CN112686292A - 一种基于图注意力网络的电力网络拓扑辨识方法 - Google Patents

Abstract

本发明是一种基于图注意力网络的电力网络拓扑辨识方法，其特点是：基于图数据，整合图数据的内部关联关系，经过知识推理对网络拓扑进行辨识。首先根据电网信息数据梳理描述线路的特征量；其次基于图注意力网络方法，考虑节点、线路之间的相关关系，加权聚合特征量，进而对线路进行归类，判定线路的开断状态；最后结合邻接矩阵和线路归类判定生成电力网络拓扑，实现拓扑辨识。其方法科学合理，适用性强，拓扑辨识精度高，效果佳，具有很好的工程应用价值。

Description

一种基于图注意力网络的电力网络拓扑辨识方法

技术领域

本发明涉及电力领域，是一种基于图注意力网络的电力网络拓扑辨识方法。

背景技术

时刻把握电力网络拓扑变化是电网精细化管理和电网安全运行的前提。随着电网规模的不断扩大，网架新增线路或网络拓扑发生改变时，需要重新维护节点和支路拓扑参数信息，对于我国电网建设发展较快的情况，不仅维护工作量大，图形系统更新不及时，容易造成系统拓扑识别和后续分析的失误。如果能够基于量测数据直接生成拓扑，则可解决上述问题。

通过电力信息系统采集到的数据，可获取描述电力网络线路和节点状态的特征量，可根据特征量的分类情况来辨识拓扑变化。传统的分类算法忽略样本之间的相关性，影响辨识精度。

迄今未见有关图注意力网络的电力网络拓扑辨识方法的文献报道和实际应用。

发明内容

本发明所要解决的问题是：克服现有技术的不足，提出一种科学合理，适用性强，拓扑辨识精度高，效果佳的基于图注意力网络的电力网络拓扑辨识方法。

所解其技术问题采用的方案是：一种基于图注意力网络的电力网络拓扑辨识方法，其特征是，它包括以下内容：

1)电力网络拓扑相关特征量的生成：

电力信息系统中对每条线路的归属都有固定的字段描述，通常标记为“A站.L线”、“B站.L线”，由此，可知L线是连接节点A和节点B的线路，遍历所有线路的描述字段，可明确线路与节点的隶属关系，为构建节点关联矩阵提供必要信息，对于任意一条线路来说，都存在首末端，对应的遥测遥信数据加起来共有4个量，那么对于线路Lab来说，描述线路状态的特征量H就可表示为:H＝[K_a,K_b,P_a,P_b]，其中，K_a代表线路Lab首端遥信状态量，K_b代表线路Lab末端遥信状态量，P_a代表线路Lab首端遥测状态量，P_b代表线路Lab末端遥测状态量，用这些特征量反推节点关联矩阵从而实现拓扑辨识；

2)基于图注意力网络根据特征量对拓扑进行辨识：

扑由顶点和边构成，对于电力网络拓扑来说，只要完成对是否存在边的判定后，即可获取节点关联矩阵，完成对拓扑的辨识，将传统顶点-边-顶点的表达形式，更改为边-顶点-边的形式，以线路为“顶点”，节点为“边”，对线路连通性进行判定后直接生成拓扑。

