基于电气距离的故障位置表征及其在暂态稳定评估中的应用

李常刚，齐 航，刘玉田，叶 华

（电网智能化调度与控制教育部重点实验室（山东大学），山东省济南市 250061）

0 引言

电力系统是现代社会的基础设施，维持电力系统的安全稳定运行是电力系统调度控制的基本任务［1］。电力系统的大量设备处于复杂的外部自然环境中，存在各种故障风险从而影响系统的安全稳定运行［2］。为保证电力系统的安全稳定运行，需要快速、准确地评估电力系统在未来场景下的暂态稳定性，及时发现系统安全薄弱环节，并针对性地制定预防控制措施和优化安全稳定控制策略。

现有的暂态稳定分析方法主要有时域仿真法［3］和人工智能方法［4］。时域仿真法应用广泛、结果可靠，但计算量大。随着新能源发电的大规模接入，未来电力系统运行方式的不确定性增加，可能的场景数量剧增，基于时域仿真的暂态稳定评估难以满足对未来场景快速态势感知的要求。基于人工智能的暂态稳定评估方法通过学习输入与输出间的映射关系实现系统暂态稳定的快速评估，能够显著提高面向未来时间尺度下的暂态稳定在线评估效率［5-6］，深度学习的快速发展则进一步提高了暂态稳定评估精度［7］。

电力系统暂态稳定性不但受发电机出力和负荷水平影响，还与故障位置密切相关。现有计及故障位置的暂态稳定智能评估方法可分为以下3类。

第1类方法利用故障后的动态响应特征隐式反映故障位置。由于动态特征能够反映故障后系统状态的变化趋势，此类方法精度高且应用广泛。文献［8-9］使用故障发生前至故障切除后一段时间内的电压、线路功率等全阶段时序特征作为输入，构建统一的暂态稳定评估模型。为减少时域仿真耗时，文献［10］选择故障发生前、故障起始时刻和故障清除时刻的特征作为输入，时域仿真过程在故障切除时刻终止。虽然获取动态特征耗时减少，但在处理未来不确定性场景和预想事故的海量组合时，此类方法仍难以保证暂态稳定在线评估的时效性。

第2类方法基于稳态潮流特征，针对特定故障位置构建专用暂态稳定评估模型［11-12］，具有较高的评估精度且不存在时域仿真耗时问题。然而，当考虑的预想事故位置较多时会导致模型集规模庞大，出现“模型数量灾”问题。第3类方法基于稳态潮流特征和故障编码构建通用评估模型［13-14］，此类方法能够根据故障编码区分不同的故障位置，但故障编码无电气意义且离散，导致模型可解释性差。由于编码数值与系统响应无明确数学关系，此类方法对未知故障位置的泛化能力也较弱。

本文针对电力系统故障位置特征表达问题，基于电气距离提出了一种新的故障位置表征方法，实现了具备电气意义且连续的故障位置特征表达。将所提故障位置表征方法应用在暂态稳定评估中，验证了故障位置表征方法的有效性，并有望进一步应用于电压、频率等其他安全风险属性的动态评估。

本文主要工作如下：首先，将定位思想应用到故障位置表征上，基于电气距离提出电气坐标系（electrical coordinate system，ECS）概念和构建方法。然后，分析不同参考节点方案下的电气坐标系结构特点，定义能够反映电气坐标系表征能力的评价指标，并基于贪心算法提出电气坐标系快速优化方法。继而，将电气坐标系应用于暂态稳定性的在线校核，实现了暂态稳定评估对故障位置的统一考虑。最后，以中国某省级电网为例，验证了电气坐标系对故障位置表征的有效性。

1 基于电气距离的故障位置表征

在电力系统中，确定故障位置本质上是“定位”问题，即如何确定故障节点在电网中的相对位置。

1.1 定位原理与故障位置表征

定位的一般原理是通过测量目标至各个参考点间的距离来确定目标位置。参考点的数量会直接影响定位精度，以二维平面上目标点P的定位为例，详细分析参考点数目对定位精度的影响。

如图1（a）所示，当只选定参考点A时，目标点P的位置可用一维坐标（rA）表示。然而，具有位置坐标（rA）的点可能是以A为圆心、以rA为半径的圆周上任意一点，目标位置无法唯一确定。增加参考点B，具有二维坐标（rA，rB）的点仅剩P1和P2这2种可能，实际位置与其坐标的唯一性显著提高，如图1（b）所示。进一步增加参考点C，则可根据坐标（rA，rB，rC）唯一确定点P位置，如图1（c）所示。因此，增加参考点数目可以提高定位精度，保证实际位置与坐标间的映射唯一性。

