基于电压稳定裕度量化与CNN-LSTM深度学习的电力系统暂态电压稳定评估及应急响应控制优化方法

《Energies》：Response-Driven Optimal Emergency Control of Power Systems via Deep Learning-Based Sensitivity Embedded Optimization Lin Cheng, Han Wang, Yiwei Su and Gengfeng Li

　　

针对大规模电力系统暂态电压稳定（Transient Voltage Stability, TVS）评估实时性差、传统安全指标难以反映累积电压跌落效应的问题，研究人员提出一种基于量化电压稳定裕度（Voltage Stability Margin, VSM）与混合卷积神经网络—长短期记忆网络（Convolutional Neural Network–Long Short-Term Memory, CNN-LSTM）的大扰动电压稳定快速评估及响应驱动紧急控制优化决策方法。首先建立考虑多阈值—持续时间对（threshold-duration pairs）的电压稳定裕度量化指标ξ，通过滑动时间窗归一化电压偏离临界阈值的面积来综合表征系统电压安全水平；其次以关键母线电压时间序列为输入、ξ为输出训练CNN-LSTM模型，利用一维卷积提取故障初期电压空间局部特征，经最大池化降维后由LSTM层捕捉电压恢复过程的长时依赖关系，最终通过全连接层映射至连续裕度值。将AI预测的ξ纳入灵敏度分析与优化约束，把复杂非线性稳定判别转化为可微解析表达式，为在线切负荷/切机（Load Shedding/Generator Tripping）等紧急控制（Emergency Control）措施提供实时量化依据。仿真验证表明该方法兼顾评估精度与计算速度，适用于大电网在线应用。

研究背景与意义

传统暂态电压稳定评估依赖时域仿真或简化能量函数法，难以在线应用；现有基于单一阈值—持续时间对的静态安全指标无法合理计及电压低于阈值期间的累积效应，且缺乏平滑线性特征，不利于灵敏度分析与优化控制。为提升大扰动电压稳定的在线判别能力与紧急控制决策的科学性，研究人员以量化电压稳定裕度为核心，结合深度学习建立快速评估模型并嵌入控制优化框架。本文发表于《Energies》。

主要关键技术方法

研究人员采用电力系统中典型大扰动（如短路故障切除）下的多运行方式仿真生成关键母线电压时间序列样本及对应裕度标签；建立计及阈值—持续时间对(u_cr, τ_cr)的电压稳定裕度指标ξ = min{1 ? [1/(τ_cr(u_N?u_cr))]·max∫_t0^t₀+τ_cr[u_N?u(t)]dt, …}（单对时简化为ξ = min{1 ? (1/τ_cr)∫_t^t+τ_cr[(u_N?u(s))/(u_N?u_cr)]ds, t∈[t_clr, t_f]}）；构建一维CNN提取电压轨迹局部空间特征并经Max Pooling降维，送入LSTM层学习时间依赖，全连接层输出连续ξ值；将预测ξ代入灵敏度公式与约束优化模型形成响应驱动紧急控制决策。

研究结果

4.1.1. Quantification of the Voltage Stability Margin Index（电压稳定裕度指标的量化）

研究人员引入多组阈值—持续时间对(u_{cr m}, τ_{cr m})定义广义裕度ξ_m= min{1 ? max∫_t0^{t₀+τ_{cr m}}[u_N?u(t)]dt / [(u_N?u_{cr m})·τ_{cr m}]}，可退化为常用标准单对(0.75 p.u., 1.0 s)。ξ∈[0,1]，ξ=1表示无电压跌落，ξ=0表示持续处于临界电压，较传统二元判据更能反映暂态过程中电压偏离的累积程度与恢复特性，适合作为灵敏度分析与优化变量。

4.1.2. Assessment Model for Voltage Stability Margin（电压稳定裕度评估模型的建立）

研究人员以关键母线电压采样序列为输入、数值计算的ξ为标签训练混合CNN-LSTM网络。1D-CNN卷积核滑动提取故障初期电压波形的局部空间关联特征，Max Pooling抑制量测噪声并降维；LSTM门控机制捕获电压恢复全过程的长时动态依赖；Dense层映射输出预测ξ。该代理模型将强非线性时域仿真稳定判别转化为连续可微函数ξ = f(V(t), u)，为后续控制优化提供实时、光滑的评估手段。

4.2.1. Quantitative Relationship Between Control Measures and Stability Margin（控制措施与稳定裕度的定量关系）

研究人员给出一般非线性映射ξ = ξ(x(x₀, u), u)，其中x为系统状态变量，u = [u₁, …, u_N]^T为控制向量（如切负荷量）。AI模型提供的ξ预测值可作为该关系的可微近似，通过灵敏度?ξ/?u_i指导控制措施调整方向，并作为不等式约束ξ ≥ ξ_ref嵌入紧急控制优化问题，实现响应驱动的最优紧急控制决策。

讨论与结论（Conclusion 部分总结翻译）

研究表明，所提出的多阈值—持续时间对电压稳定裕度指标能更合理地计及暂态电压跌落的累积效应并具有良好线性平滑性；基于CNN-LSTM的深度学习评估模型可快速、准确地从电压时间序列中预测该裕度；将预测裕度引入紧急控制优化框架，使复杂暂态电压稳定评估转化为可微解析形式，为在线紧急控制（如切负荷、切机）决策提供量化依据，满足大电网在线应用对精度与速度的双重需求。该方法有助于提升电力系统暂态电压稳定监控与防控能力。