本发明针对拓扑辨识问题，提出了基于图注意力网络的电力网络拓扑辨识方法，能够有效的满足大电网主动防御对算法速度与精度的要求，具体包括以下效果：

1)能准确识别线路的状态：本方法识别线路连通性的准确率高于传统分类方法；

2)基于图注意力网络的电力网络拓扑识别方法，不需要进行数据转换，能够正确判断输电线路连通性；

3)基于图注意力网络的电力网络拓扑识别方法可以识别网络拓扑结构中是否存在孤岛运行，并及时跟踪网络拓扑结构的变化。

4)其方法科学合理，适用性强，拓扑辨识精度高，效果佳，具有很好的工程应用价值。

附图说明

图1为图注意力网络模型结构；

图2为基于GAT网络拓扑辨识结果与原始摄动对比图；

图3为随机森林辨识结果与本发明方法对比图；

图4为应用本发明方法对实际电网线路开断状态判定结果时序图。

具体实施方式

本发明的一种基于图注意力网络的电力网络拓扑辨识方法，包括以下内容：

1)电力网络拓扑相关特征量的生成：

电力信息系统中对每条线路的归属都有固定的字段描述，通常标记为“A站.L线”、“B站.L线”，由此，可知L线是连接节点A和节点B的线路，遍历所有线路的描述字段，可明确线路与节点的隶属关系，为构建节点关联矩阵提供必要信息，对于任意一条线路来说，都存在首末端，对应的遥测遥信数据加起来共有4个量，那么对于线路Lab来说，描述线路状态的特征量H就可表示为:H＝[K_a,K_b,P_a,P_b]，其中，K_a代表线路Lab首端遥信状态量，K_b代表线路Lab末端遥信状态量，P_a代表线路Lab首端遥测状态量，P_b代表线路Lab末端遥测状态量，用这些特征量反推节点关联矩阵从而实现拓扑辨识。

2)基于图注意力网络根据特征量对拓扑进行辨识：

扑由顶点和边构成，对于电力网络拓扑来说，只要完成对是否存在边的判定后，即可获取节点关联矩阵，完成对拓扑的辨识，将传统顶点-边-顶点的表达形式，更改为边-顶点-边的形式，以线路为“顶点”，节点为“边”，对线路连通性进行判定后直接生成拓扑。

具体步骤如下：

①根据线路首末端功率P_ij P_ji、线路首末端开关量K_ij K_ji，形成描述线路的特征矩阵:x_ij＝[P_ij P_ji K_ij K_ji]，其中P_ij P_ji为量测功率数值，S_ij S_ji是描述线路双端刀闸开合状态的二进制数，开关闭合时为1，开关断开时为0。

②对h_ij中的P_ij P_ji做归一化处理形成

保证

中的特征量在[-1，1]之间，令所有

聚合成为H，

N为线路总数。

③将线路按照特征量进行归类标签，用于图注意力网络的训练对照。

④以线路为顶点、节点为边，寻找线路直接连接关系，对每条线路计算注意力系数。

⑤设IT_max为最大迭代计算次数，特征矩阵H、初代权重矩阵W0、注意力系数a_ij代入到特征传递公式中，计算得到H'，以||H'-H||作为损失函数，不断修改权重矩阵，经迭代计算后，得到各个隐藏层内的权重矩阵W，代表经过自我训练后所得的判定规则，可直接用于线路连通性的判定。

⑥经过连通性判定后，更新节点关联矩阵，进行推演生成拓扑，另外，根据深度搜索等方法，对生成拓扑进行分析，判断是否存在孤立节点，是否存在孤岛运行等情况。

为了更明确地说明本发明的实施方案，结合图1-图4做进一步详细描述：

1)图注意力网络架构与神经网络类似，都是由输入层、隐藏层、输出层构成。见图1所示，其中图注意力网络的输入层是一个特征向量集，在电力网络拓扑中，每条线路都有四个特征量，将其作为输入：

其中，H代表特征向量集，h_i代表第i个特征向量，n代表节点的个数，r代表特征向量的维度。

为了得到输出的特征，首先对输入的特征量进行一次变换，对所有的节点训练一个权重矩阵：

这个权重矩阵表示了输入的r个特征与输r’个特征之间的关系，W将随着训练的不断新型从而取得最优解。

对每个节点施行自注意力机制，注意力系数的计算公式为：

u_ij＝a(Wh_i,Wh_j) (2)

其中，a(·)代表一个函数，该公式表示了节点j对节点i的重要性。

根据GAT的内涵，引入marked attention，将注意力机制应用到图结构中，其含义是：将注意力分配到节点i直接相关的节点上。为了使得注意力系数便于计算和比较，本文应用softmax函数对注意力权重正则化：

