尧图网站建设 
简介一份基于堆叠自动编码器的电力系统暂态稳定评估MATLAB实现面向电力系统方向本科、硕士及科研人员可在MATLAB 2014/2019a中直接运行。包内共9个文件主要包括NE39bus_data.m代码脚本、NE39bus2_PQ.slx仿真模型、docx与txt说明文档以及CAJ格式参考文献和PNG/JPG结果示意图覆盖从数据准备、模型构建到结果展示的完整链路压缩包约1.46MB。已有134人学习下载。借助该资料可快速理解堆叠自动编码器在暂态稳定评估中的应用思路对照说明文档复现NE39节点系统实验并基于给出的数据与模型进行扩展研究适合课程设计、毕业设计或论文复现阶段使用。1. 把暂态稳定评估从“跑仿真”变成“查模型”SAE 是那条现实路径做电力系统暂态稳定分析的人大多经历过这种时刻新投产一条线路调度要求几小时内给出 N-1 故障后的稳定结论你打开时域仿真程序一个三相短路故障叠加不同切除时间跑一遍就要几分钟上百个预想事故排列下来半天就没了。更麻烦的是在线安全评估场景运行方式每 15 分钟一变传统时域仿真根本追不上节奏。基于堆叠自动编码器的电力系统暂态稳定评估模型就是用离线仿真生成样本、在线用模型打分的方式把“逐故障仿真”换成“一次前向计算”。堆叠自动编码器负责从电压、功角、有功无功这些可测电气量里自动抽取特征训练出一个能区分稳定/不稳定的分类器。在评说明书可靠的前提下单次评估通常能做到毫秒级适合嵌入调度自动告警、在线 DSA 或批量预想事故扫描这也是这个标题在工程上最值得复现的地方。本文按“为什么有效、数据怎么来、MATLAB 里怎么训、在线怎么用、还能怎么改”的顺序落地整套代码在 Deep Learning Toolbox 下可以直接跑通。2. 暂态稳定问题先立住模型输入输出与 SAE 的适配逻辑2.1 从摇摆方程看“稳定”本质临界切除时间是关键标签电力系统暂态稳定描述的是大扰动后各发电机转子能否恢复同步。发电机转子运动方程写成一阶微分方程组就是常说的摇摆方程[ \frac{2H}{\omega_0}\frac{d^2\delta}{dt^2} P_m - P_e ]其中 H 是惯性时间常数δ 是转子功角P_m 与 P_e 分别是机械功率和电磁功率。故障期间电磁功率突降功角加速摆开故障切除后若系统有足够减速面积功角回摆并收敛系统稳定否则功角持续增大系统失稳。这个过程的边界由故障切除时间与临界切除时间CCTCritical Clearing Time的比较决定所以二分类用的标签可以定义为切除时间小于 CCT 为稳定大于 CCT 为不稳定。这个机制意味着两件事限制了传统方法的在线应用时域仿真计算步长要足够小至少覆盖故障后 5 秒左右的动态过程每个故障都要重新积分。而数据驱动方法把问题改写成给定故障前后一组电气量测量值直接预测“稳定/不稳定”。输入是故障前稳态断面加故障期间/故障后的有限时间窗采样输出是类别概率。堆叠自动编码器在这里做的事就是从这些高维、强耦合、含噪的电气量里提炼出与功角稳定边界强相关的低维特征再用顶层分类器做决策。2.2 堆叠自动编码器的分层特征提取优势自动编码器的基本思想是让网络学习一个恒等映射编码器把输入压缩到隐藏层解码器再从隐藏层恢复输入训练目标是重构误差最小。单层自动编码器学到的隐藏层表示本质上是对输入的低维非线性压缩。堆叠自动编码器把多个自动编码器逐层串起来第一个 AE 的输出作为第二个 AE 的输入第二个输出继续往上传最后在最顶层加一个分类层或回归层。相比直接用深度 BP 网络SAE 的逐层预训练让每一层先学会输入数据的分布规律再联合微调缓解了深层网络在小样本下容易梯度弥散、过拟合的问题。电力系统暂态稳定样本集有个特点有效样本通常只有几千到几万条而输入特征可能多达数十甚至上百维且特征之间高度相关——比如某条线路的有功潮流和相邻母线电压相角强耦合。常规前馈网络在这种数据上容易死记训练样本而 SAE 通过重构约束迫使隐藏层保留的是更本质的结构信息这正是它在这个任务上比直接端到端训练更稳的原因。2.3 输入特征怎么选在线可测是前提特征决定模型上限模型只是逼近这个上限。做暂态稳定评估的输入特征选择要兼顾物理相关性和在线可得性。一般从三类量中取故障前的稳态断面、故障期间的暂态响应、故障清除后的短时轨迹。常用特征列表如下特征分组具体量维数典型值物理含义发电机状态每台机的有功 P_e、无功 Q_e、机端电压 V_t、转子角 δ、角速度偏差 Δω5×GG 为发电机台数直接反映摇摆方程中的功率平衡与功角位置线路潮流关键输电线路的有功 P_ij、无功 Q_ij2×LL 为线路数故障后潮流转移路径上的压力指标母线电压高压母线电压幅值 V 和相角 θ2×BB 为母线数反映故障期间电压跌落与恢复系统级聚合量系统频率偏差 df、总损失负荷量、最大功角差 δ_max3捕捉全网整体动态趋势这里有一个工程取舍故障点位置和故障类型属于“事件描述量”通常不放进特征向量因为在线评估时故障清除信号来自保护动作模型只拿到故障前后电气量自身的变化。更稳妥的做法是设计若干不同故障位置和类型的样本让模型隐式学习故障场景差异。特征建议在故障前 2 个周波到故障后 1 个周波之间取平均值或首末值组合避免把整个动态过程都塞进去否则特征维度膨胀训练样本需求也成倍上升。3. 用 MATLAB 搭 SAE 训练框架从样本矩阵到稳定评估模型3.1 样本数据从哪来时域仿真生成训练集建模的第一步是得到带标签的样本集。常见做法是利用电力系统分析工具箱比如 PSAT、Matpower 加 Simulink 动态仿真或者调用商业软件的自动化接口批量生成故障样本。典型流程是选定一个测试系统IEEE 39 节点或 118 节点很常用随机改变负荷水平、发电出力、故障线路与故障位置对每个场景在 t0.1s 设置三相短路故障并设置不同的切除时间仿真记录 10 个周波内的特征量然后根据功角差是否收敛判断标签。