一种少量PMU采样的电力系统多智能体暂态判稳方法和系统

技术领域

本发明涉及电力系统中的人工智能技术领域，并且更具体地，涉及一种少量PMU采样的电力系统多智能体暂态判稳方法和系统、以及存储介质和电子设备。

背景技术

随着智能电网的发展与社会用电量的提高，为了保证电网经济高效的运行，输电网络的输电容量正在逐步接近电网的运行边界，并且近年来随着高渗透率可再生能源和高比例电力电子器件接入电力系统，电网运行方式多变，系统暂态稳定问题的诱发机理复杂，传统仿真分析的方法的处理速度越来越慢。尽管稳定问题不会频繁发生，但一旦系统暂态稳定性遭到破坏，又没有及时获得失稳信息，极有可能造成发电机组解列、电力设备损坏及大停电事故发生等严重后果。因此，通过构建可靠的暂态稳定评估方法是保证电力系统安全、可靠运行的一个重要基础。

智能技术的发展为电力系统暂态稳定的判别提供了一种新方式。智能算法一般采取“离线训练，在线应用”的方式，训练好的智能体可以满足快速的实时判稳的要求。然而，随着电力系统规模越来越大，势必导致特征的智能算法的特征输入维度呈现指数增长，严重影响智能体的训练速度和在线应用效率。已有研究表明，针对复杂神经网络的训练所需要的计算能力已经超过了硬件发展的速度，且训练过程消耗电能所产生的CO2已经到了不经济的状态，因此对数据进行特征削减以简化神经网络模型具有重要意义。

现在电力系统中的广域监测系统(WAMS)是根据PMU安装点为最小单位采集数据的。现有的特征提取方法(如自编码器、深度网络)虽然能够降低维度，却不能从电力系统PMU的安装位置的维度去进行特征提取。这主要是因为PMU位置信息一般不作为输入数据的一部分，因此单智能体的结构难以实现具有复杂功能的特征提取，需要额外的人工帮助。

针对上述的现有技术中存在的现有特征提取方法难以实现具有复杂功能的电力系统的特征提取的技术问题，目前尚未提出有效的解决方案。

发明内容

针对现有技术中存在的现有特征提取方法难以实现具有复杂功能的电力系统的特征提取的技术问题，本发明提供一种少量PMU采样的电力系统多智能体暂态判稳方法和系统，本发明以PMU节点的时域数据为基础，以“粗分类”与“细分类”相结合的方式设计了一种多智能体配合的AI for AI模型，基于该模型建立了一种少量PMU采样的电力系统多智能体暂态判稳方法。

根据本发明的一个方面，提供了一种少量PMU采样的电力系统多智能体暂态判稳方法，包括：

获取样本数据集，其中样本数据集中的样本数据为仿真的电力系统中多个PMU节点采集的特征数据，且每个样本数据具有表征电力系统能否保持暂态稳定的标签；

基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，其中关键节点集中的关键节点为从多个PMU节点中选取的预定数量的PMU节点；

基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络；

获取实际的电力系统中与关键节点集中的各个关键节点的安装位置一致的PMU节点采集的电气量数据，并将采集到的电气量数据输入暂态稳定判别网络，输出实际的电力系统的暂态判稳结果。

可选地，所述获取样本数据集，包括：

采用仿真的方式获取电力系统中多个PMU节点采集的带有时域信息的初始样本数据；

从初始样本数据中选取PMU节点的电压项作为特征数据；以及

根据仿真过程中根据发电机的最大功角差Δδmax，生成各个特征数据对应的表征仿真的电力系统能否保持暂态稳定的标签。

可选地，所述基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，包括：

从多个PMU节点中选取任意一个PMU节点，并基于样本数据集中与所选取的PMU节点对应的特征数据训练前人工智能网络；

根据前人工智能网络的训练结果判断前人工智能网络的准确率是否满足预设的准确率阈值；

判断已选取的PMU节点的数量是否满足预设的最小节点数阈值；

当判断前人工智能网络的准确率满足预设的准确率阈值且已选取的PMU节点的数量满足预设的最小节点数阈值时，从多个PMU节点中提取出已选取的PMU节点，得到关键节点集。

可选地，所述基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络，包括：

将关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，并计算预训练的准确度；

当后人工智能网络的准确度不大于精度阈值时，从多个PMU节点中选取一个PMU节点添加至关键节点集，得到一个新的关键节点集，其中所选取的PMU节点属于关键节点集之外的其他PMU节点；

