一种异构图变换网络，用于电力系统中低频区域间振荡的小信号稳定性评估

《Expert Systems with Applications》：A Heterogeneous Graph Transformer Network for Small-Signal Stability Assessment of Low-Frequency Inter-Area Oscillations in Power Systems

针对传统小信号稳定性评估方法在低频区间振荡分析中的局限性，本文提出基于异构图Transformer网络（HGTN）的新方法。通过多通道特征映射与软融合机制实现异构图设计，结合自注意力机制克服传统GNN的接受域限制，有效提取高阶全局特征。实验表明，该方法在Texas 2000-bus系统上具有更优的预测精度和计算效率。

　　
随着全球电力需求持续增长和能源结构深度转型，现代电网的复杂性与动态特性面临前所未有的挑战。低频跨区域振荡作为电网稳定性的关键威胁之一，其动态演变机制与多区域能量交互密切相关。现有评估方法在处理此类复杂系统时存在显著局限，促使研究者探索新型智能化解决方案。

传统小信号稳定性分析方法主要分为两类：基于线性化模型的特征提取方法与基于时间域仿真的非线性分析方法。前者通过选择性模态分析或子空间辨识技术提取特征，虽能降低计算复杂度，但难以适应高渗透率可再生能源和电力电子设备带来的系统非线性特征。后者虽能捕捉动态过程中的非线性特性，却高度依赖特定扰动模式与观测点配置，在实时决策场景中存在明显缺陷。这种双重困境导致现有方法在评估低频跨区域振荡时，既面临局部特征提取不足的问题，又存在全局拓扑关联建模困难。

近年来，基于图神经网络（GNN）的电力系统分析方法展现出独特优势。这类模型能够直接处理电网固有的非欧几里得拓扑结构，通过节点间多跳信息传递捕捉全局动态特征。但传统GNN存在两个关键瓶颈：其一，多层堆叠结构导致高阶拓扑特征提取能力受限，尤其在跨区域关联建模时存在信息衰减；其二，静态图结构难以适应电网实时运行状态下的动态拓扑变化。为突破这些瓶颈，研究者开始探索图结构Transformer的融合应用。

该方法创新性地构建了异构图Transformer网络（HGTN），通过三重机制实现评估能力的突破。首先，采用稀疏异构图设计架构，将电网的物理拓扑、电气连接和运行状态等多元异构数据整合为统一图结构。这种设计既保留了传统GNN对局部拓扑特征的敏感性，又通过多通道特征映射实现了不同数据维度的并行处理。实验表明，相较于单通道特征提取方法，异构特征融合可使跨区域振荡模态的识别准确率提升18.7%。

其次，网络架构引入动态可学习的拓扑融合机制。通过构建候选邻接矩阵集合，在训练过程中自适应融合最优拓扑连接方式，解决了传统GNN邻接矩阵固定的局限性。这种软融合机制在广东电网实测数据中验证，能有效捕捉到因线路检修导致的拓扑动态变化，使评估结果鲁棒性提升23.4%。

核心创新点在于将Transformer的注意力机制与GNN的图卷积进行有机融合。设计的远程相关性聚合模块通过多头注意力机制，建立跨区域节点间的长程关联模型。实验数据显示，在2000节点系统中，该模块成功捕捉到传统GNN平均只能关联3跳的跨区域特征，使振荡模态的相位差估计误差从12.3%降至4.8%。

计算效率优化方面，采用稀疏矩阵存储与动态卷积计算相结合的技术。通过将邻接矩阵转换为COO格式进行存储，配合PyTorch-Geometric框架的优化实现，在RTX 4090显卡平台上，模型推理速度达到传统GNN方法的2.3倍。特别设计的通道剪枝机制，在保证特征精度的前提下将计算量降低40%。

实证研究部分选取美国得克萨斯州2000节点系统作为测试平台，构建包含5种典型振荡模式的标准化数据集。对比实验表明，HGTN模型在以下维度显著优于基准方法：
1. 振荡模态识别：准确率从89.2%提升至96.5%，F1值提高31.7%
2. 振荡频率估计：误差范围缩小至±0.03Hz（传统方法平均±0.12Hz）
3. 稳定性边界预测：提前预警时间从2.3秒延长至5.8秒
4. 实时计算效率：在200节点到2000节点的规模扩展中，推理时间仅呈线性增长（斜率0.87）

该方法在电网实际运行场景中表现出显著优势。在某省级电网的实时监测应用中，成功预警了因新能源出力波动引发的跨区域低频振荡事件，提前15分钟发出控制指令，避免潜在的大面积停电事故。相较于基于Prony算法的传统方法，在数据噪声干扰达30%的情况下，仍能保持89.3%的模态识别准确率。

研究还发现，HGTN在处理非完整数据场景时具有独特优势。通过引入图注意力机制的自适应权重分配，当某区域因设备检修导致数据缺失时，系统仍能基于拓扑关联性推断完整信息。仿真测试显示，在数据缺失率达40%的情况下，振荡评估结果的波动幅度控制在3%以内，展现出优异的容错能力。

该方法的应用价值已得到行业验证。在某电力调度中心的实际部署中，将传统基于状态估计的评估流程从4小时缩短至15分钟，同时将误报率从12.6%降至2.3%。特别是在处理新能源高渗透率场景时，通过捕获光伏出力与风电功率的时空关联特征，使振荡抑制策略的有效性提升27.8%。

研究团队还开发了配套的工程应用软件，集成HGTN模型与电网调度系统。该软件已通过国网电科院的严格测试，在三种典型振荡模式识别测试中分别达到98.2%、97.5%和96.8%的准确率。特别设计的在线学习模块，可根据实时运行数据动态优化模型参数，使评估模型的适应周期从72小时缩短至8小时。

未来研究将重点拓展该方法的应用场景。通过引入数字孪生技术，构建电网的实时动态图模型，可使评估响应时间进一步缩短至秒级。同时探索在柔性直流输电系统中的应用，研究表明该方法能有效捕捉多端柔性互联的耦合振荡特征。在计算资源优化方面，正研发基于边缘计算的分布式推理架构，目标是在保持95%以上评估精度的同时，将单节点计算资源需求降低60%。

这项研究的突破性进展，标志着电力系统稳定性评估进入智能感知新阶段。通过深度融合图神经网络的结构感知能力和Transformer的长程依赖建模优势，不仅解决了传统方法在跨区域关联分析中的局限性，更构建了适应新型电力系统高并发、实时性、复杂性的评估框架。其方法论对其他领域非欧几里得数据建模具有重要参考价值，特别是在城市交通网络、供应链物流等复杂关系网络的分析中，该方法展现出良好的迁移潜力。