基于时空图卷积网络的数据驱动短期电压稳定评估
机器学习
2021-03-08 v1 系统与控制
系统与控制
摘要
短期电压稳定（SVS）的故障后动态呈现时空特性，但现有的用于在线 SVS 评估的数据驱动方法未能将此类特性有效纳入其模型。面对这一困境，本文提出了一种新颖的时空图卷积网络（STGCN）以解决该问题。所提 STGCN 利用图卷积将网络拓扑信息整合进学习模型以挖掘空间信息，随后采用一维卷积挖掘时间信息。由此，它以完整的卷积结构对 SVS 的时空特性进行建模。之后，在 STGCN 中策略性地设计了节点层与系统层用于 SVS 评估。所提 STGCN 将 SVS 的特性整合进数据驱动的分类模型，能够比常规方法获得更高的评估精度、更好的鲁棒性与适应性。此外，系统层中的参数可提供关于各母线对 SVS 影响的有价值信息。在中国华南真实广东电网上的测试结果验证了所提网络的有效性。
引用
@article{arxiv.2103.03729,
title = {Data-Driven Short-Term Voltage Stability Assessment Based on Spatial-Temporal Graph Convolutional Network},
author = {Yonghong Luo and Chao Lu and Lipeng Zhu and Jie Song},
journal= {arXiv preprint arXiv:2103.03729},
year = {2021}
}