将新的关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，直至预训练的准确度大于精度阈值，停止训练，得到暂态稳定判别网络。

可选地，前人工智能网络为时延神经网络并省略输出的反馈，并且前人工智能网络的计算公式如下：

式中，

可选地，后人工智能网络为双向循环神经网络和BiLSTM层组成，并且得到的暂态稳定判别网络包括输入层、BiLSTM层、Dropout层、全连接层、Softmax层和Classification层。

可选地，该方法还包括：

根据发电机的最大功角差Δδ

式中，TSI为用于判定仿真的电力系统的功角是否稳定的一个参量，y

根据本发明的另一个方面，提供了一种少量PMU采样的电力系统多智能体暂态判稳系统，包括：

样本数据集获取模块，用于获取样本数据集，其中样本数据集中的样本数据为仿真的电力系统中多个PMU节点采集的特征数据，且每个样本数据具有表征电力系统能否保持暂态稳定的标签；

关键节点集确定模块，用于基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，其中关键节点集中的关键节点为从多个PMU节点中选取的预定数量的PMU节点；以及

暂态稳定判别网络确定模块，用于基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络；

暂态判稳模块，用于获取实际的电力系统中与关键节点集中的各个关键节点的安装位置一致的PMU节点采集的电气量数据，并将采集到的电气量数据输入暂态稳定判别网络，输出实际的电力系统的暂态判稳结果。

可选地，样本数据集获取模块具体用于：

采用仿真的方式获取电力系统中多个PMU节点采集的带有时域信息的初始样本数据；

从初始样本数据中选取PMU节点的电压项作为特征数据；以及

根据仿真过程中根据发电机的最大功角差Δδ

可选地，关键节点集确定模块具体用于：

从多个PMU节点中选取任意一个PMU节点，并基于样本数据集中与所选取的PMU节点对应的特征数据训练前人工智能网络；

根据前人工智能网络的训练结果判断前人工智能网络的准确率是否满足预设的准确率阈值；

判断已选取的PMU节点的数量是否满足预设的最小节点数阈值；

当判断前人工智能网络的准确率满足预设的准确率阈值且已选取的PMU节点的数量满足预设的最小节点数阈值时，从多个PMU节点中提取出已选取的PMU节点，得到关键节点集。

可选地，暂态稳定判别网络确定模块具体用于：

将关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，并计算预训练的准确度；

当后人工智能网络的准确度不大于精度阈值时，从多个PMU节点中选取一个PMU节点添加至关键节点集，得到一个新的关键节点集，其中所选取的PMU节点属于关键节点集之外的其他PMU节点；

将新的关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，直至预训练的准确度大于精度阈值，停止训练，得到暂态稳定判别网络。

可选地，前人工智能网络为时延神经网络并省略输出的反馈，并且前人工智能网络的计算公式如下：

式中，

可选地，后人工智能网络为双向循环神经网络和BiLSTM层组成，并且得到的暂态稳定判别网络包括输入层、BiLSTM层、Dropout层、全连接层、Softmax层和Classification层。

可选地，系统还包括标签判定模块，具体用于：根据发电机的最大功角差Δδ

式中，TSI为用于判定仿真的电力系统的功角是否稳定的一个参量，y

根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。

根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本发明上述任一方面所述的方法。

从而，本发明以AI for AI多智能体串联配合模式，可以自动选取电网中关键的PMU节点，实现考虑电网物理结构的一体化判稳流程。并且通过Pre-AI模型可以有效提取关键特征节点并大幅缩减数据样本的特征维度，降低原始数据集的冗余性，提升Post-AI模型训练效率。并且，Post-AI模型训练完成后，应用时只需将实际电网中Pre-AI模型确定的关键节点集上的电气量采集，并输入到Post-AI模型进行精确的稳定/失稳分类，即可输出实际电网的暂态判稳结果。除此之外，Pre-AI模型提取的关键特征节点集与实际电网的空间结构相对应，可为将来以智能判稳为基础的系统提供PMU节点的安装建议，减少安装费用。这种AI for AI的模式，为多智能体在电力系统中处理复杂问题提供了借鉴意义。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1是本发明一示例性实施例提供的AI for AI模型的框架图；