图1 定位原理图Fig.1 Diagram of positioning principle

在上述定位原理的基础上，本文提出基于电气距离的故障位置表征思路，即选择合适的母线节点作为参考节点，由故障位置距离各参考节点的电气距离构成高维向量，从而实现故障位置表征，并将以此高维向量为坐标构建的坐标系称为电气坐标系。

1.2 电气坐标系的构建

本文使用电气距离衡量节点间的远近，常用的电气距离定义是阻抗电气距离［15］，计算如式（1）所示。

式中：dij为节点i和节点j之间的电气距离；zii和zjj分别为节点i和节点j的自阻抗；zij和zji为节点i和节点j之间的互阻抗。

电气距离可以衡量节点间的电气连接紧密程度。节点间电气距离越小，表明系统电气连接越紧密，系统中投运的支路数量越多；反之，网络越稀疏，表明系统中停运支路数量越多。

电力系统参考节点直观上可以选择系统中的关键节点，例如超高压变电站母线节点、发电机母线节点等，也可以选择处于拓扑结构末端的母线节点。理论上，只要选取的参考节点足够多，就能够通过计算与有限个参考节点间的电气距离实现对故障位置的准确描述。电气坐标系构建过程可分为以下3步。

1）由节点导纳矩阵Y求取节点阻抗矩阵Z。

2）选择合适的母线节点作为参考节点。

3）根据式（1），以节点至各个参考节点的电气距离为坐标，构建电气坐标系。

1.3 线路任意点位置坐标计算

连接母线节点的传输线长期暴露在外界环境中，发生短路故障的概率大于母线节点。故障可能位于线路上任意一点，因此，需要获取线路上任意一点处的电气坐标。

节点阻抗矩阵Z描述的是母线节点间的阻抗关系，无法根据式（1）直接计算线路上任意一点的电气坐标。计算线路上任意一点电气坐标的一般方法是将该点看成新的节点，改变初始导纳矩阵，然后求逆得到新的阻抗矩阵，从而得到该点至参考节点的电气距离。该方法计算量大，在处理大规模电网时耗时较长。因此，本文提出一种快速计算线路上任意一点电气坐标的方法。

节点阻抗矩阵元素分为自阻抗和互阻抗，自阻抗元素zii在数值上等于节点i注入单位电流且其他节点都开路时节点i的电压。互阻抗元素zij在数值上等于节点i注入单位电流且其他节点都开路时节点j的电压。基于上述原理，推导线路上任意一点电气坐标的快速计算方法，等效电路见图2。

图2 等效电路Fig.2 Equivalent circuit

图2中，点p为线路i-j上一点，点q为参考节点。将点p视为新的节点，根据式（1），点p至参考节点q的电气距离如式（2）所示。

其中，自阻抗zqq是已知的，由于阻抗矩阵的对称性，节点q和节点p之间的互阻抗zqp＝zpq。互阻抗zqp和自阻抗zpp的计算如式（3）和式（4）所示。

式中：vp为点p的电压标幺值；iq为点q的电流标幺值；l为点p与点i的距离占线路i-j总长的百分比。

式（4）中zip和zjp可表示为式（3）的形式，则自阻抗zpp可进一步表示为：

将式（3）和式（5）代入式（2），即可得到点p至参考节点q的电气距离计算公式为：

根据式（6），可快速计算得到点p至参考节点q的电气距离。该方法不需要进行矩阵求逆运算，仅需7次加法和10次乘法运算，具有计算量小、计算速度快的优点。

2 电气坐标系特性分析与优化

2.1 电气坐标系特性分析

电气坐标系对节点位置的表征特性与参考节点选择密切相关。以WSCC 3机9节点系统为例，分析电气坐标系的特性。

在电气坐标系中，节点坐标表示节点位置。为比较不同参考节点选择对电气坐标系的影响，选择节点3，节点2、3以及节点1、2、3作为参考节点，分别构建电气坐标系，各个坐标系结构如图3（a）至（c）所示。图中，di表示节点到参考节点i的电气距离，节点间的连线表示节点间的交流线路或变压器等直接拓扑连接关系。由图可知，不同的参考节点选择会直接影响坐标系结构和系统节点在坐标系内的空间相对位置。

