基于图学习的电力系统健康评估模型：图卷积与注意力机制在频率和功角稳定性预测中的应用

《IEEE Open Access Journal of Power and Energy》：Graph Learning-Based Power System Health Assessment Model

　　本刊编辑推荐：为解决电力系统动态安全评估计算耗时、难以实时监控的问题，研究人员开展了基于图学习的电网健康指数预测研究。研究提出物理信息嵌入的图卷积网络(GCN)和图注意力网络(GAT)模型，利用PMU数据准确预测频率稳定性和功角稳定性指标。结果表明GAT模型在功角健康指数预测中准确率达93.89%，比传统多层感知器提高40%，且在部分PMU覆盖场景下仍保持良好性能，为电力系统实时安全监控提供了创新解决方案。

　　

随着电力系统能源结构的多元化发展，电网稳定性波动日益加剧，这对电网运营商的实时监控能力提出了更高要求。传统电力系统安全评估主要依赖于时域仿真或潮流计算，虽然精度较高但计算耗时，难以满足近实时监控的需求。特别是在电网快速过渡到新运行状态时，时域仿真的速度往往无法跟上系统变化节奏。这种矛盾促使研究人员探索机器学习技术在电网安全评估中的应用潜力。

《IEEE Open Access Journal of Power and Energy》最新发表的研究提出了一种创新解决方案——基于图学习的电力系统健康评估模型。该研究由加州大学河滨分校KOJI YAMASHITA等学者合作完成，致力于解决动态安全评估中的计算效率问题，同时兼顾部分PMU覆盖的现实约束条件。

研究人员采用了几项关键技术方法：首先，基于增强的IEEE 118节点系统构建了包含不同需求水平和燃料结构的多样化数据集，集成了发电机动态模型、控制器模型和电网保护模型；其次，开发了物理信息嵌入的图卷积网络(GCN)和图注意力网络(GAT)，利用边条件卷积层处理节点和边特征；第三，引入序数编码器捕捉健康指数的等级关系；最后，针对部分PMU覆盖场景，系统比较了多种数据填补技术的效果。

研究结果主要体现在以下几个方面：

一、预测精度与模型性能

在满PMU覆盖条件下，GNN模型相比传统MLP模型在电网健康指数预测精度上提升显著。频率健康指数预测方面，GCN和GAT模型准确率分别达到93.70%和93.94%，比MLP模型提高约12%。功角健康指数预测中，GAT模型表现尤为突出，对母线10-49间功角差的预测准确率达93.89%，比MLP模型提高约40%。值得注意的是，序数编码器对GAT模型在功角健康指数预测中的精度提升贡献为0.1-2.7%。

二、实时应用可行性

在实际硬件测试中，GAT模型单次偶然事故的电网健康指数预测时间极短，频率健康指数预测仅需1.22-1.27毫秒，功角健康指数预测为2.89-2.98毫秒，完全满足实时应用需求。

三、部分PMU覆盖场景下的性能

研究设计了6种部分PMU覆盖场景，分别考察同步发电机(SG)、同步调相机(SC)、联络变压器(TT)等关键设备节点缺乏PMU时的影响。结果显示，当测量误差在7%以内时，GAT模型表现优于GCN模型；但当误差超过7%时，GCN模型展现出更好的鲁棒性。在数据填补技术比较中，带有10%误差的伪PMU测量方法优于零值填补和峰值替代方法。

四、关键传感器布置策略

研究发现，频率稳定性监测需要在同步发电机节点部署PMU，功角稳定性监测则需重点关注同步调相机节点和连接负荷馈线的降压变压器节点。这一发现为优化PMU布置提供了重要依据。

研究的创新性主要体现在三个方面：首先，创建了公开可用的预偶然事故潮流快照数据集，促进数据共享和可重现性；其次，提出的物理信息GNNs与序数编码器结合，在电网健康指数预测任务中实现了先进性能；最后，全面的部分PMU覆盖数值研究为PMU优化布置提供了实用指导。

该研究的实际意义在于为电网运营商提供了高效的决策支持工具。如图1所示，提出的测量驱动电网健康指数预测模型可作为现有动态安全评估框架的补充工具，对识别出的高风险偶然事故进行重点时域仿真分析，从而在保证安全性的前提下提高评估效率。

特别值得关注的是，研究不仅考虑了理想条件下的全PMU覆盖场景，还深入探讨了实际系统中部分PMU覆盖的挑战。通过系统分析不同设备类型节点缺乏PMU时的影响，以及各种数据填补技术的效果，为实际工程应用提供了重要参考。

研究人员在增强的IEEE 118节点系统中进行了全面验证，该系统扩展至264个节点和325条支路，包含详细的发电机控制器模型和电网保护模型。自动电压调节器(AVR)和涡轮调速器模型确保了动态仿真的真实性，而低频保护和失步保护模型的加入则使仿真更贴近实际系统运行条件。

在模型设计方面，研究采用了边条件卷积(ECC)层来处理图结构数据，该层通过参数化神经网络聚合节点和边特征向量。图注意力机制则通过计算注意力系数α_i,j，使模型能够聚焦于关键输电线路，捕捉变电站和母线间相互关系的强度。

研究的局限性在于目前仅考虑了N-1偶然事故，未来需要扩展至N-2偶然事故分析。此外，虽然增强了测试系统的复杂性，但尚未包含所有可能的电网配置和离线维护场景。

总体而言，这项研究为电力系统实时安全监控提供了创新解决方案，通过结合图神经网络技术与电力系统物理特性，在准确性和计算效率之间取得了良好平衡。研究成果对推动机器学习在电力系统实际应用具有重要意义，特别是为部分PMU覆盖条件下的电网健康评估提供了实用技术路径。

未来研究方向包括扩展训练数据集以涵盖更广泛的电网配置，以及在电力公司和网络运营商中进行实际示范应用，将基于图神经网络的实时偶然事故分析工具真正用于电网健康状态监控。随着电力系统向更高比例可再生能源过渡，此类高效、准确的评估工具将变得越来越重要。