《Energies》：An Experimental Investigation of Power Quality Effects on Torque Pulsations in an Induction Motor
编辑推荐：
随着新能源并网规模的扩大，电力系统低频率振荡（low-frequency oscillation）的风险增加，严重影响系统安全与稳定。通过稳态运行特征识别低频率振荡风险迫在眉睫。研究人员首先分析了影响低频率振荡的特征，并利用暂态仿真构建了低频率振荡数据集。其次
随着新能源并网规模的扩大，电力系统低频率振荡（low-frequency oscillation）的风险增加，严重影响系统安全与稳定。通过稳态运行特征识别低频率振荡风险迫在眉睫。研究人员首先分析了影响低频率振荡的特征，并利用暂态仿真构建了低频率振荡数据集。其次，采用随机森林（Random Forest, RF）算法进行特征选择，并提出了基于遗传算法优化卷积神经网络（Genetic Algorithm optimized Convolutional Neural Network, GA-CNN）的低频率振荡风险识别模型。第三，结合皮尔逊相关系数（Pearson Correlation Coefficient, PCC）和RF算法消除冗余特征并筛选重要特征，提出了基于梯度提升回归树（Gradient Boosting Regression Tree, GBRT）的低频率振荡频率识别模型，并使用网格搜索（grid search）进行超参数优化。最后，通过在不同运行工况下的低频率振荡数据集上进行消融实验和对比实验，验证了所提方法的有效性。
随着新能源大规模并网，电力系统低频率振荡（low-frequency oscillation）风险显著增加。传统识别方法依赖故障后波形分析，需在振荡发生后才能有效识别，不利于提前防控。现有研究在特征选择上多依赖单一物理量，或直接使用高维数据驱动模型，缺乏对特征冗余和物理机制的充分融合。为在稳态运行条件下提前预测低频率振荡风险及其频率，研究人员开展了此项研究。论文发表在《Energies》。
研究人员首先构建了仿真系统，基于PSASP 7.82.04搭建含风电、火电、负荷的区域电网模型，通过拉丁超立方采样生成400个运行工况，设置三相短路故障，并基于Prony分析提取阻尼比标记振荡风险。在此基础上，提出了两阶段数据驱动方法：一是低频率振荡风险识别，二是频率值识别。主要方法包括：
1. **基于机制分析与随机森林（RF）的特征选择**：通过理论分析确定7个非电压相关特征，并对11个电压相关特征采用RF的排列重要性（permutation importance）筛选出5个关键特征，最终形成12维输入。
2. **遗传算法优化的卷积神经网络（GA-CNN）风险识别模型**：设计包含准确率、精确率、召回率和F1-score的适应度函数，其中特别提高未检出（漏检）的惩罚权重，采用锦标赛选择和精英保留机制优化CNN的超参数（学习率、权重衰减、dropout、卷积通道数等）。
3. **基于皮尔逊相关系数（PCC）与RF的特征筛选**：从18个特征中，先通过PCC（阈值0.95）剔除冗余特征对，再按RF的基尼系数排序保留与频率高度相关的5个特征。
4. **网格搜索优化的梯度提升回归树（GS-GBRT）频率识别模型**：以对称平均绝对百分比误差（sMAPE）最小为目标，优化学习率、树深度、叶子节点最小样本数等超参数。
所有实验基于Python 3.11.9，使用AMD CPU和NVIDIA GeForce RTX 4070 Laptop GPU，采用5折交叉验证评估性能。
### 5.1. 低频率振荡风险识别实验
#### 5.1.1. 风险识别实验过程
研究人员将400个样本按6:2:2分为训练集、验证集和测试集。RF筛选出5个电压特征（U4、U5、U1、U8、U6），结合7个非电压特征（X、PL3、PL4、PW7、PW8、PG9、KIV）作为12维输入。GA优化CNN的9个超参数，得到最优模型。
#### 5.1.2. 输入特征选择对比实验
比较三种输入情况：全部18个特征、仅7个非电压特征、筛选后的12个特征。结果显示，12特征模型在准确率、精确率、召回率和F1-score上均最优，尤其对比7特征模型，平均准确率提升16.1%，精确率提升12.6%，召回率提升5.6%，F1-score提升9.7%。混淆矩阵表明，特征筛选显著减少了误判和漏判。
#### 5.1.3. 风险识别模型对比实验
将GA-CNN与XGBoost、RF、未经优化的CNN对比。CNN系列模型在各项指标上优于XGBoost和RF；GA-CNN进一步提升了召回率和F1-score（分别达到0.896和0.851），虽略降低准确率和精确率，但更满足实际工程中降低漏检的需求。
### 5.2. 低频率振荡频率识别实验
#### 5.2.1. 频率识别实验过程
从风险识别数据集中提取振荡样本（共257个，按6:2:2比例分为训练、验证、测试集）。PCC发现6对高冗余特征（均为电压相关），结合RF基尼系数排序保留5个特征（PG9、KIV、PL3、U8、PW7）。GS优化GBRT的6个超参数，获得最优模型。
#### 5.2.2. 消融实验
分别移除特征筛选和超参数优化模块，以均方根误差（RMSE）、平均绝对误差（MAE）和sMAPE为指标。结果显示，引入特征筛选后MAE和RMSE分别降低约30%；进一步加入网格搜索，sMAPE从0.193降至0.110，验证了两模块的有效性。
#### 5.2.3. 频率识别模型对比实验
与支持向量回归（SVR）和RF对比，GS-GBRT的sMAPE（0.110）显著低于SVR（0.330）和RF（0.187），且预测值更接近实际值，绝大多数散点分布在理想线附近。
**研究结论**（翻译自Conclusions部分）：
基于新电力系统低频率振荡影响因素分析，提出了数据驱动的低频率振荡风险与频率识别方法。一方面，利用机制分析和RF算法进行特征选择，构建了基于GA-CNN的低频率振荡风险识别模型，通过设计合理的适应度函数优化超参数，进一步提升了性能。另一方面，结合PCC和RF消除冗余特征并筛选重要特征，结合GBRT模型与网格搜索优化，构建了低频率振荡频率识别方法。在此基础上，利用多工况暂态仿真数据集进行对比和消融实验，结果验证了所提方法相比其他方法有显著性能提升。未来工作将聚焦于进一步探索影响低频率振荡的关键因素并构建高性能模型，同时基于PMU数据与实际电网扰动实验验证方法的实用性。