图2是本发明一示例性实施例提供的少量PMU采样的电力系统多智能体暂态判稳方法的流程示意图；

图3是本发明一示例性实施例提供的时延神经网络的结构示意图；

图4是本发明一示例性实施例提供的少量PMU采样的电力系统多智能体暂态判稳过程的整体流程示意图；

图5是本发明一示例性实施例提供的双向循环神经网络的结构示意图；

图6是本发明一示例性实施例提供的LSTM神经元的结构示意图；

图7是本发明一示例性实施例提供的暂态稳定判别网络的结构示意图；

图8是本发明一示例性实施例提供的前人工智能网络的准确率η与提取的关键节点集的关系示意图；

图9是本发明一示例性实施例提供的基于IEEE 39节点系统的γ

图10是本发明一示例性实施例提供的基于300节点系统的γ

图11是本发明一示例性实施例提供的少量PMU采样的电力系统多智能体暂态判稳系统的结构示意图；以及

图12是本发明一示例性实施例提供的电子设备的结构。

具体实施方式

下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。

应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。

还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。

另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

本发明首先进行系统结构的设计，具体实施步骤如下：

随着电网的不断发展，网络节点数越来越多，如果将每个节点所采集的电气量全部输入到一个复杂的神经网络进行暂稳预测，势必会导致模型越来越复杂，消耗更多的计算资源，并且在线应用的计算时间也会延长。本文通过双智能体合作的方式建立AI for AI模型的框架如图1所示。其中，数据全集表示PMU采集的各节点的电气特征量，Pre-AI模型首先对原始数据进行粗分类，获取其中关键特征集。选取的关键特征集可能不是最优，但要保证对Post-AI模型的暂态判稳是有效的。当Pre-AI模型提取到关键特征集后，并作为Post-AI模型的特征输入，由于特征集维数的减少，Post-AI模型的训练速度和在线运行速度都有所提升，而且对于越大型的电网络提升效果越明显。如果电网络发生了大的变化，或有新的技术和设备接入了电网，那么可以重启Pre-AI模型以提取新的关键特征集B，此时Post-AI模型可通过迁移学习的方式或重新训练的方式从A特征集训练到B特征集，以适应新的电网结构。

基于上述AI for AI模型，可以实现基于少量PMU采样的电力系统多智能体暂态判稳方法(下文简称“TSA-SPS”)。在TSA-SPS中，Pre-AI模型的主要功能是根据自身训练的准确率预处理PMU节点采集的原始数据，选取准确率最好的前几个节点。随后将所选取的节点对应的PMU数据输入到Post-AI模型中进行精确的判稳分类。从而，TSA-SPS可以有效减少判稳所需PMU节点的数量，并可降低PMU节点在数据通信系统中带来的压力。

图2是本发明一示例性实施例提供的少量PMU采样的电力系统多智能体暂态判稳方法的流程示意图。本实施例可应用在电子设备上，如图2所示，电力系统多智能体暂态判稳方法200包括以下步骤：

步骤201，获取样本数据集，其中样本数据集中的样本数据为仿真的电力系统中多个PMU节点采集的特征数据，且每个样本数据具有表征电力系统能否保持暂态稳定的标签。

作为一个实施例，获取样本数据集，包括：采用仿真的方式获取电力系统中多个PMU节点采集的带有时域信息的初始样本数据；从初始样本数据中选取PMU节点的电压项作为特征数据；以及根据仿真过程中根据发电机的最大功角差Δδ

通常，考虑到实际运行中的电网发生故障的概率极小，所以PMU节点采集的数据是集中于正常态的高度有偏数据，这对我们研究智能算法的效果是不利的。因此，本发明采用仿真的方式获取带时域信息的数据，模拟的PMU节点采样频率为50Hz。对于暂态判稳，我们只选取PMU节点的电压项(包括电压幅值和相角)作为关注的特征量。采集来的初始样本数据如下式：

其中，M表示所研究输电网络总的节点数量，T表示时间序列的长度，对于一个M节点的网络，其总共的特征维度为2M维。

作为一个实施例，根据发电机的最大功角差Δδ

式中，TSI为用于判定仿真的电力系统的功角是否稳定的一个参量，y

步骤202，基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，其中关键节点集中的关键节点为从多个PMU节点中选取的预定数量的PMU节点。

作为一个实施例，前人工智能网络为时延神经网络并省略输出的反馈，并且前人工智能网络的计算公式如下：

式中，

通常，电力系统遭受扰动后是一个时间演进的动态过程，相较而言，带时延的神经网络能够比不带时延的神经网络更加符合电力系统遭受扰动后的物理过程，所以在对电网暂态稳定做最终判定的暂态稳定判别网络(对应于图1中的Post-AI模型)采用双向长短时记忆网络(BiLSTM)。因此在设计前人工智能网络(对应于图1中的Pre-AI模型)的过程中主要考虑以下两个因素：