仿真变量取值范围采样方式负荷水平基准值的 70%~130%均匀随机故障线路所有 N-1 线路逐条遍历故障位置线路首端、中点、末端均匀随机切除时间0.1s~0.4s按 0.02s 步长样本量建议不少于 3000 条正负样本比例控制在 1:1 到 3:1 之间。如果全是稳定样本模型会退化成一个“永远回答稳定”的摆设。生成多组数据后把每组样本的特征拼接成一个大矩阵 X形状为样本数×特征维数标签存为列向量。后续所有处理都围绕这个矩阵做。3.2 核心代码trainAutoencoder 逐层预训练加微调MATLAB 的 Deep Learning Toolbox 从 R2016a 开始提供 trainAutoencoder、stack、trainNetwork 这几个核心接口这是搭堆叠自动编码器最直接的路径。下面给出一个完整可运行的训练骨架% 假设已有特征矩阵 X (样本数x特征维数) 和标签向量 y (0/1) % 注意trainAutoencoder 要求输入为 特征维数x样本数先行转置 X X; % 转为 特征维数x样本数 y y(:); % 保证标签为列向量 % 1. 归一化到 [0.05, 0.95]避免自动编码器饱和 [Xn, ps] mapminmax(X, 0.05, 0.95); Xn Xn; % 2. 逐层预训练两个自动编码器 opts1 trainingOptions(adam, ... MaxEpochs, 100, ... InitialLearnRate, 0.001, ... MiniBatchSize, 64, ... Shuffle, every-epoch, ... Verbose, 0); ae1 trainAutoencoder(Xn, 128, ... EncoderTransferFunction, satlin, ... DecoderTransferFunction, purelin, ... L2WeightRegularization, 0.001, ... SparsityRegularization, 4, ... SparsityProportion, 0.1, ... UseGPU, false, ... TrainingOptions, opts1); feat1 encode(ae1, Xn); fprintf(第一层特征维度: %d\n, size(feat1, 2)); % 第二层编码器输入是第一层提取的特征 ae2 trainAutoencoder(feat1, 64, ... EncoderTransferFunction, satlin, ... DecoderTransferFunction, purelin, ... L2WeightRegularization, 0.001, ... SparsityRegularization, 4, ... SparsityProportion, 0.1, ... TrainingOptions, opts1); feat2 encode(ae2, feat1); % 转回 样本数x特征数 % 3. 堆叠自动编码器 deepNet stack(ae1, ae2); % 4. 添加 softmax 分类层并用有监督数据微调 layers [ featureInputLayer(size(feat2, 2)) fullyConnectedLayer(2) softmaxLayer() classificationLayer()]; % 注意classificationLayer 要求标签为 categorical yCat categorical(y, [0 1], {stable, unstable}); optionsFinetune trainingOptions(adam, ... MaxEpochs, 50, ... InitialLearnRate, 0.0005, ... MiniBatchSize, 32, ... ValidationData, {feat2Val, yValCat}, ... ValidationFrequency, 10, ... Verbose, 1, ... Plots, none); netFine trainNetwork(feat2, yCat, layers, optionsFinetune);这里第一层编码器隐藏层用了 128 个神经元第二层压缩到 64 个。EncoderTransferFunction 设为 satlin饱和线性Decoder 用 purelin原因是电气量归一化后落在 [0,1] 区间satlin 可以避免激活值饱和区梯度过小。L2WeightRegularization 控制权重衰减SparsityRegulation 和 SparsityProportion 是稀疏性约束强迫隐藏层神经元只对特定模式响应。微调阶段把初始学习率降到 0.0005比预训练低一个量级避免破坏预训练学到的特征结构。3.3 参数怎么调隐藏层尺寸与稀疏性设置的推荐范围参数推荐取值范围调参依据第一个 AE 隐藏神经元数输入维数的 1.5~2 倍先扩充维度捕捉特征交互再逐步压缩第二个 AE 隐藏神经元数第一层的一半左右逐层降维提取高层抽象SparsityProportion0.05~0.15越小特征越稀疏但要防止信息丢失SparsityRegularization1~10越大稀疏惩罚越强过大导致重构质量下降L2WeightRegularization0.0001~0.01防过拟合样本少时取偏大值MaxEpochs预训练50~200观察到重构损失不再下降就停如果样本量较小3000 条以下建议把第一层压缩到输入维度的 0.5 倍而不是扩张或者干脆只在中间层保留一个 AE减少可训练参数量。