任意2个节点在实际物理电网中存在电气距离d，并在电气坐标系下存在坐标欧氏距离D。为准确表征节点位置，节点间坐标欧氏距离D应能反映实际节点间电气距离d的大小。不同参考节点方案下节点间坐标欧氏距离D和节点间真实电气距离d间的关系见图3（d）至（f）。由图可知，不同参考节点方案下，节点间坐标欧氏距离D对节点间真实电气距离d的映射能力具有显著差异。因此，可依据D对d的映射能力进行参考节点优化。

图3 不同参考节点组合下的电气坐标系Fig.3 Electrical coordinate systems with different reference bus combinations

2.2 评价指标定义

如果D与d完全线性相关，可认为所构建的电气坐标系能够完全反映节点间真实的电气联系。为定量衡量D对d的映射能力，本文采用皮尔逊相关性系数ρ描述电气坐标系表征性能，即

式中：cov(·)表示d与D之间的协方差；σd和σD分别为d与D的标准差。

当相关性系数ρ为1或－1时，表示节点间坐标欧氏距离与真实电气距离完全线性相关，电气坐标系是理想的。当ρ＝0时，表示节点间坐标欧氏距离与实际电气距离完全线性无关，电气坐标系对节点间电气联系无映射作用。因此，可以以最大化ρ为目标优化电气坐标系。

2.3 电气坐标系快速优化

电气坐标系优化的过程实质上是参考节点选择的过程。通过比较不同参考节点组合下坐标欧氏距离D和实际电气距离d的相关性，搜索能够最大程度保持各节点间实际电气联系的坐标系方案。由于参考节点变量是离散的，电气坐标系优化属于组合优化问题。组合优化问题的求解方法可分为精确算法和近似算法2类。常用的精确算法包括枚举、分支定界等，当系统节点规模较大时，此类算法存在维数灾问题，难以实际应用。近似算法是指在可接受的时间内找到一个近似的最优解，作为一种常用的近似算法，贪心算法由于具备求解快速、便于实现的优点而被广泛应用。

贪心算法做每一步优化时是以当前情况为基础做最优选择，而不考虑各种可能的整体情况，无法保证搜索结果一定是全局最优解。提高贪心算法全局寻优能力的关键是设计合理的贪心策略。

为设计适应本文参考节点组合优化问题的最佳贪心策略，本文首先针对IEEE标准5、9、10、13和39节点等小规模系统进行最优节点组合的枚举优化。分析各系统在各维度下的最优参考节点组合之间的关系后，发现绝大多数维度下的最优参考节点组合存在继承性规律，即如果k维最佳参考节点组合为（b1，b2，…，bk），那么k＋1维的最佳参考节点组合中也会包含k维下的最佳参考节点。基于该继承性规则设计贪心策略，使用贪心算法对本文参考节点组合优化问题进行快速求解，求解算法流程见附录A图A1，图中n为系统节点个数，m为所要建立的最优坐标系维数。该算法每次迭代时以上一维度下的最优参考节点组合为基础，仅在剩余节点范围内进行搜索，优化逻辑简洁高效，具备工程实用性。

为进一步验证贪心算法的有效性，本文在IEEE标准5、9、10、13和39节点算例系统下，分别对各维度下枚举法与贪心算法的优化结果一致性进行统计，统计结果见附录A表A1，其中，“√”表示2种方法所得优化节点组合一致，“○”表示不一致。由表A1可知，2种方法所得的参考节点组合在绝大部分维数下均能够保持一致。特别地，在全局最优维数下，2种方法的最优参考节点组合均一致。非最优维数下存在差异的参考节点组合及其相关性比较如表A2所示。由表A2可知，2种方法所得参考节点组合存在差异时，其差异也仅存在于单个参考节点，且相关性偏差小于0.002。上述结果表明，贪心算法能够在短时间内搜索到接近全局最优的近似解。

系统暂态稳定裕度是随故障位置变化而连续变化的［16］。因此，以故障位置电气坐标作为暂态稳定评估的输入特征，除需满足相关性最大的要求外，还需满足连续性和唯一性要求，即故障位置与其电气坐标应满足连续且一一对应，才可以通过机器学习方法挖掘故障位置的电气坐标与系统暂态稳定间的数学联系。由附录B引理1可知，由电气距离组成的电气坐标满足连续性要求。因此，经过优化得到的电气坐标系仅需进一步保证其电气坐标唯一性即可，即不同故障位置的电气坐标均不重合。

