决策机理透视的可解释暂态稳定评估方法OA

针对基于深度学习的电力系统暂态稳定评估方法依赖大规模高质量样本以及可解释性不足的问题,提出一种基于科尔莫戈罗夫-阿诺德定理的可解释暂态稳定评估方法。首先,构建由卷积神经网络(convolutional neural network,CNN)、卷积注意力模块(convolutional block attention module,CBAM)和科尔莫戈罗夫-阿诺德网络(Kolmogorov-Arnold network,KAN)组成的复合模型。该模型中CNN模块提取故障切除后电压、频率、功角、有功功率及无功功率等多维时序特征;CBAM模块聚焦与暂态稳定状态密切相关的特征;KAN网络作为分类器,使KAN层可学习的光滑函数替代全连接层分段线性近似,提升小规模样本情景下的泛化能力。其次,利用SHAP特征贡献度分析框架寻找关键特征,建立反事实样本集以确认与关键特征高度相关的深层KAN激活函数,再结合激活函数图像与暂态稳定原理,透视评估模型决策机理以提升可解释性。最后,在IEEE-39节点系统上的仿真结果表明,所提方法具有较高的评估准确率,并能有效解释关键特征对系统暂态稳定的影响。