1)Pre-AI模型和Post-AI模型要具有相似的智能结构，以保证Pre-AI模型提取的关键特征可以被Post-AI模型利用；

2)Pre-AI模型要具有较快的运行速度，以保证特征选取的效率。

基于上述两点，本文选取Pre-AI模型为简单的时延神经网络(TDNN(time-delayedneural network))并省略输出的反馈。其工作原理如图3所示，其中y

式中，

与普通全连接的ANN网络相比，如果要考虑时域演化特征，TDNN可以在时间维度上共享权重矩阵w，因此会对时间序列的执行更有效率。

作为一个实施例，基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，包括：从多个PMU节点中选取任意一个PMU节点，并基于样本数据集中与所选取的PMU节点对应的特征数据训练前人工智能网络；根据前人工智能网络的训练结果判断前人工智能网络的准确率是否满足预设的准确率阈值；判断已选取的PMU节点的数量是否满足预设的最小节点数阈值；当判断前人工智能网络的准确率满足预设的准确率阈值且已选取的PMU节点的数量满足预设的最小节点数阈值时，从多个PMU节点中提取出已选取的PMU节点，得到关键节点集。

通常，PMU节点采集的原始数据一般具有高度冗余性，对于一个包含M个节点的电网络，可能只有几个PMU节点采集的数据对最终的暂态判稳起主要作用，其他节点只起到弱作用，如果弱作用的数据太多，会导致神经网络训练过程中消耗大量的计算资源且最终效果不佳。Pre-AI模型的目标是在空间维度上选取起主要作用的节点，只采用这些节点的信息作为Post-AI模型的输入。其中，少量PMU采样的电力系统多智能体暂态判稳方法的整体流程示意图如图4所示。

具体为，首先Pre-AI模型从多个PMU节点中选取任意一个PMU节点，设为关键节点S

步骤203，基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络。

作为一个实施例，后人工智能网络为双向循环神经网络和BiLSTM层组成，并且得到的暂态稳定判别网络包括输入层、BiLSTM层、Dropout层、全连接层、Softmax层和Classification层。

通常，由于PMU节点采集的信号具有时序特性，所以采用循环神经网络(RNN)更能体现电网失稳的动态过程。传统的单向RNN在处理时间序列时只能获取正序时间序列的信息。但对于一个时间序列从时间负序方向进行特征提取也能获取到一些关键信息，以增强整个神经网络的准确率和泛化性能。所以，双向循环神经网络具有更好的性能表现，可以用更少的数据获取更多的信息，使得Pre-AI模型可以更大限度的压缩PMU节点的数量。双向循环神经网络的结构如图5所示，其中不仅包括前向层，还包括反向层。以t时刻为例，循环神经网络的计算公式如下所示：

其中，h

由于传统的神经元存在短时记忆的现象，LSTM作为传统RNN的变种，不仅延长了记忆能力，还弥补了标准RNN单元易出现梯度弥散的缺点。LSTM神经元的网络结构如图6所示。

将LSTM神经元代入图5所示的双向循环网络，便可建立BiLSTM层，利用BiLSTM层建立Post-AI模型(对应于暂态稳定判别网络)，如图7所示。为了防止在训练过程中出现过拟合，在BiLSTM层后加入Dropout层，Dropout层的概率设置为0.5，BiLSTM层中包含128个隐藏单元，全连接层的output size为2。

作为一个实施例，基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络，包括：将关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，并计算预训练的准确度；当后人工智能网络的准确度不大于精度阈值时，从多个PMU节点中选取一个PMU节点添加至关键节点集，得到一个新的关键节点集，其中所选取的PMU节点属于关键节点集之外的其他PMU节点；将新的关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，直至预训练的准确度大于精度阈值，停止训练，得到暂态稳定判别网络。

将关键节点集

其中，N表示训练集样本数量，

此外，训练过程利用adma优化算法，通过最小化损失函数L对Post-AI模型的神经网络参数进行优化，学习率在60次迭代后以0.4倍降低学习率，mini-branch大小为512。

从而，本发明在AI for AI的模式中引入了超参数η

步骤204，获取实际的电力系统中与关键节点集中的各个关键节点的安装位置一致的PMU节点采集的电气量数据，并将采集到的电气量数据输入暂态稳定判别网络，输出实际的电力系统的暂态判稳结果。

在本发明实施例中，后人工智能网络训练完成后即可得到暂态稳定判别网络，应用时只需将实际电网中前人工智能网络确定的关键节点集上的电气量采集，并输入到暂态稳定判别网络进行精确的稳定/失稳分类，从而输出实际电网的暂态判稳结果。