2.4 电气坐标唯一性校验

由1.1节可知，随着参考节点数量的增加，不同故障位置电气坐标的唯一性会显著提升，而当参考节点数量较少时，则可能会出现坐标重合现象。特别是在电力网络末端的辐射状区域中。如图4所示，末端节点2、3同时汇于母线节点1，则此末端部分可看作是一个小的辐射状区域，红色圆点代表参考节点，假定故障点A和点B距离母线节点1的电气距离相等。如果参考节点全部位于电网“其他部分”，那么故障点A和点B就具备相同的电气坐标特征，无法满足坐标唯一性要求。

图4 电网末端辐射状网络示意图Fig.4 Schematic diagram of radial network at the end of power network

由于点A和点B至末端母线节点2的电气距离是不同的，只需增加参考节点2，即可使点A和点B的位置坐标不同。同理，增加参考节点3亦能使点A和点B位置坐标不同。若末端部分中有N个末端节点汇于同一母线节点，则需要选择其中的N－1个末端节点作为参考节点。

因此，考虑到末端辐射状区域可能不满足坐标唯一性，可优先选择末端辐射状区域中的部分末端节点作为参考节点，在此参考节点基础上，按照2.3节中的贪心算法进一步优化参考节点组合，并对优化后的参考节点组合进行坐标唯一性校验。若参考节点方案不满足唯一性要求，则需进一步增加坐标维数并选择相关性次优的参考节点方案重新构建电气坐标系。用电气坐标系中节点间的线段表示母线节点间的线路，具体校验方法如下。

1）由线段两端的母线节点坐标求得线段所在的直线方程。

2）由直线距离公式求得任意2条不直接相连线路间的直线距离。

3）若距离为0且交点位于2条线段上，则判定这2条线段所代表的线路存在坐标重合现象，该参考节点组合方案不满足坐标唯一性要求，更换组合方案并重新校验，否则，该方案满足唯一性要求。

综上，故障位置电气坐标的连续性和唯一性保证了利用机器学习方法挖掘电气坐标与系统暂态稳定性间数学联系的可行性，而电气坐标空间距离与真实电气距离间的强相关性则进一步提高了机器学习方法对该数学联系的挖掘能力。因此，本文所提故障位置表征方法能够为暂态稳定智能评估提供有效描述故障位置的电气坐标特征。

3 基于电气坐标系的暂态稳定评估

基于电气距离的故障位置表征方法可应用于暂态稳定、电压安全、频率安全等不同安全风险属性的动态评估。本文以暂态稳定评估为例，验证所提故障位置表征方法的有效性。

3.1 特征选择

本文选择的输入特征可分为以下两大类。

1）事前潮流特征。本文选择故障前的稳态潮流特征表征系统运行方式，具体包括各发电机节点的有功功率和无功功率，负荷节点的有功负荷和无功负荷，各母线节点的电压幅值和相角［17］。

2）故障特征。本文主要考虑三相金属性短路故障，其故障特征应包含故障位置和故障持续时间。但是在安全稳定评估技术规范中，故障持续时间一般是固定的，因此，本文主要考虑故障位置特征，即故障位置在电气坐标系中的坐标。

电力系统事前潮流和故障位置是影响电力系统暂态稳定性的重要因素。本文基于电气距离提取了能够显式表征故障位置的电气坐标特征，通过机器学习方法同时学习事前潮流、故障位置与系统暂态稳定性间的映射关系，从而解决了事前潮流及故障位置双重不确定场景下的暂态稳定评估问题，并实现了统一计及故障位置的暂态稳定评估。

本文选择z-score方法对输入特征进行归一化，其中，对于故障位置坐标特征，其归一化方法为：

3.2 暂态稳定评估模型的构建

本文采用的稳态潮流特征与系统节点规模成正比，应用于大规模系统时可能出现特征冗余现象，从而导致暂态稳定评估模型训练困难、泛化能力下降。因此，本文选择具备特征提取功能的卷积神经网络（CNN）模型进行暂态稳定评估［18-19］。由于一维CNN（1D-CNN）能够处理一维序列特征，无须对特征进行排列格式重构［8］，因此，本文选择1D-CNN作为CNN的具体结构。典型的1D-CNN包括卷积层、池化层和全连接层，各层网络功能和实现二分类的详细计算过程参见文献［8］。卷积层中的卷积运算需要在整段输入特征序列上进行，本文选择的输入特征包含高维的稳态潮流特征，会导致模型训练时间过长。为减少模型训练时间，提高本文所提故障位置表征方法在暂态稳定评估中的验证效率，基于特征分段训练思想，构建训练效率高的CNN混合模型，结构如图5所示。