调参时先固定稀疏性参数调整隐藏层大小记录验证集准确率再固定结构调整稀疏项。一次完整的训练在普通 CPU 机器上耗时不超过 10 分钟GPU 环境下更快所以完全有条件做多组参数对比。4. 样本划分、归一化与边界样本加权决定模型可靠性的是这些细节4.1 数据划分必须按“故障场景”切不能直接随机切暂态稳定评估里有一类隐蔽的错误数据划分时直接对样本随机抽样导致同一个仿真场景切出来的多个样本同时落在训练集和测试集。因为同一场景下不同切除时间的样本只差一个标签和少量特征值测试集准确率会虚高看起来 98%换到新运行方式立刻掉到 85%。正确的做法是按故障场景分组即同一个运行方式同一个故障位置的全部样本要么都在训练集要么都在测试集。划分比例推荐 80% 场景做训练20% 场景做测试。% 场景划分代码示意 % sceneIds 是每个样本对应的场景编号例如负荷水平故障线路的组合ID [uniqueScenes, ~] unique(sceneIds); nScene length(uniqueScenes); % 打乱场景顺序 rng(42); permIdx randperm(nScene); trainScenes uniqueScenes(permIdx(1:round(0.8*nScene))); trainIdx ismember(sceneIds, trainScenes); testIdx ~trainIdx;为方便复现这里用 rng(42) 固定随机种子。注意 ismember 判断的是完整场景 ID而不是按样本索引切分这样就保证了同一场景的所有样本不会被拆到两侧。对负荷水平、故障位置做了随机抽样的话不同场景间的数据分布会有差异模型如果在这套划分下测试集准确率仍能保持在 95% 以上才说明泛化可信。4.2 归一化参数只在训练集上估计测试集沿用同一组参数电气量量纲差异很大标幺值电压在 1.0 附近有功可能是几百 MW功角可能是几十度。如果不做归一化自动编码器的重构误差会被量纲大的特征主导小量纲但物理关键的电压相角就学不到了。常见做法有 z-score 和 min-max 两种。z-score 对数据分布没有边界要求但样本量小、存在极端值时会拉偏均值和方差min-max 能把数据压到任意区间但受最大值最小值影响大。对于仿真数据推荐用 z-score 配合异常值截断。% 只用训练集计算均值和标准差 muX mean(Xtrain, 1); stdX std(Xtrain, 0, 1); % 截断异常值防止个别极端值影响 stdX(stdX 1e-6) 1e-6; XtrainN (Xtrain - muX) ./ stdX; XtestN (Xtest - muX) ./ stdX; % 测试集用同一组参数 % 如果训练时用了 mapminmax保存的 ps 结构里包含了 % xmin、xmax 等信息测试时用 ps 直接 apply Xn_test mapminmax(apply, Xtest, ps);关键点在于“测试集沿用训练集的统计量”。很多初学者在测试时又重新对测试集算了一遍均值和方差这在数据分布一致时影响不大但一旦测试集来自新运行方式就会引入分布偏移评分结果失真。部署阶段这组 muX、stdX 或 ps 必须跟模型一起保存、传递。4.3 边界样本加权让模型更怕“漏报”而不是“误报”电力系统暂态稳定评估里最严重的一类错误是假稳定漏报模型说稳定实际系统失稳。这类错误可能直接导致调度员错过告警。减少漏报的常见做法有三类代价敏感学习、阈值移动、边界样本加权。阈值移动最简单——把 softmax 输出判定为不稳定的概率阈值从默认 0.5 调低到 0.3 或 0.4模型会更倾向于“报不稳”。边界样本加权则是在模型初训完成后找出那些输出概率接近 0.5 的“模糊样本”把这些样本在微调阶段加大权重重新训练一次。% 边界样本加权的微调阶段 % 第一次训练得到模型 net0 [prob, ~] predict(netFine, feat2Val); probStable prob(:, 2); % 不稳定类概率 % 找出边界样本概率在 0.3~0.7 之间的样本 marginMask (probStable 0.3) (probStable 0.7); fprintf(边界样本数量: %d\n, sum(marginMask)); % 构造加权随机采样器对边界样本过采样 inverseWeights ones(sum(marginMask), 1); % 概率越接近 0.5权重越高 inverseWeights 1 ./ (abs(probStable(marginMask) - 0.5) 0.05); resampledIdx randsample(find(marginMask), 200, true, inverseWeights);补训时把边界样本和全部原样本混合设置小学习率再微调 10~20 个 epoch。这么做等价于让模型在决策边界附近分配更多模型容量。实际项目里这一步通常能把假稳定率从 3% 压到 1% 以下代价是假不稳定率会小幅上升但调度场景里宁可多报不可漏报。4.4 评估指标别只看准确率要看混淆矩阵的右下角指标公式或含义关注原因准确率(TPTN)/(TPTNFPFN)类别均衡时才具有参考价值假稳定率漏报率FN/(FNTP)把失稳当稳定的概率最危险假不稳定率误报率FP/(FPTN)把稳定当失稳触发不必要的告警F1-score2·precision·recall/(precisionrecall)综合衡量正类不稳定类的识别能力AUCROC 曲线下面积评估阈值无关的排序能力训练完模型后第一件事是打印混淆矩阵单独看假稳定的样本量。