算例分析：

本发明采用中国电科院发布的PSD电网商业仿真计算软件，利用IEEE39节点系统生成算例，其中发电机和负荷变化分别取基值的0.8、1、1.2，对系统进行N-1的故障扫描，故障时间设置为0-0.4s，一共生成9000个样本。

1)首先利用Pre-AI模型进行关键节点集选取：

由于Pre-AI模型设定是提取关键节点这类的“粗特征”，无需在整个样本集上训练，因此只提取500个样本作为Pre-AI模型的样本集，并取样本集的85％作训练集，15％作测试集，取时间长度T＝3，以保证高效的运行速度。利用Pre-AI模型对IEEE 39节点系统进行关键特征节点的提取，训练得到不同节点集下的训练效果如图8所示。其中横坐标表示选取节点集的加入顺序，对于前几个节点的加入，准确率会快速提升，当提取关键节点数为3时，便满足η

需要注意的是，针对每一次节点集选取，要保证训练的迭代的次数能够使神经网络足够稳定。在迭代次数为60次之前，训练的准确率曲线存在明显振荡，可能会导致训练提取的节点集的结果不收敛，本文Pre-AI模型所取最大迭代次数设置为100。表1列出了Pre-AI模型5次选取的节点集，可以看出，Pre-AI模型选取的关键节点集相似度很高，尤其是前三个节点，这也说明Pre-AI模型运行结果的收敛性较好，可为Post-AI模型提供稳定的数据集。

表1η

2)确定Post-AI模型的训练时长与网络性能：

本发明训练用的CPU为Intel i5 6500，3.2GHz，用来计算训练所需要的时间。由于采用不同的CPU或GPU训练时间差异较大，所以此处采用计算时间的相对减少量γ

其中，t

计算得到在不同关键节点训练集下训练时间的相对减少量如图9所示。可以看出通过Pre-AI模型对关键特征节点进行预处理，可以有效的减少Post-AI模型的训练时间，当特征节点集数量小于20个时，可以节省五分之一以上的计算量，即便提取25个特征节点，依旧可以减少14％的计算量。图9所示为Post-AI模型在计算1次时所节省的计算量，通常情况下Post-AI模型会训练多次选取训练效果最佳的结果，此时节省的计算量则相当可观。

参见图10所示，从神经网络的训练结果可以看出，相较于采用随机选取bus节点集的方式，利用AI for AI模型的训练模式，不仅可以大幅减小计算量，而且Post-AI模型的性能依旧能够保持相对较高的准确率，测试集的准确率保持在98％以上，说明本发明提取的关键特征节点是有效的。

为进一步说明TSA-SPS的优势，根据实际交直流供电形式，结合相关运行数据，建立了交直流混联电网300节点。利用TSA-SPS的AI for AI模型对300节点标准算例进行分析，结果如图10所示。

利用式上式计算γ

此外，结合图8和图10所示，经过模型验证发现，当电网设置有39节点时，所提取出的关键节点数为5时，TSA-SPS的模型稳定性和准确率最优。当电网设置有300节点时，所提取出的关键节点数为50时，TSA-SPS的模型稳定性和准确率最优。由此可见，本发明仅利用较少节点上PMU采集的数据便可实现电力系统的暂态判稳。

从而，本发明探索了电力系统暂态判稳过程中多智能体的配合，以AI for AI模型的方式提出了一种少量PMU采样的电力系统多智能体暂态判稳方法(TSA-SPS)，该方法具有以下有益效果：

1)在TSA-SPS中，Pre-AI模型可根据PMU节点的位置提取电网中的关键节点集，仅利用较少节点上PMU的数据便可实现暂态判稳。

2)由于所需节点数量减少，可明显减少Post-AI模型训练所需的计算资源，提升神经网络的训练效率，且对越大型的网络提升效果明显。

3)Pre-AI模型提取的关键节点集可为电力系统PMU位置的选取提供指导意见，并且由于所需PMU数量的减少，降低了WAMS系统中通讯的压力，降低PMU安装和通讯系统的建设成本。

4)本发明建立的AI for AI模型不仅局限于电网中的暂态判稳，可扩展应用到其他电网应用中，可避免直接使用单个神经网络处理高维数据所产生的维数灾难的问题。同时，AI for AI模型的工作模式也为电力系统或其他工业系统中多智能体技术的配合与应用提供参考与借鉴。

