基于可解释性改进深度学习电力系统暂态稳定评估研究
曾凡

青海大学能源与电气工程学院,青海西宁，810008；

摘要：本文提出了一种结合贝叶斯优化超参数与残差机构的时间卷积网络模型（Temporal Convolutional Networks,TCN），旨在克服电力系统暂态稳定评估中的特征微弱、提取难度大及辨识效率低等问题。研究融合了深度学习特征提取的优势与贝叶斯优化参数调优策略，对传统TCN模型进行了改进。针对深度学习模型性能对超参数敏感的问题，采用贝叶斯优化算法，通过构建高斯过程模型近似目标函数，并利用采集函数高效选择待评估超参数，实现了TCN模型超参数的精细调优，显著提高了优化效率并降低了计算资源消耗。在IEEE39节点系统上的仿真分析显示，改进后的TCN模型在电力系统暂态稳定评估中表现出高泛化能力和辨识准确率，相对于改进前的基础模型综合性能提升了1.74%。该方法不仅提升了评估精确度，还为电力系统稳定性智能监测与预警系统提供了有力支持。此外，该方法增强了深度学习模型在电力系统稳定性评估中的可解释性，为后续研究奠定了坚实基础。

关键词：暂态稳定评估；时间卷积网络；贝叶斯优化；残差结构；超参数

参考文献

[1]肖龙,张靖,何宇,等.基于时间卷积和自适应图卷积网络的电力系统暂态稳定评估[J/OL].电网技术,1-13[2025-03-18].

[2]刘雨晴,刘曌,王小君,等.融合同步知识和时空信息的电力系统暂态稳定评估框架[J/OL].电网技术,1-13[2025-03-18].

[3]武宇翔,韩肖清,牛哲文,等.基于变权重随机森林的暂态稳定评估方法及其可解释性分析[J].电力系统自动化,2023,47(14):93-104.

[4]李永康，刘宝柱，胡俊杰.基于数据驱动与时域仿真融合的电力系统暂态稳定快速评估[J].电网技术，2023，47(11)：4386-4396.

[5]张俊,徐箭,许沛东等.人工智能大模型在电力系统运行控制中的应用综述及展望[J].武汉大学学报(工学版).2023，56(11):1368-79.

[6]刘旭,刘颂凯,杨超,张磊,段雨舟,晏光辉.基于逐步特征增广梯度提升的暂态功角稳定评估及可解释性分析[J].现代电力.2024，41(5):844-53.

[7]李志兵,肖健梅,王锡淮.基于多粒度NRS和改进Bi-LSTM的电力系统暂态稳定评估[J].电气工程学报,2023,18(3):232-241.

[8]傅太国屹,杜友田,吕昊,等.基于多尺度图注意力网络的电力系统暂态稳定评估[J].电力系统自动化,2025,49(03):60-70.

[9]李雅晗,夏世威,马琳琳,等.交直流混联系统暂态功角稳定评估及特征量可解释性分析[J].电力建设,2024,45(02):1-9.

[10]肖龙,张靖,何宇,等.基于时间卷积和自适应图卷积网络的电力系统暂态稳定评估[J/OL].电网技术,1-13[2024-12-19].