如果假稳定率超过 2%优先考虑做边界样本加权而不是盲目增加网络层数。另外一个验证技巧是把所有误判样本的仿真场景调出来看切除时间是否落在 CCT 附近。落在临界区的样本被分错属于可接受误差真正要警惕的是那些切除时间明显大于 CCT 却被判稳定的样本。5. 在线评估落地把训练好的 SAE 封装成可调用的评分函数5.1 模型保存与加载把归一化参数和网络结构打包训练结束后需要把网络结构、权重、归一化参数、阈值一起保存成一个 mat 文件供在线推理程序加载。避免散落多个变量部署时候漏掉某一个。% 打包保存 save(TSA_SAE_model.mat, netFine, deepNet, ps, muX, stdX, threshold); % threshold 可以是经过阈值移动后的判定阈值例如 0.35在线程序里加载时用 load 一次性读取并通过 whos 检查关键变量是否齐全。如果在导出到 MATLAB Compiler 或生产环境时遇到工具箱路径问题可以直接把 netFine 转成 DAGNetwork 对象或者手动提取每层权重和偏置用纯 MATLAB 代码重建前向传播避免运行时依赖 Deep Learning Toolbox 的预测函数。5.2 在线推理函数从前向传播到稳定概率的完整流程在线推理的输入是一条原始特征向量需要做的事和训练时完全一致取特征、归一化、逐层编码、经过分类层取概率。下面给出一个不依赖 predict 函数的完整前向传播版本好处是可以移植到任何 MATLAB 版本或转成 C 代码function [score, isStable] onlineTSA(xRaw, model) % 在线暂态稳定评估函数 % 输入 % xRaw - 1xD 原始特征向量 % model - 从 TSASAE_model.mat 加载的结构体 % 输出 % score - 不稳定类的概率0~1 % isStable - 判定结果1为稳定0为不稳定 % 1. 归一化用训练时统计量 x (xRaw - model.muX) ./ model.stdX; x x(:); % 转为列向量 % 2. 第一层编码 % 权重矩阵 W1 形状: hidden1 x D z1 model.W1 * x model.b1; a1 max(0, z1); % ReLU 激活 % 3. 第二层编码 z2 model.W2 * a1 model.b2; a2 max(0, z2); % 4. 分类层softmax z3 model.W3 * a2 model.b3; expZ exp(z3 - max(z3)); % 减去最大值防止溢出 prob expZ / sum(expZ); score prob(2); % 不稳定类概率 % 5. 阈值判定 isStable score model.threshold; end这段代码把训练好的权重和偏置直接拿出来手写了前向传播。实际使用中也可以简单地用 predict(netFine, x) 一行搞定但手写版本便于查看中间层特征 a1、a2在调试时能直观看到特征在每一层的变化。在线场景性能要求高时把这段代码用 MATLAB Coder 转成 C 动态库单次推理可以压到微秒级。5.3 在线部署的两个工程问题特征对齐与模型更新第一个问题是特征对齐。离线训练时特征向量里某个变量排序和在线数据源不一致是最常见的坑。比如离线数据中第 7 个特征是线路 L12 的有功在线接口却把 L13 的有功放在这个位置。解决方式是定义一个特征字典每个特征名对应一个索引在线侧组装特征时按字典顺序写入而不是按数据源顺序。第二个问题是模型更新策略。电网运行方式随季节、检修计划变化离线训练的数据分布会逐渐过时。常见做法是每周用新增的仿真样本做一次“增量微调”只调分类层不重新预训练 AE。学习率设小一个量级即可。实际调度中心的 DSA 系统大多是周级或日级刷新微调一次耗时几分钟完全在可接受范围内。注意不要让在线误判样本直接进训练集要先经过人工确认。6. 把二分类改成 CCT 回归SAE 在极限切除时间预测上的延伸暂态稳定二分类只能回答“稳不稳”调度员更想要的是“还剩多少时间切除”。把输出从类别改成回归值可以沿着同样的 SAE 特征路径把顶层的 softmax 分类层换成回归层以临界切除时间 CCT 作为监督目标。这样模型输出的是一个连续时间值直接告诉调度员建议的切除时间裕度。改造方式很直接微调阶段把标签换成 CCT 数值损失函数换成均方误差输出层神经元个数改为 1不加激活函数。% 回归层替换分类层的核心代码 layersReg [ featureInputLayer(64) fullyConnectedLayer(16) reluLayer() fullyConnectedLayer(1) regressionLayer()]; % 训练回归网络Ylabel 是 CCT 值秒例如 0.23 netReg trainNetwork(feat2Train, YcctTrain, layersReg, optionsReg); % 测试时比较预测 CCT 和真实 CCT误差在 ±0.02s 内即可接受改成回归后模型评价指标要看预测 CCT 与真实 CCT 的绝对误差工程上一般要求误差在 0.02 秒以内。因为仿真样本本身步长就是 0.01~0.02 秒低于这个精度的改善没有实际意义。回归模型还能顺带解决分类模型的一个边界问题切除时间刚好落在临界区附近的样本不再被武断地二值化而是给出一个连续的风险程度配合保护装置的实际动作时间做综合判断。把二分类和回归两个输出并列使用常见做法是把回归预测的 CCT 与保护动作时间做差差值小于 0.05s 时强制触发告警这比单纯看分类概率多了一层物理约束。本文还有配套的精品资源点击获取 基于堆叠自动编码器的电力系统暂态稳定评估与MATLAB实现