图5 CNN混合模型结构Fig.5 Structure of CNN mixed model

结合本文所选输入特征类别，可将维数为s的总输入特征序列划分为4个部分，分别为发电机功率特征、负荷功率特征、母线电压特征和故障位置特征，其中前3个部分属于高维原始特征，需要分别经过单独的1D-CNN进行特征提取，抽象出的高级特征统一作为最后全连接层的输入。故障位置特征属于从节点阻抗矩阵中人工提取的低维高级特征，可直接作为最后全连接层的输入。在整个混合模型中，各个1D-CNN内不再包含全连接层，主要作特征提取使用，并由最后的全连接层输出最终预测结果。由于功率特征包括有功和无功功率，电压特征包括幅值和相角，因此1D-CNN子模型的输入特征张量深度均为2，长度与相应类别的母线节点数一致。经过特征划分后，每个1D-CNN处理的特征维数降低，单个模型的卷积运算量减少。由于各个1D-CNN的训练过程可同步进行且互不影响，因此，整个CNN模型的训练效率会显著下降。

3.3 参数设置和模型训练

暂态稳定评估属于二分类问题，因此，图5中最后的全连接层2的激活函数为Sigmoid函数，其他层使用深度学习主流的激活函数Relu。每个1D-CNN包括2个卷积层和2个池化层，每个卷积层都包含10个尺寸为3的卷积核。

模型训练使用小批量优化策略，优化算法为Adam算法，使用默认的学习率0.001。数据集分为训练集、验证集和测试集。在训练过程中，每次迭代训练都会产生新的训练模型，使用回调函数技术自动保存在验证集上精度最高的训练模型。训练次数设置为300次，CNN经过最小化损失函数和Adam优化算法逐次更新各层神经元权值。为减小样本不均衡所造成的影响，本文采用准确率、误警率和漏警率作为模型评价指标［20］。

4 算例分析

以中国某省级电网为例验证所提故障位置表征方法在暂态稳定评估中的适用性。该省级电网包含132个节点，其中有39个发电机节点和65个负荷节点，包含10个特高压交流变电站、22条特高压线路以及178条500 kV线路。共有3条直流馈入线路，总计直流馈入容量为20 GW。

4.1 样本生成

预想事故位置是除发电机节点外的各条母线节点和线路4%，8%，…，96%处的点，故障类型为单点三相短路故障。各负荷节点的负荷水平在80%～130%间随机波动，发电机出力根据负荷水平和发电机出力上下限做出相应改变。按照上述方案，针对每种故障位置分别随机生成30种运行方式并进行时域仿真，共生成97 020个样本，每个样本均对应不同的运行方式。故障统一设置为持续0.2 s后清除，故障发生前和故障清除后网络拓扑结构保持不变，仿真步长为0.002 s，仿真总时长为3 s，以仿真时长内同步网内任意2台发电机的功角差大于180°作为失稳判据［21］。总体97 020个样本中包含稳定样本65 565个，失稳样本31 455个。考虑样本平衡，随机选择35 565个稳定样本和全部失稳样本作为数据集。随机选择数据集中60%样本作为训练集，20%样本作为验证集，20%样本作为测试集。

4.2 仿真结果分析

该省级电网拓扑结构不包含典型的末端辐射状网络，因此，可直接按照附录A图A1中的快速优化方法优化参考节点组合。2至30维下所得参考节点优化组合相关性如图6所示，11维下的参考节点组合相关性为最高的0.865，因此，基于此参考节点组合建立电气坐标系。11维参考节点分布如图A2所示，图中红色圆点表示参考节点，所有参考节点均为处于电网末端的发电机节点，这与1.2节中参考节点直观选择方案相符。

图6 不同维度下最优电气坐标系相关性Fig.6 Correlation of optimal electrical coordinate system in different dimensions

