基于时空图卷积网络和自注意机制的频率稳定性预测

作     者：杜东来 韩松 荣娜 Du Donglai;Han Song;Rong Na

作者机构：贵州大学电气工程学院贵阳550025 

出 版 物：《电工技术学报》 (Transactions of China Electrotechnical Society)

年 卷 期：2024年第39卷第16期

页      面：4985-4995页

核心收录：

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0711[理学-系统科学] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0816[工学-测绘科学与技术] 0813[工学-建筑学] 0814[工学-土木工程] 0811[工学-控制科学与工程] 0822[工学-轻工技术与工程] 0702[理学-物理学] 

基　　金：贵州省优秀青年科技人才项目(5645) 贵州省科技支撑计划项目(290,329) 贵州省科学技术基金项目(277)资助 

主　　题：频率稳定性预测 深度学习 时空图神经网络 自注意力机制 可解释性 

摘      要：针对传统数据驱动预测方法对电力系统频率稳定性预测的时空特性利用不充分、新拓扑下泛化能力差和可解释性较弱的问题,该文提出了一种基于自注意力机制和时空图卷积网络(STGCN)的频率稳定性预测方法。STGCN预测方法利用一维时间卷积层提取系统时间信息,利用切比雪夫图卷积通过近似拉普拉斯矩阵的多项式函数执行图卷积操作,从而捕获各母线及其邻居的拓扑结构信息;然后,采用基于自注意力机制的可微分图池化层来获得各母线注意力得分以对预测模型的决策过程进行可解释性分析,该分层池化策略允许模型尽可能地保留有价值的节点特征,并根据保留特征和动态拓扑有效分配节点以提高模型的泛化能力与鲁棒性;最后,在修改的新英格兰39节点系统和ACTIVSg500节点系统上的测试验证了所提方法的有效性。与传统方法相比,该文所提STGCN具有更高的预测精度、更好的鲁棒性和泛化能力。同时,该方法可以提供系统内各母线对预测结果的具体影响。