简介一份基于堆叠自动编码器的电力系统暂态稳定评估MATLAB实现面向电力系统方向本科、硕士及科研人员可在MATLAB 2014/2019a中直接运行。包内共9个文件主要包括NE39bus_data.m代码脚本、NE39bus2_PQ.slx仿真模型、docx与txt说明文档以及CAJ格式参考文献和PNG/JPG结果示意图覆盖从数据准备、模型构建到结果展示的完整链路压缩包约1.46MB。已有134人学习下载。借助该资料可快速理解堆叠自动编码器在暂态稳定评估中的应用思路对照说明文档复现NE39节点系统实验并基于给出的数据与模型进行扩展研究适合课程设计、毕业设计或论文复现阶段使用。1. 把暂态稳定评估从“跑仿真”变成“查模型”SAE 是那条现实路径做电力系统暂态稳定分析的人大多经历过这种时刻新投产一条线路调度要求几小时内给出 N-1 故障后的稳定结论你打开时域仿真程序一个三相短路故障叠加不同切除时间跑一遍就要几分钟上百个预想事故排列下来半天就没了。更麻烦的是在线安全评估场景运行方式每 15 分钟一变传统时域仿真根本追不上节奏。基于堆叠自动编码器的电力系统暂态稳定评估模型就是用离线仿真生成样本、在线用模型打分的方式把“逐故障仿真”换成“一次前向计算”。堆叠自动编码器负责从电压、功角、有功无功这些可测电气量里自动抽取特征训练出一个能区分稳定/不稳定的分类器。在评说明书可靠的前提下单次评估通常能做到毫秒级适合嵌入调度自动告警、在线 DSA 或批量预想事故扫描这也是这个标题在工程上最值得复现的地方。本文按“为什么有效、数据怎么来、MATLAB 里怎么训、在线怎么用、还能怎么改”的顺序落地整套代码在 Deep Learning Toolbox 下可以直接跑通。2. 暂态稳定问题先立住模型输入输出与 SAE 的适配逻辑2.1 从摇摆方程看“稳定”本质临界切除时间是关键标签电力系统暂态稳定描述的是大扰动后各发电机转子能否恢复同步。发电机转子运动方程写成一阶微分方程组就是常说的摇摆方程[ \frac{2H}{\omega_0}\frac{d^2\delta}{dt^2} P_m - P_e ]其中 H 是惯性时间常数δ 是转子功角P_m 与 P_e 分别是机械功率和电磁功率。故障期间电磁功率突降功角加速摆开故障切除后若系统有足够减速面积功角回摆并收敛系统稳定否则功角持续增大系统失稳。这个过程的边界由故障切除时间与临界切除时间CCTCritical Clearing Time的比较决定所以二分类用的标签可以定义为切除时间小于 CCT 为稳定大于 CCT 为不稳定。这个机制意味着两件事限制了传统方法的在线应用时域仿真计算步长要足够小至少覆盖故障后 5 秒左右的动态过程每个故障都要重新积分。而数据驱动方法把问题改写成给定故障前后一组电气量测量值直接预测“稳定/不稳定”。输入是故障前稳态断面加故障期间/故障后的有限时间窗采样输出是类别概率。堆叠自动编码器在这里做的事就是从这些高维、强耦合、含噪的电气量里提炼出与功角稳定边界强相关的低维特征再用顶层分类器做决策。2.2 堆叠自动编码器的分层特征提取优势自动编码器的基本思想是让网络学习一个恒等映射编码器把输入压缩到隐藏层解码器再从隐藏层恢复输入训练目标是重构误差最小。单层自动编码器学到的隐藏层表示本质上是对输入的低维非线性压缩。堆叠自动编码器把多个自动编码器逐层串起来第一个 AE 的输出作为第二个 AE 的输入第二个输出继续往上传最后在最顶层加一个分类层或回归层。相比直接用深度 BP 网络SAE 的逐层预训练让每一层先学会输入数据的分布规律再联合微调缓解了深层网络在小样本下容易梯度弥散、过拟合的问题。电力系统暂态稳定样本集有个特点有效样本通常只有几千到几万条而输入特征可能多达数十甚至上百维且特征之间高度相关——比如某条线路的有功潮流和相邻母线电压相角强耦合。常规前馈网络在这种数据上容易死记训练样本而 SAE 通过重构约束迫使隐藏层保留的是更本质的结构信息这正是它在这个任务上比直接端到端训练更稳的原因。2.3 输入特征怎么选在线可测是前提特征决定模型上限模型只是逼近这个上限。做暂态稳定评估的输入特征选择要兼顾物理相关性和在线可得性。一般从三类量中取故障前的稳态断面、故障期间的暂态响应、故障清除后的短时轨迹。常用特征列表如下特征分组具体量维数典型值物理含义发电机状态每台机的有功 P_e、无功 Q_e、机端电压 V_t、转子角 δ、角速度偏差 Δω5×GG 为发电机台数直接反映摇摆方程中的功率平衡与功角位置线路潮流关键输电线路的有功 P_ij、无功 Q_ij2×LL 为线路数故障后潮流转移路径上的压力指标母线电压高压母线电压幅值 V 和相角 θ2×BB 为母线数反映故障期间电压跌落与恢复系统级聚合量系统频率偏差 df、总损失负荷量、最大功角差 δ_max3捕捉全网整体动态趋势这里有一个工程取舍故障点位置和故障类型属于“事件描述量”通常不放进特征向量因为在线评估时故障清除信号来自保护动作模型只拿到故障前后电气量自身的变化。更稳妥的做法是设计若干不同故障位置和类型的样本让模型隐式学习故障场景差异。特征建议在故障前 2 个周波到故障后 1 个周波之间取平均值或首末值组合避免把整个动态过程都塞进去否则特征维度膨胀训练样本需求也成倍上升。3. 用 MATLAB 搭 SAE 训练框架从样本矩阵到稳定评估模型3.1 样本数据从哪来时域仿真生成训练集建模的第一步是得到带标签的样本集。常见做法是利用电力系统分析工具箱比如 PSAT、Matpower 加 Simulink 动态仿真或者调用商业软件的自动化接口批量生成故障样本。典型流程是选定一个测试系统IEEE 39 节点或 118 节点很常用随机改变负荷水平、发电出力、故障线路与故障位置对每个场景在 t0.1s 设置三相短路故障并设置不同的切除时间仿真记录 10 个周波内的特征量然后根据功角差是否收敛判断标签。