以及对拓扑变化和运行点变化的适应性方面表现更优，在广东电网测试中达到98.7%的准确率。

ABSTRACT

Post-fault dynamics of short-term voltage stability (SVS) present spatial-temporal characteristics, but the existing data-driven methods for online SVS assessment fail to incorporate such characteristics into their models effectively. Confronted with this dilemma, this paper develops a novel spatial-temporal graph convolutional network (STGCN) to address this problem. The proposed STGCN utilizes graph convolution to integrate network topology information into the learning model to exploit spatial information. Then, it adopts one-dimensional convolution to exploit temporal information. In this way, it models the spatial-temporal characteristics of SVS with complete convolutional structures. After that, a node layer and a system layer are strategically designed in the STGCN for SVS assessment. The proposed STGCN incorporates the characteristics of SVS into the data-driven classification model. It can result in higher assessment accuracy, better robustness and adaptability than conventional methods. Besides, parameters in the system layer can provide valuable information about the influences of individual buses on SVS. Test results on the real-world Guangdong Power Grid in South China verify the effectiveness of the proposed network.

研究动机与目标

• 解决现有数据驱动方法在捕捉短期电压失稳（SVS）时空动态方面的局限性。
• 开发一种深度学习模型，有效整合电网电气拓扑结构与同步相量测量单元（PMU）时间序列数据，实现实时SVS评估。
• 提升模型对噪声、拓扑变化及运行条件变化的鲁棒性。
• 通过系统层参数提供对单个母线对系统稳定性影响的可解释性洞察。

提出的方法

• 使用切比雪夫图卷积将电网拓扑嵌入模型，捕捉电压失稳传播中的空间局部性。
• 应用一维卷积层从故障后PMU时间序列中提取时间特征。
• 采用时空特征融合模块，结合空间与时间维度上的多感受野表征。
• 引入两阶段架构：节点层用于母线级特征学习，系统层用于全局稳定性分类。
• 利用图拉普拉斯矩阵与切比雪夫多项式近似，高效计算图卷积。
• 使用故障场景下的标注PMU数据端到端训练STGCN模型，实现系统稳定性分类。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用PMU数据捕捉短期电压失稳的时空动态？
• RQ2 与基于地理信息或无拓扑建模的方法相比，引入电网电气拓扑结构在多大程度上提升了数据驱动SVS评估的准确率与鲁棒性？
• RQ3 所提出的STGCN模型在测量噪声、拓扑变化及运行点变化条件下，性能保持程度如何？
• RQ4 STGCN模型的系统层参数能否提供对单个母线对电压稳定性贡献的可解释性洞察？

主要发现

• 所提出的STGCN在不同运行点下测试准确率达98.7%，优于ST-shapelet（97.3%）、LSTM（92.0%）和RVFL（92.3%）方法。
• 在噪声环境下，STGCN保持98.6%的准确率，显著高于LSTM（92.0%）和RVFL（84.0%），展现出优越的抗噪能力。
• 在拓扑变化条件下，STGCN准确率达96.0%，优于ST-shapelet（93.0%）、LSTM（94.0%）和RVFL（93.0%），归因于其拓扑感知设计。
• 模型在各类故障场景下性能保持稳定，表明对系统变化具有强适应性。
• 系统层参数可提供关于单个母线对整体电压稳定性影响的可解释信息，支持诊断分析。
• 切比雪夫图卷积与一维时间卷积的结合，有效建模了SVS中的空间局部性与时间演化特性。