对于该省级电网，构建的输入特征总维数为465维，其中包括稳态潮流特征454维，故障位置坐标特征11维。基于故障位置电气坐标和稳态潮流特征，比较常规CNN模型和CNN混合模型的预测准确率和训练时间，其中，训练次数均设为300次。由表1可知，CNN混合模型在保持与常规CNN模型预测准确率、误警率、漏警率和训练损失函数值相近的基础上，能够显著减少训练过程耗时，训练效率约为常规CNN模型的2倍。

表1 CNN混合模型与常规CNN模型的比较Table 1 Comparison of CNN mixed model and conventional CNN model

为验证电气坐标特征在暂态稳定评估中的有效性，在CNN混合模型下，对比了故障整数编号、二进制编码和本文所提电气坐标特征的暂态稳定评估精度，比较结果如表2所示。从表中可以看出，电气坐标系方法的准确率、误警率和漏警率均明显优于二进制编码和整数编号方案，基于电气距离的电气坐标能够准确表征故障位置。

表2 省级电网不同故障特征表达方法的精度比较Table 2 Accuracy comparison of different fault characteristic expression methods in provincial power grids

由于时域仿真得到的训练集中仅能包含有限个故障位置，因此，需要对电气坐标故障位置的泛化能力进行测试。前文中生成的97 020个样本涵盖3 234个不同的故障位置。如表3所示，将初始样本集中的故障位置随机划分成训练位置和测试位置且互不重合，用u表示训练集包含的故障位置数，v表示测试集包含的故障位置数，v/u表示电气坐标对故障位置的泛化效率，共做3组测试，分别测试不同泛化效率下暂态稳定评估模型的评估精度。测试结果表明，在泛化效率达到50%时，基于电气坐标特征的暂态稳定评估模型仍能保持高于97%的预测准确率。因此，基于电气距离的电气坐标具备较强的故障位置泛化能力。

表3 电气坐标的泛化能力测试Table 3 Generalization ability test of electrical coordinates

4.3 线路跳闸类故障的讨论

在电网实际运行过程中，短路故障发生后，故障所在线路通常会跳闸断开以清除故障。为测试本文故障位置表征方法对故障后线路跳闸的适应性，在保持原有输入特征不变的基础上，进一步测试线路故障后跳闸场景下的预测精度。在各条线路总长的4%，8%，…，96%处分别设置三相短路故障，故障持续0.2 s后切除故障线路，其余仿真条件均与未考虑故障后线路跳闸时相同，共生成94 320个样本，其中包含稳定样本64 526个，失稳样本29 794个。随机选择34 526个稳定样本和全部失稳样本组成样本集。随机选择样本集中60%样本作为训练集，20%样本作为验证集，20%样本作为测试集，基于CNN混合模型进行暂态稳定评估，共做3组测试，测试结果如表4所示。

表4 考虑故障后线路跳闸的预测精度测试Table 4 Prediction accuracy test with consideration of tripped line after fault

由表4可知，在不增加新输入特征的情况下重新训练模型，平均预测准确率为97.69%，表明机器学习模型仍可以学习到故障后线路跳闸对系统暂态稳定的影响，这是因为电气坐标特征的唯一性保证了任意故障位置坐标的输入都隐含地对应了具体的跳闸线路。但与未考虑故障后线路跳闸时的测试结果（98.35%）相比，预测精度仍有所下降，表明故障位置的电气坐标特征对于故障后线路跳闸引起电网拓扑结构改变的表达能力有限。要提高考虑故障后线路跳闸场景下的预测精度，需进一步研究拓扑结构特征的表达方法。

5 结语

针对数据驱动的暂态稳定评估中故障位置难以准确表征的问题，本文将定位思想应用于电力系统节点位置描述，基于阻抗电气距离提出了电气坐标系概念以定量表征故障位置，实现了具备电气意义且连续的故障位置表征。结合最优参考节点继承性规律设计的参考节点贪心优化算法具有快速搜索最佳参考节点的能力。将所提故障位置表征方法应用到暂态稳定评估中，实现了暂态稳定评估对故障位置的统一考虑。算例结果表明，所提方法具备对故障位置的泛化能力，能够快速实现对大量不确定性场景和预想事故集的暂态稳定评估，并可进一步应用于电压、频率等不同安全风险属性的动态评估，从而实现统一计及故障位置的电力系统动态安全评估。

除故障位置外，电网拓扑结构同样是影响系统暂态稳定性的重要因素。对于故障后线路跳闸等操作引起的网络拓扑结构改变，需要进一步研究网络拓扑结构的特征表达方法，提高暂态稳定智能评估的适用性。