仿真变量取值范围采样方式负荷水平基准值的 70%~130%均匀随机故障线路所有 N-1 线路逐条遍历故障位置线路首端、中点、末端均匀随机切除时间0.1s~0.4s按 0.02s 步长样本量建议不少于 3000 条正负样本比例控制在 1:1 到 3:1 之间。如果全是稳定样本模型会退化成一个“永远回答稳定”的摆设。生成多组数据后把每组样本的特征拼接成一个大矩阵 X形状为样本数×特征维数标签存为列向量。后续所有处理都围绕这个矩阵做。3.2 核心代码trainAutoencoder 逐层预训练加微调MATLAB 的 Deep Learning Toolbox 从 R2016a 开始提供 trainAutoencoder、stack、trainNetwork 这几个核心接口这是搭堆叠自动编码器最直接的路径。下面给出一个完整可运行的训练骨架% 假设已有特征矩阵 X (样本数x特征维数) 和标签向量 y (0/1) % 注意trainAutoencoder 要求输入为 特征维数x样本数先行转置 X X; % 转为 特征维数x样本数 y y(:); % 保证标签为列向量 % 1. 归一化到 [0.05, 0.95]避免自动编码器饱和 [Xn, ps] mapminmax(X, 0.05, 0.95); Xn Xn; % 2. 逐层预训练两个自动编码器 opts1 trainingOptions(adam, ... MaxEpochs, 100, ... InitialLearnRate, 0.001, ... MiniBatchSize, 64, ... Shuffle, every-epoch, ... Verbose, 0); ae1 trainAutoencoder(Xn, 128, ... EncoderTransferFunction, satlin, ... DecoderTransferFunction, purelin, ... L2WeightRegularization, 0.001, ... SparsityRegularization, 4, ... SparsityProportion, 0.1, ... UseGPU, false, ... TrainingOptions, opts1); feat1 encode(ae1, Xn); fprintf(第一层特征维度: %d\n, size(feat1, 2)); % 第二层编码器输入是第一层提取的特征 ae2 trainAutoencoder(feat1, 64, ... EncoderTransferFunction, satlin, ... DecoderTransferFunction, purelin, ... L2WeightRegularization, 0.001, ... SparsityRegularization, 4, ... SparsityProportion, 0.1, ... TrainingOptions, opts1); feat2 encode(ae2, feat1); % 转回 样本数x特征数 % 3. 堆叠自动编码器 deepNet stack(ae1, ae2); % 4. 添加 softmax 分类层并用有监督数据微调 layers [ featureInputLayer(size(feat2, 2)) fullyConnectedLayer(2) softmaxLayer() classificationLayer()]; % 注意classificationLayer 要求标签为 categorical yCat categorical(y, [0 1], {stable, unstable}); optionsFinetune trainingOptions(adam, ... MaxEpochs, 50, ... InitialLearnRate, 0.0005, ... MiniBatchSize, 32, ... ValidationData, {feat2Val, yValCat}, ... ValidationFrequency, 10, ... Verbose, 1, ... Plots, none); netFine trainNetwork(feat2, yCat, layers, optionsFinetune);这里第一层编码器隐藏层用了 128 个神经元第二层压缩到 64 个。EncoderTransferFunction 设为 satlin饱和线性Decoder 用 purelin原因是电气量归一化后落在 [0,1] 区间satlin 可以避免激活值饱和区梯度过小。L2WeightRegularization 控制权重衰减SparsityRegulation 和 SparsityProportion 是稀疏性约束强迫隐藏层神经元只对特定模式响应。微调阶段把初始学习率降到 0.0005比预训练低一个量级避免破坏预训练学到的特征结构。3.3 参数怎么调隐藏层尺寸与稀疏性设置的推荐范围参数推荐取值范围调参依据第一个 AE 隐藏神经元数输入维数的 1.5~2 倍先扩充维度捕捉特征交互再逐步压缩第二个 AE 隐藏神经元数第一层的一半左右逐层降维提取高层抽象SparsityProportion0.05~0.15越小特征越稀疏但要防止信息丢失SparsityRegularization1~10越大稀疏惩罚越强过大导致重构质量下降L2WeightRegularization0.0001~0.01防过拟合样本少时取偏大值MaxEpochs预训练50~200观察到重构损失不再下降就停如果样本量较小3000 条以下建议把第一层压缩到输入维度的 0.5 倍而不是扩张或者干脆只在中间层保留一个 AE减少可训练参数量。