Deep learning based on Transformer architecture for power system short-term voltage stability assessment with class imbalance

📄 arXiv: 2310.11690v1 📥 PDF

作者: Yang Li, Jiting Cao, Yan Xu, Lipeng Zhu, Zhao Yang Dong

分类: eess.SY, cs.LG

发布日期: 2023-10-18

备注: Accepted by Renewable and Sustainable Energy Reviews

期刊: Renewable and Sustainable Energy Reviews 189 (2024) 113913

DOI: 10.1016/j.rser.2023.113913

💡 一句话要点

提出基于Transformer的STVSA方法以解决电力系统短期电压稳定性评估中的类别不平衡问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 电力系统 短期电压稳定性 Transformer 类别不平衡 生成对抗网络 深度学习 数据合成 聚类学习

📋 核心要点

  1. 现有的短期电压稳定性评估方法通常假设数据类别平衡，但在实际中，短期电压不稳定事件较少，导致类别不平衡问题严重。
  2. 本文提出了一种基于Transformer架构的稳定性评估模型（StaaT），结合CWGAN-GP生成合成数据，以解决类别不平衡问题。
  3. 在IEEE 39-bus测试系统上进行的数值测试表明，所提方法在类别不平衡和噪声环境下表现出色，且优于其他深度学习算法。

📝 摘要（中文）

现有的数据驱动电力系统短期电压稳定性评估方法通常假设输入数据是类别平衡的。然而，在实际应用中，短期电压不稳定性发生的概率较低，导致类别不平衡问题显著，进而影响分类器性能。本文提出了一种基于Transformer的短期电压稳定性评估方法，通过构建稳定性评估Transformer（StaaT）模型，反映系统操作状态与稳定性结果之间的关联。为应对不平衡数据集的负面影响，采用条件Wasserstein生成对抗网络（CWGAN-GP）进行合成数据生成，帮助创建平衡的训练集。实验结果表明，该方法在类别不平衡高达100:1和噪声环境下表现出强大的鲁棒性，并在可再生能源渗透增加的情况下保持一致的有效性。

🔬 方法详解

问题定义：本文解决的是电力系统短期电压稳定性评估中的类别不平衡问题。现有方法在面对实际数据时，往往假设数据类别是平衡的，但短期电压不稳定事件的发生频率较低，导致分类器性能下降。

核心思路：论文的核心思路是利用Transformer架构构建稳定性评估模型（StaaT），并结合CWGAN-GP生成合成数据，以创建一个平衡的训练集，从而提高分类器的性能。

技术框架：整体架构包括三个主要模块：首先是基于Transformer的稳定性评估模型StaaT，其次是CWGAN-GP用于合成数据生成，最后是半监督聚类学习以提升聚类质量。

关键创新：最重要的技术创新在于结合了CWGAN-GP生成合成数据，克服了传统过采样方法的不足，生成更平衡的数据集。此外，StaaT模型在处理类别不平衡时表现出色，优于现有的深度学习算法。

关键设计：在模型设计中，CWGAN-GP的损失函数采用了梯度惩罚，以提高生成数据的质量；StaaT模型的网络结构基于标准Transformer架构，优化了参数设置以适应电力系统的特定需求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在类别不平衡高达100:1的情况下，依然保持了强大的鲁棒性。与传统的过采样方法相比，CWGAN-GP生成的数据集更为平衡，StaaT模型在性能上显著优于其他深度学习算法，展示了其在电力系统短期电压稳定性评估中的有效性。

🎯 应用场景

该研究的潜在应用领域包括电力系统的实时监控与管理，尤其是在短期电压稳定性评估方面。通过提供一种有效的解决方案，能够帮助电力公司在面对类别不平衡和数据噪声时，提升电力系统的稳定性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Most existing data-driven power system short-term voltage stability assessment (STVSA) approaches presume class-balanced input data. However, in practical applications, the occurrence of short-term voltage instability following a disturbance is minimal, leading to a significant class imbalance problem and a consequent decline in classifier performance. This work proposes a Transformer-based STVSA method to address this challenge. By utilizing the basic Transformer architecture, a stability assessment Transformer (StaaT) is developed {as a classification model to reflect the correlation between the operational states of the system and the resulting stability outcomes}. To combat the negative impact of imbalanced datasets, this work employs a conditional Wasserstein generative adversarial network with gradient penalty (CWGAN-GP) for synthetic data generation, aiding in the creation of a balanced, representative training set for the classifier. Semi-supervised clustering learning is implemented to enhance clustering quality, addressing the lack of a unified quantitative criterion for short-term voltage stability. {Numerical tests on the IEEE 39-bus test system extensively demonstrate that the proposed method exhibits robust performance under class imbalances up to 100:1 and noisy environments, and maintains consistent effectiveness even with an increased penetration of renewable energy}. Comparative results reveal that the CWGAN-GP generates more balanced datasets than traditional oversampling methods and that the StaaT outperforms other deep learning algorithms. This study presents a compelling solution for real-world STVSA applications that often face class imbalance and data noise challenges.