摘要： 目前，基于机器学习的电力系统小干扰稳定评估方法往往只利用稳态潮流数据来构建机器学习模型，未充 分考虑同步电机饱和特性这一影响小干扰稳定分析结果的重要因素。 一旦同步电机由于改造、更换等因素导致其 饱和特性发生变化，反映小干扰稳定性的物理量（如特征值、最小阻尼比等）可能也会发生变化，但基于潮流数据得到的小干扰稳定结果却不会改变，无法准确反映小干扰稳定性。为此，提出一种计及同步电机饱和影响的小干扰稳定评估方法。将卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＣＮＮ）和图卷积神经网络（ｇｒａｐｈｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ，ＧＣＮ）融合，构建 ＣＮＮＧＣＮ模型来提升机器学习模型的特征提取能力。该模型同时考虑同步电机饱和系数和 稳态潮流数据，实现对最小阻尼比的预测。针对 ＩＥＥＥ１４节点系统的算例结果验证了所提方法的有效性和优越性。

关键词: 同步电机饱和；小干扰稳定；机器学习；融合模型

中图分类号: 

• TM743