调参时先固定稀疏性参数调整隐藏层大小记录验证集准确率再固定结构调整稀疏项。一次完整的训练在普通 CPU 机器上耗时不超过 10 分钟GPU 环境下更快所以完全有条件做多组参数对比。4. 样本划分、归一化与边界样本加权决定模型可靠性的是这些细节4.1 数据划分必须按“故障场景”切不能直接随机切暂态稳定评估里有一类隐蔽的错误数据划分时直接对样本随机抽样导致同一个仿真场景切出来的多个样本同时落在训练集和测试集。因为同一场景下不同切除时间的样本只差一个标签和少量特征值测试集准确率会虚高看起来 98%换到新运行方式立刻掉到 85%。正确的做法是按故障场景分组即同一个运行方式同一个故障位置的全部样本要么都在训练集要么都在测试集。划分比例推荐 80% 场景做训练20% 场景做测试。% 场景划分代码示意 % sceneIds 是每个样本对应的场景编号例如负荷水平故障线路的组合ID [uniqueScenes, ~] unique(sceneIds); nScene length(uniqueScenes); % 打乱场景顺序 rng(42); permIdx randperm(nScene); trainScenes uniqueScenes(permIdx(1:round(0.8*nScene))); trainIdx ismember(sceneIds, trainScenes); testIdx ~trainIdx;为方便复现这里用 rng(42) 固定随机种子。注意 ismember 判断的是完整场景 ID而不是按样本索引切分这样就保证了同一场景的所有样本不会被拆到两侧。对负荷水平、故障位置做了随机抽样的话不同场景间的数据分布会有差异模型如果在这套划分下测试集准确率仍能保持在 95% 以上才说明泛化可信。4.2 归一化参数只在训练集上估计测试集沿用同一组参数电气量量纲差异很大标幺值电压在 1.0 附近有功可能是几百 MW功角可能是几十度。如果不做归一化自动编码器的重构误差会被量纲大的特征主导小量纲但物理关键的电压相角就学不到了。常见做法有 z-score 和 min-max 两种。z-score 对数据分布没有边界要求但样本量小、存在极端值时会拉偏均值和方差min-max 能把数据压到任意区间但受最大值最小值影响大。对于仿真数据推荐用 z-score 配合异常值截断。% 只用训练集计算均值和标准差 muX mean(Xtrain, 1); stdX std(Xtrain, 0, 1); % 截断异常值防止个别极端值影响 stdX(stdX 1e-6) 1e-6; XtrainN (Xtrain - muX) ./ stdX; XtestN (Xtest - muX) ./ stdX; % 测试集用同一组参数 % 如果训练时用了 mapminmax保存的 ps 结构里包含了 % xmin、xmax 等信息测试时用 ps 直接 apply Xn_test mapminmax(apply, Xtest, ps);关键点在于“测试集沿用训练集的统计量”。很多初学者在测试时又重新对测试集算了一遍均值和方差这在数据分布一致时影响不大但一旦测试集来自新运行方式就会引入分布偏移评分结果失真。部署阶段这组 muX、stdX 或 ps 必须跟模型一起保存、传递。4.3 边界样本加权让模型更怕“漏报”而不是“误报”电力系统暂态稳定评估里最严重的一类错误是假稳定漏报模型说稳定实际系统失稳。这类错误可能直接导致调度员错过告警。减少漏报的常见做法有三类代价敏感学习、阈值移动、边界样本加权。阈值移动最简单——把 softmax 输出判定为不稳定的概率阈值从默认 0.5 调低到 0.3 或 0.4模型会更倾向于“报不稳”。边界样本加权则是在模型初训完成后找出那些输出概率接近 0.5 的“模糊样本”把这些样本在微调阶段加大权重重新训练一次。% 边界样本加权的微调阶段 % 第一次训练得到模型 net0 [prob, ~] predict(netFine, feat2Val); probStable prob(:, 2); % 不稳定类概率 % 找出边界样本概率在 0.3~0.7 之间的样本 marginMask (probStable 0.3) (probStable 0.7); fprintf(边界样本数量: %d\n, sum(marginMask)); % 构造加权随机采样器对边界样本过采样 inverseWeights ones(sum(marginMask), 1); % 概率越接近 0.5权重越高 inverseWeights 1 ./ (abs(probStable(marginMask) - 0.5) 0.05); resampledIdx randsample(find(marginMask), 200, true, inverseWeights);补训时把边界样本和全部原样本混合设置小学习率再微调 10~20 个 epoch。这么做等价于让模型在决策边界附近分配更多模型容量。实际项目里这一步通常能把假稳定率从 3% 压到 1% 以下代价是假不稳定率会小幅上升但调度场景里宁可多报不可漏报。4.4 评估指标别只看准确率要看混淆矩阵的右下角指标公式或含义关注原因准确率(TPTN)/(TPTNFPFN)类别均衡时才具有参考价值假稳定率漏报率FN/(FNTP)把失稳当稳定的概率最危险假不稳定率误报率FP/(FPTN)把稳定当失稳触发不必要的告警F1-score2·precision·recall/(precisionrecall)综合衡量正类不稳定类的识别能力AUCROC 曲线下面积评估阈值无关的排序能力训练完模型后第一件事是打印混淆矩阵单独看假稳定的样本量。