摘要

当前基于数据驱动的深度学习算法在电力系统暂态分析领域被广泛应用,但是实际中电力系统测得的数据样本中暂态失稳的情况较少并且对失稳样本的重视不足,导致分类模型的抗干扰性、泛化能力较弱,影响整个模型的评估性能。针对此问题,提出一种基于多粒度邻域粗糙集和改进双向长短期记忆网络(IM-Bi-LSTM)的电力系统暂态稳定评估方法。首先采用邻域粗糙集在不同粒度级别下寻找最优的约简子集,再利用Bi-LSTM神经网络完成对特征子集进行时序信息的提取,并且在模型中引入注意力机制,对与失稳样本相关的特征增加更多的权重;通过焦点损失函数,引入权重系数调整模型训练的倾向性,解决失稳样本与暂态稳定样本间的不平衡问题,提高模型的评估性能。在IEEE10机39节点系统上的试验结果表明,相较于其他算法,所提方法的分类精度更好、结果更稳定。