从而，本发明以AI for AI多智能体串联配合模式，可以自动选取电网中关键的PMU节点，实现考虑电网物理结构的一体化判稳流程，通过Pre-AI模型可以有效提取关键特征节点并大幅缩减数据样本的特征维度，降低原始数据集的冗余性，提升Post-AI模型训练效率。并且，Post-AI模型训练完成后，应用时只需将实际电网中Pre-AI模型确定的关键节点集上的电气量采集，并输入到Post-AI模型进行精确的稳定/失稳分类，即可输出实际电网的暂态判稳结果。除此之外，Pre-AI模型提取的关键节点集与实际电网的空间结构相对应，可为将来以智能判稳为基础的系统提供PMU的安装建议，减少安装费用。这种AI for AI的模式，为多智能体在电力系统中处理复杂问题提供了借鉴意义。

图11是本发明一示例性实施例提供的少量PMU采样的电力系统多智能体暂态判稳系统的结构示意图。如图11所示，系统1100包括：样本数据集获取模块1101，用于获取样本数据集，其中样本数据集中的样本数据为仿真的电力系统中多个PMU节点采集的特征数据，且每个样本数据具有表征电力系统能否保持暂态稳定的标签；关键节点集确定模块1102，用于基于样本数据集训练前人工智能网络，并根据训练的结果从多个PMU节点中提取出关键节点集，其中关键节点集中的关键节点为从多个PMU节点中选取的预定数量的PMU节点；以及暂态稳定判别网络确定模块1103，用于基于关键节点集中各个关键节点对应的特征数据，训练后人工智能网络，得到暂态稳定判别网络；暂态判稳模块1104，用于获取实际的电力系统中与关键节点集中的各个关键节点的安装位置一致的PMU节点采集的电气量数据，并将采集到的电气量数据输入暂态稳定判别网络，输出实际的电力系统的暂态判稳结果。

在一个实施例中，样本数据集获取模块1101具体用于：采用仿真的方式获取电力系统中多个PMU节点采集的带有时域信息的初始样本数据；从初始样本数据中选取PMU节点的电压项作为特征数据；以及根据仿真过程中根据发电机的最大功角差Δδ

在一个实施例中，关键节点集确定模块1102具体用于：从多个PMU节点中选取任意一个PMU节点，并基于样本数据集中与所选取的PMU节点对应的特征数据训练前人工智能网络；根据前人工智能网络的训练结果判断前人工智能网络的准确率是否满足预设的准确率阈值；判断已选取的PMU节点的数量是否满足预设的最小节点数阈值；当判断前人工智能网络的准确率满足预设的准确率阈值且已选取的PMU节点的数量满足预设的最小节点数阈值时，从多个PMU节点中提取出已选取的PMU节点，得到关键节点集。

在一个实施例中，暂态稳定判别网络确定模块1103具体用于：将关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，并计算预训练的准确度；当后人工智能网络的准确度不大于精度阈值时，从多个PMU节点中选取一个PMU节点添加至关键节点集，得到一个新的关键节点集，其中所选取的PMU节点属于关键节点集之外的其他PMU节点；将新的关键节点集中各个关键节点对应的电气量输入后人工智能网络进行预训练，直至预训练的准确度大于精度阈值，停止训练，得到暂态稳定判别网络。

在一个实施例中，前人工智能网络为时延神经网络并省略输出的反馈，并且前人工智能网络的计算公式如下：

式中，

在一个实施例中，后人工智能网络为双向循环神经网络和BiLSTM层组成，并且得到的暂态稳定判别网络包括输入层、BiLSTM层、Dropout层、全连接层、Softmax层和Classification层。

在一个实施例中，系统1100还包括标签判定模块，具体用于：根据发电机的最大功角差Δδ

式中，TSI为用于判定仿真的电力系统的功角是否稳定的一个参量，y

本发明的实施例的少量PMU采样的电力系统多智能体暂态判稳系统1100与本发明的另一个实施例的少量PMU采样的电力系统多智能体暂态判稳方法200相对应，在此不再赘述。

图12是本发明一示例性实施例提供的电子设备的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图12图示了根据本发明实施例的电子设备的框图。如图12所示，电子设备120包括一个或多个处理器121和存储器122。

处理器121可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器122可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器121可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的对历史变更记录进行信息挖掘的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入系统123和输出系统124，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

此外，该输入系统123还可以包括例如键盘、鼠标等等。

该输出系统124可以向外部输出各种信息。该输出设备124可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图12中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的对历史变更记录进行信息挖掘的方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。