如果假稳定率超过 2%优先考虑做边界样本加权而不是盲目增加网络层数。另外一个验证技巧是把所有误判样本的仿真场景调出来看切除时间是否落在 CCT 附近。落在临界区的样本被分错属于可接受误差真正要警惕的是那些切除时间明显大于 CCT 却被判稳定的样本。5. 在线评估落地把训练好的 SAE 封装成可调用的评分函数5.1 模型保存与加载把归一化参数和网络结构打包训练结束后需要把网络结构、权重、归一化参数、阈值一起保存成一个 mat 文件供在线推理程序加载。避免散落多个变量部署时候漏掉某一个。% 打包保存 save(TSA_SAE_model.mat, netFine, deepNet, ps, muX, stdX, threshold); % threshold 可以是经过阈值移动后的判定阈值例如 0.35在线程序里加载时用 load 一次性读取并通过 whos 检查关键变量是否齐全。如果在导出到 MATLAB Compiler 或生产环境时遇到工具箱路径问题可以直接把 netFine 转成 DAGNetwork 对象或者手动提取每层权重和偏置用纯 MATLAB 代码重建前向传播避免运行时依赖 Deep Learning Toolbox 的预测函数。5.2 在线推理函数从前向传播到稳定概率的完整流程在线推理的输入是一条原始特征向量需要做的事和训练时完全一致取特征、归一化、逐层编码、经过分类层取概率。下面给出一个不依赖 predict 函数的完整前向传播版本好处是可以移植到任何 MATLAB 版本或转成 C 代码function [score, isStable] onlineTSA(xRaw, model) % 在线暂态稳定评估函数 % 输入 % xRaw - 1xD 原始特征向量 % model - 从 TSASAE_model.mat 加载的结构体 % 输出 % score - 不稳定类的概率0~1 % isStable - 判定结果1为稳定0为不稳定 % 1. 归一化用训练时统计量 x (xRaw - model.muX) ./ model.stdX; x x(:); % 转为列向量 % 2. 第一层编码 % 权重矩阵 W1 形状: hidden1 x D z1 model.W1 * x model.b1; a1 max(0, z1); % ReLU 激活 % 3. 第二层编码 z2 model.W2 * a1 model.b2; a2 max(0, z2); % 4. 分类层softmax z3 model.W3 * a2 model.b3; expZ exp(z3 - max(z3)); % 减去最大值防止溢出 prob expZ / sum(expZ); score prob(2); % 不稳定类概率 % 5. 阈值判定 isStable score model.threshold; end这段代码把训练好的权重和偏置直接拿出来手写了前向传播。实际使用中也可以简单地用 predict(netFine, x) 一行搞定但手写版本便于查看中间层特征 a1、a2在调试时能直观看到特征在每一层的变化。在线场景性能要求高时把这段代码用 MATLAB Coder 转成 C 动态库单次推理可以压到微秒级。5.3 在线部署的两个工程问题特征对齐与模型更新第一个问题是特征对齐。离线训练时特征向量里某个变量排序和在线数据源不一致是最常见的坑。比如离线数据中第 7 个特征是线路 L12 的有功在线接口却把 L13 的有功放在这个位置。解决方式是定义一个特征字典每个特征名对应一个索引在线侧组装特征时按字典顺序写入而不是按数据源顺序。第二个问题是模型更新策略。电网运行方式随季节、检修计划变化离线训练的数据分布会逐渐过时。常见做法是每周用新增的仿真样本做一次“增量微调”只调分类层不重新预训练 AE。学习率设小一个量级即可。实际调度中心的 DSA 系统大多是周级或日级刷新微调一次耗时几分钟完全在可接受范围内。注意不要让在线误判样本直接进训练集要先经过人工确认。6. 把二分类改成 CCT 回归SAE 在极限切除时间预测上的延伸暂态稳定二分类只能回答“稳不稳”调度员更想要的是“还剩多少时间切除”。把输出从类别改成回归值可以沿着同样的 SAE 特征路径把顶层的 softmax 分类层换成回归层以临界切除时间 CCT 作为监督目标。这样模型输出的是一个连续时间值直接告诉调度员建议的切除时间裕度。改造方式很直接微调阶段把标签换成 CCT 数值损失函数换成均方误差输出层神经元个数改为 1不加激活函数。% 回归层替换分类层的核心代码 layersReg [ featureInputLayer(64) fullyConnectedLayer(16) reluLayer() fullyConnectedLayer(1) regressionLayer()]; % 训练回归网络Ylabel 是 CCT 值秒例如 0.23 netReg trainNetwork(feat2Train, YcctTrain, layersReg, optionsReg); % 测试时比较预测 CCT 和真实 CCT误差在 ±0.02s 内即可接受改成回归后模型评价指标要看预测 CCT 与真实 CCT 的绝对误差工程上一般要求误差在 0.02 秒以内。因为仿真样本本身步长就是 0.01~0.02 秒低于这个精度的改善没有实际意义。回归模型还能顺带解决分类模型的一个边界问题切除时间刚好落在临界区附近的样本不再被武断地二值化而是给出一个连续的风险程度配合保护装置的实际动作时间做综合判断。把二分类和回归两个输出并列使用常见做法是把回归预测的 CCT 与保护动作时间做差差值小于 0.05s 时强制触发告警这比单纯看分类概率多了一层物理约束。本文还有配套的精品资源点击获取