基于分层生成对抗网络的预测式在线暂态稳定评估
系统与控制
2021-12-16 v1 系统与控制
摘要
在线暂态稳定评估（TSA）对电力系统的安全稳定运行至关重要。不断增长的相量测量单元（PMU）数量带来了海量数据源，可增强在线 TSA。然而，传统数据驱动方法需要大量暂态数据才能正确评估系统的暂态稳定状态。本文开发了一种新的数据驱动 TSA 方法，与传统方法相比可用更少数据进行 TSA。数据约简通过利用生成对抗网络（GAN）学习历史暂态数据的动态行为来实现。该知识在线用于预测暂态事件后的电压时间序列数据。嵌入生成网络中的分类器利用预测的后故障数据来确定故障后系统的稳定性。所开发的基于 GAN 的 TSA 方法保留了多元 PMU 时间序列数据中存在的空间与时间相关性。因此，与最先进 TSA 方法相比，它仅使用一份测量数据样本和更短响应时间即实现了更高的评估精度。在 IEEE 118 总线系统上进行的案例研究证明了该基于 GAN 的方法相对于传统数据驱动技术的优越性能。
引用
@article{arxiv.2112.07840,
title = {A Predictive Online Transient Stability Assessment with Hierarchical Generative Adversarial Networks},
author = {Rui Ma and Sara Eftekharnejad and Chen Zhong and Mustafa Cenk Gursoy},
journal= {arXiv preprint arXiv:2112.07840},
year = {2021}
}