基于 Transformer 架构的深度学习用于类别不平衡的电力系统短期电压稳定评估
系统与控制
2023-11-09 v1 机器学习
系统与控制
摘要
大多数现有数据驱动的电力系统短期电压稳定评估（STVSA）方法假定输入数据类别平衡。然而，在实际应用中，扰动后发生短期电压失稳的概率极小，导致显著的类别不平衡问题及分类器性能下降。本工作提出一种基于 Transformer 的 STVSA 方法来应对该挑战。通过利用基础 Transformer 架构，开发了稳定性评估 Transformer（StaaT）{作为分类模型以反映系统运行状态与所得稳定性结果间的相关性}。为抵消不平衡数据集的负面影响，本工作采用带梯度惩罚的条件 Wasserstein 生成对抗网络（CWGAN-GP）进行合成数据生成，辅助创建平衡且具有代表性的分类器训练集。实施半监督聚类学习以提升聚类质量，解决短期电压稳定缺乏统一量化准则的问题。{在 IEEE 39 总线测试系统上的数值测试广泛表明，所提方法在高达 100:1 的类别不平衡及噪声环境下表现出鲁棒性能，且即便可再生能源渗透率增加仍保持一致性效果}。对比结果显示，CWGAN-GP 比传统过采样方法生成更平衡的数据集，且 StaaT 优于其他深度学习算法。本研究为常面临类别不平衡与数据噪声挑战的实际 STVSA 应用提供了一种引人注目的解决方案。
引用
@article{arxiv.2310.11690,
title = {Deep learning based on Transformer architecture for power system short-term voltage stability assessment with class imbalance},
author = {Yang Li and Jiting Cao and Yan Xu and Lipeng Zhu and Zhao Yang Dong},
journal= {arXiv preprint arXiv:2310.11690},
year = {2023}
}
备注
Accepted by Renewable and Sustainable Energy Reviews