[Wh_i||Wh_j]代表将两个向量连接操作。

得到归一化注意力系数后，接下来计算其对应特征的线性组合，作为每个节点的最终出处特征量：

2)以IEEE57节点系统为算例，该系统共有57个节点、80条支路。通过潮流计算生成500个潮流分布相同的训练样本，对每个样本随机摄动5条线路断开，15条线路缺失部分属性值。将400个训练样本的特征矩阵贴上标签，标签1类线路为连接线路、标签2类线路为虽为连接线路但特征矩阵存在信息冲突、标签3类线路为断开连接，100个样本为未标签样本。

将400个有标签样本作为输入代入图注意力网路中进行训练，另外100个有标签样本作为检验，通过图注意力网络所学规则进行直接判定，对比摄动拓扑与生成拓扑，检验效果。

如图2所示；基于GAT网络进行电力网络拓扑表示结果可见，对于原始摄动的开断线路(类型3)来说，经本文方法校验出的数量与摄动数量一致。说明本文方法可以准确检识出断开的线路。对于类型2来说，原始设定100个样本下，总体数量为1500条，基于GAT网络辨识出1616条，与原始摄动相差116条。而对于类型1来说，原定总量为6000条，识别出5884条。100个样本共计8000条线路，本文方法未能准确辨的线路总量为236条，占总体2.95％，辨识精度为97.05％。虽然辨识精度未能达到100％，但本文方法依然能准确判定出开断线路，由此生成的拓扑可信。

3)将上述测试样本数据反映的特征量转化为网格数据，随机森林算法对数据进行直接为三类判定结果如图3所示：从分类精度上来看，随机森林精度仅为92.48％，低于本方法，并且未能对开断线路进行准确判定。

4)将本发明的方法应用于某省网，对网络拓扑进行辨识，该网络由132个节点、181条等价连线组成，遥信遥测数据记录时间间隔为1min。对实际电网1个月数据进行拓扑辨识，每个断面的判定结果都可以表示为一个由0、1构成的181×1列向量，线路断开对应位置标记为0、线路投入运行对应位置标记为1，那么时序上的线路连通性辨识结果如图4。

统计可知，共有24条线路在该月内一直处于开断状态，有13条线路的状态存在间歇性改变。由图4构成节点关联矩阵进而生成拓扑，经统计可知，全时段下，拓扑由两个孤岛网络和13个孤立节点构成，其中孤网1包含75个节点、95条线路投运，孤网2包含44个节点、62条线路投运。可见，基于图注意力网络的方法可辨识线路连通性，生成拓扑，还能在时序上跟踪拓扑变化。

Claims (1)

1.一种基于图注意力网络的电力网络拓扑辨识方法，其特征是，它包括以下内容：

1)电力网络拓扑相关特征量的生成：

电力信息系统中对每条线路的归属都有固定的字段描述，通常标记为“A站.L线”、“B站.L线”，由此，可知L线是连接节点A和节点B的线路，遍历所有线路的描述字段，可明确线路与节点的隶属关系，为构建节点关联矩阵提供必要信息，对于任意一条线路来说，都存在首末端，对应的遥测遥信数据加起来共有4个量，那么对于线路Lab来说，描述线路状态的特征量H就可表示为:H＝[K_a,K_b,P_a,P_b]，其中，K_a代表线路Lab首端遥信状态量，K_b代表线路Lab末端遥信状态量，P_a代表线路Lab首端遥测状态量，P_b代表线路Lab末端遥测状态量，用这些特征量反推节点关联矩阵从而实现拓扑辨识；

2)基于图注意力网络根据特征量对拓扑进行辨识：

扑由顶点和边构成，对于电力网络拓扑来说，只要完成对是否存在边的判定后，即可获取节点关联矩阵，完成对拓扑的辨识，将传统顶点-边-顶点的表达形式，更改为边-顶点-边的形式，以线路为“顶点”，节点为“边”，对线路连通性进行判定后直接生成拓扑。

Images