原文发表在《高压电器》2025年第1期。
https://www.chndoi.org/Resolution/Handler?doi=10.13296/j.1001-1609.hva.2025.01.012
基于GCN-LSTM的电力系统暂态电压稳定评估
徐焕，夏凡，陈铈，赵青尧，魏晓燕，梅子薇
(国网湖北省电力公司信息通信公司，武汉430000)
一 内容简介
为了提高电力系统暂态电压在系统拓扑结构发生变化时能够稳定评估，以及提高在时空方面的特征提取能力，提出一种图卷积网络与循环神经网络相融合的方法。首先，引入图卷积网络对电力数据进行图表示，将电力系统建模为网络结构，自动学习电压节点的特征表示。其次，提出使用循环神经网络来处理暂态电压数据的时间依赖关系，捕捉暂态电压数据的时序特征。然后，提出自适应增强模块，用于将两个输出特征表示相互融合，提高模型在系统拓扑结构上的时空特征提取能力。最后，通过算例验证表明，相比于传统的评估模型，所提方法具有更高的预测精度和有效性。
二 主要内容
电力系统的暂态电压稳定性(short-term voltage stability，SVS)非常重要，特别是在面临重大扰动时，如突然的负荷变化、发电机故障或线路故障等情况下。暂态电压稳定性的目标是保持或恢复系统电压在允许范围内，并防止电压崩溃引发停电。随着电力消费量的增长、可再生能源的集成以及动态负载的增加，暂态电压不稳定性问题变得更加突出。因此，及时评估电压稳定性，并采取相应的措施来预防停电的发生，对于保障电力系统的可靠运行非常重要。
为了实现有效的暂态电压稳定性评估，需要采用现代化的控制系统，例如广域测量系统(WAMS)和相量测量单元(PMU)，以实时地采集电网的状态数据。时域仿真法和轨迹灵敏度分析法两种方法在电力系统稳定性评估中都具有重要的作用。目前机器学习(machine learning，ML)方法在基于数据驱动的暂态电压稳定性评估中广泛应用。有作者提出一种基于混合人工神经网络(artificial neural network，ANN)的短期电价预测混合方法，实现了比其他AI方法更高的预测精度。有作者提出将灵敏度指标和模糊聚类相结合，对电压薄弱点进行综合判断。有作者提出一种基于随机森林(random forest，RF)算法改进型的短期负荷预测方法，RF在处理负荷预测问题上具有一定的优势。
深度学习模型，特别是卷积神经网络(convolutional neural network，CNN)，在模式识别领域取得了显著的成果，并被广泛应用于暂态电压稳定性评估。有作者描述了随机权重神经网络将学习系统的非线性关系，并尝试准确地预测系统在不同暂态条件下的电压稳定性。该方法通过将大量的历史暂态数据输入到随机权重神经网络中进行训练，以学习电力系统中的模式和规律。有作者探索了使用CNN建立暂态电压稳定性评估模型的方法。CNN通过卷积操作来提取和学习局部特征，这在图像处理等领域取得了显著成果。然而，暂态电压稳定性评估问题涉及到全局性的系统行为和相互作用，需要考虑各个部分之间的复杂关系。传统的深度学习模型在处理电力系统暂态电压稳定性评估时，无法很好地提取系统中各个部分之间的复杂关系和动态变化。同时在电力系统暂态电压稳定性评估领域，可以考虑使用循环神经网络(recurrent neural network，RNN)建模电力系统中的时间动态特征，解决CNN在处理时间序列数据中的限制。
为解决上述问题，文中引入图卷积网络(graph convolutional network，GCN)代替传统的CNN。图卷积网络可以将电力系统中的电压节点视为图节点。通过对图结构进行卷积操作，GCN可以学习局部和全局节点之间的相互作用和信息传递，从而更好地捕捉电力系统中节点的特征表示。同时，为了处理暂态电压数据的时间依赖关系，文中引入了RNN的一种变体长短时记忆(long short term mermory，LSTM)网络。该机制可以帮助模型更好地捕捉电力系统暂态电压数据的时序特征。此外，为了更好的融合图卷积网络和循环神经网络的特征信息，提出了自适应增强模块(adaptive-enhanced module，AEM)，能够进一步增强模型对系统稳定性评估的准确性。
1 GCN-LSTM网络定义
1.1 GCN定义
1.2 LSTM定义
2 融合GCN-LSTM的SVS模型
2.1 模型整体框架
2.2 自适应融合模块
3 SVS评估方法
3.1 暂态电压稳定判据
3.2 模型性能的评价指标
4 实验算例分析
4.1 实验样本生成
4.2 模型性能分析
4.3 拓扑变换的影响
4.4 特征可视化分析
4.5 IEEE-300节点系统
三 结论
文中提出了结合图卷积网络和长短期记忆的GCN-LSTM模型，可以对电力系统的图结构数据和时序信息进行有效建模和学习，从数据中发现隐藏的模式和规律并提供对电网暂态电压稳定性的评估。具体而言，该方法结合了图卷积网络GCN和长短时记忆LSTM来处理电力系统暂态电压数据的特征提取和时序建模。GCN能够对电力系统建模为图结构，并通过学习节点之间的相互作用来捕捉电网故障后不同节点的特征表示。而LSTM通过门控机制可以有效地处理暂态电压数据的时间依赖关系，进一步丰富模型对时序特征的建模能力。通过对电力系统监测数据的输入，GCN?LSTM模型可以即时预测系统的稳定状态，为安全评估和决策提供支持。最后，在文中可能还包括了在真实电力系统数据集上进行的实验分析，以验证该方法的有效性和性能。
作者简介
徐焕(1981—)，男，本科，高级工程师，研究方向为数据库、ERP(E-mail：53287272@qq. com)。
本文索引
徐焕，夏凡，陈铈，等. 基于GCN-LSTM的电力系统暂态电压稳定评估[J]. 高压电器，2025, 61(1)：104-111.
XU Huan，XIA Fan，CHEN Shi，et al. Transient voltage stability assessment of power system based on GCN-LSTM[J]. High Voltage Apparatus，2025, 61(1)：104-111.
《高压电器》，CN 61-1127/TM，ISSN 1001-1609，邮发代号：52-36，1958年创刊，月刊，国内外公开发行，刊名由当时的人大常委会副委员长、中国科学院院长郭沫若同志亲笔题写。陕西省科技期刊精品期刊。
《高压电器》入选的数据库有：中文核心期刊、中国科技核心期刊、中国科学引文数据库（CSCD）核心刊、RCCSE中国核心学术期刊、世界期刊影响力指数（WJCI）报告。另外，《高压电器》还被国际著名的Scopus数据库收录，同时被俄罗斯的《文摘杂志》（AJ，VINITI）、英国的《科学文摘》（SA）及日本科学技术振兴机构数据库（JST）等著名期刊检索机构列为来源期刊。
投稿网址：www.zgydq.com
