(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 202111663449.2 (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　张润丰　石重托　文劲宇　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 胡秋萍 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/16(2006.01) (54)发明名称 基于迁移学习的电力系统主导失稳模式识 别方法及系统 (57)摘要 本发明公开了一种基于迁移学习的电力系 统主导失稳模式识别方法及系统， 属于电力系统 稳定性判断领域， 方法包括： 利用源域训练深度 神经网络模 型； 主导失稳模式识别过程中出现新 工况时， 仿真获取新工况下的状态数据以形成目 标域； 将目标域和源域中的状态数据分别输入深 度神经网络模 型， 经由特征提取网络进行特征提 取后输出相对应的特征数据； 基于特征数据之间 的局部最大平均差异计算源域与 目标域之间的 分布差异损失， 利用源域计算深度神经网络模型 的交叉熵分类损失， 并对分布差异损失和交叉熵 分类损失进行加权求和得到最终损失； 根据最终 损失优化深度神经网络模型并进行主导失稳模 式识别。 令深度神经网络模型具备适应电力系统 中未知工况的能力。 权利要求书2页 说明书10页 附图4页 CN 114330571 A 2022.04.12 CN 114330571 A 1.一种基于 迁移学习的电力系统主导失稳模式识别方法， 其特 征在于， 包括： S1， 仿真获取不同工况下电力系统的状态数据， 以及获取相应的人工标注结果， 以形成 源域， 利用所述源域训练预置的深度神经网络模型， 所述深度神经网络模型包括依 次连接 的特征提取网络和全连接分类网络； S2， 利用所述深度神经网络模型进行电力系统主导失稳模式识别时， 若出现新工况， 仿 真获取所述新工况下电力系统的状态数据以形成目标域； S3， 将所述目标域和所述源域中的状态数据分别输入所述深度神经网络模型， 经由所 述特征提取网络进行 特征提取后输出相对应的特 征数据； S4， 基于所述特征数据之间的局部最大平均差异计算所述源域与目标域之间的分布差 异损失， 利用所述源域计算所述深度神经网络模型 的交叉熵分类损失， 并对所述分布差异 损失和所述交叉熵分类损失进行加权求和得到最终损失； S5， 根据所述最终损失优化所述深度神经网络模型， 利用优化后的深度神经网络模型 进行电力系统主导失稳模式识别。 2.如权利要求1所述的基于迁移学习的电力系统主导失稳模式识别方法， 其特征在于， 所述S4中还包括： 分别计算与同一类别对应的源域的特征数据和目标域的特征数据之 间的 最大平均差异， 并按照各类别在所有类别中的占比对各类别对应的最大平均差异进行加 权， 得到所述局部最大平均差异， 所述类别为电力系统主导失稳模式的种类。 3.如权利要求2所述的基于迁移学习的电力系统主导失稳模式识别方法， 其特征在于， 所述局部最大平均差异为： 其中， 为所述局部最大平均差异， C为主导失稳模式的类别数， 为源域， 为目 标域， Xi为源域中第i个状态数据， Xj为目标域中第j个状态数据， 为Xi对应的特征数据， 为Xj对应的特征数据， 为源域中第c个类别的样本在源 域所有类别的样本中的占比， 为目标域中第c个类别的样本在目标域所有类别的样本中的占比， Φ( ·)为映射函数， 为RKHS空间的二范 数。 4.如权利要求1 ‑3任一项所述的基于迁移学习的 电力系统主导失稳模式识别方法， 其 特征在于， 所述 最终损失为： 其中， 为所述最终损失， ns为源域的样本数量， J( ·)为交叉熵分类损失函数， 为Xi 对应的特征数据， Xi为源域中第i个状态数据， f( ·)为所述深度神经网络模型的输出， 为Xi对应的人工标注结果， α 为权 重系数， 为所述局部最大平均差异。 5.如权利要求1所述的基于迁移学习的电力系统主导失稳模式识别方法， 其特征在于， 所述特征提取网络和全连接 分类网络均为多层网络， 所述S 5中优化所述深度神经网络模型权　利　要　求　书 1/2 页 2 CN 114330571 A 2包括： 冻结所述特征提取网络中最后一层之外的其它层， 优化所述特征提取网络的最后一 层以及所述全连接分类网络的所有层。 6.如权利要求1或5所述的基于迁移学习的电力系统主导失稳模式识别方法， 其特征在 于， 所述深度神经网络模型中， 最后一层神经网络采用softmax函数作为激活函数， 其他层 神经网络采用ReLU函数作为激活函数。 7.如权利要求1所述的基于迁移学习的电力系统主导失稳模式识别方法， 其特征在于， 所述状态数据包括母线电压和相角， 所述S1包括： 仿真获取不同工况下电力系统 的母线电压和相角， 并生成相应的母线电压矩阵和相角 矩阵； 采用z‑score标准化方法分别对所述母线电压矩阵和相角矩阵进行归一化处理， 基于 归一化处理后的结果 生成相应的人工标注结果； 以所述母线电压和相角为输入， 以所述人工标注结果为标签， 训练所述深度神经网络 模型。 8.一种基于 迁移学习的电力系统主导失稳模式识别系统， 其特 征在于， 包括： 源域获取模块， 用于仿真获取不同工况下电力系统的状态数据， 以及获取相应的人工 标注结果， 以形成源域； 预训练模块， 用于利用所述源域训练预置的深度神经网络模型， 所述深度神经网络模 型包括依次连接的特 征提取网络和全连接分类网络； 目标域获取模块， 用于利用所述深度神经网络模型进行电力系统主导失稳模式识别 时， 若出现新工况， 仿真获取 所述新工况下电力系统的状态数据以形成目标域； 特征提取模块， 用于将所述目标域和所述源域中的状态数据分别输入所述深度神经网 络模型， 经由所述特 征提取网络进行 特征提取后输出相对应的特 征数据； 最终损失计算模块， 用于基于所述特征数据之间的局部最大平均差异计算所述源域与 目标域之间的分布差异损失， 利用所述源域计算所述深度神经网络模型的交叉熵分类损 失， 并对所述分布差异损失和所述交叉熵分类损失进行加权求和得到最终损失； 优化及识别模块， 用于根据所述最终损 失优化所述深度神经网络模型， 利用优化后的 深度神经网络模型进行电力系统主导失稳模式识别。 9.一种电子设备， 其特 征在于， 包括： 处理器； 存储器， 其存储有计算机可执行程序， 所述程序在被所述处理器执行时， 使得所述处理 器执行如权利要求1 ‑7中任一项所述的基于 迁移学习的电力系统主导失稳模式识别方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理 器执行时实现如权利要求 1‑7中任一项 所述的基于迁移学习的电力系统主导 失稳模式识别 方法。权　利　要　求　书 2/2 页 3 CN 114330571 A 3