(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111670251.7 (22)申请日 2021.12.31 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 姚伟　石重托　张润丰　文劲宇　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 夏倩 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种可迁移的电力系统主导失稳模式判别 方法 (57)摘要 本发明公开了一种可迁移的电力系统主导 失稳模式判别方法， 属于电力系统稳定性分析领 域。 本发明针对基于深度学习的电力系统主导失 稳模式判别模 型， 提出一种使其快速适应电力系 统运行方式改变的方法。 在样本层面， 通过正向 主动学习从目标域无标注样本中选择少量最不 确定的样 本交给专家标注， 通过反向主动学习从 源域样本集中删除偏离目标域分布的源域样本， 将所选标注目标域样本和所剩源域样本组成混 合样本集。 在模型层面， 采用微调的迁移学习方 法基于混合样本集训练源域模型。 如此， 本发明 能够通过较少的目标域标注样本使得模型迁移 到目标域， 提高主导失稳模式判别模 型适应电网 运行方式变化的效率， 从而提高电力系统的安全 性， 适用性较强。 权利要求书2页 说明书8页 附图4页 CN 114330577 A 2022.04.12 CN 114330577 A 1.一种可迁移的电力系统主导失稳模式判别方法， 其特 征在于， 包括： S1， 基于源域样本集训练第一深度神经网络模型M0； S2， 在目标域场景下进行多组暂稳仿真， 提取仿真结果中电压数据和功角数据的统计 特征， 作为目标域样本集； S3， 基于M0获取各未标注的目标域样本的边际概率， 对边际概率值较小的前N个目标域 样本的主导失稳模式类别进行标注， 得到第一样本集； 将所述第一样本集加入到源域样本 集中， 得到混合样本集， 基于混合样本集对M0进行训练， 得到第二深度神经网络模型Mt； S4， 基于Mt获取各未标注的目标域样本的边际概率， 对边际概率值较小的前N个目标域 样本的主导失稳模式类别进行 标注， 得到第二样本集； S5， 计算Mt和M0对所述混合样本集中各源域样本的预测 概率值之差， 将差值较大的前M 个源域样本删除； 并将所述第二样本集加入进行删除操作后的混合样本集中； S6， 基于进行删除和 加入操作之后的混合样本集对Mt进行参数微调； S7， 重复S4 ‑S6， 直至Mt在所述目标域样本集上的测试准确率达到预设目标值或达到预 设迭代次数。 2.如权利要求1所述的方法， 其特征在于， 所述在目标域场景下进行多组暂稳仿真， 包 括： 在新的潮流工况下， 设置不同的故障线路、 故障位置和故障持续时间进行多组暂稳仿 真。 3.如权利要求1或2 所述的方法， 其特征在于， 基于M0或Mt获取各未标注的目标域样本的 边际概率， 包括： 其中， xi为第i个未标注的目标域样本， margin(xi)为其边际概率， 把xi输入至M0或Mt， 其 中， t为迭代次数， 为M0或Mt计算的对xi预测概率分布中概率最大的主导失稳模式 类别的概 率值， 为概率分布中概 率第二大的主导失稳模式类别的概 率值。 4.如权利要求1或2 所述的方法， 其特征在于， 所述计算Mt和M0对各源域样本的预测概率 值之差， 包括： 其中， si为源域中第i个样本， dist_deviatio n(si)为其预测概率分布改变量， 为第二深度神经网络模型Mt对si的预测概率分布向量， 为第一深度神经网络模型 M0对si的预测概 率分布向量。 5.如权利要求1所述的方法， 其特征在于， 所述电压数据和功角数据的统计特征包括： 平均值、 标准差、 包络线、 以及所述平均值、 标准差、 包络线的一阶和二阶变化 率。 6.如权利要求1所述的方法， 其特征在于， 所述主导失稳模式包括稳定、 功角失稳和电 压失稳三种类别。 7.如权利要 求1所述的方法， 其特征在于， 所述基于 所述混合样本集对Mt进行参数微调， 包括： 基于所述混合样本集， 采用微调的迁移学习方法对Mt进行训练。权　利　要　求　书 1/2 页 2 CN 114330577 A 28.一种可迁移的电力系统主导失稳模式判别系统， 其特征在于， 包括： 计算机可读存储 介质和处 理器； 所述计算机可读存 储介质用于存 储可执行指令； 所述处理器用于读取所述计算机可读存储介质中存储的可执行指令， 执行如权利要求 1‑7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114330577 A 3