CN113240105A - 一种基于图神经网络池化的电网稳态判别方法 - Google Patents
一种基于图神经网络池化的电网稳态判别方法 Download PDFInfo
- Publication number
- CN113240105A CN113240105A CN202110375699.XA CN202110375699A CN113240105A CN 113240105 A CN113240105 A CN 113240105A CN 202110375699 A CN202110375699 A CN 202110375699A CN 113240105 A CN113240105 A CN 113240105A
- Authority
- CN
- China
- Prior art keywords
- power grid
- graph
- matrix
- pooling
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011176 pooling Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000012850 discrimination method Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 36
- 230000004927 fusion Effects 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 239000013604 expression vector Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims 1
- 238000004220 aggregation Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 4
- 238000000547 structure data Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统潮流计算和图表示学习领域，综合考虑电网拓扑结构和图网络结构的特性，提出了一种基于图神经网络池化的电网稳态判别方法。首先，将电网数据处理为图网络结构数据并通过引入图同构网络(GraphIsomorphismNetwork)来实现电网图中各个节点信息的预处理。然后，使用最大似然估计方法将得到的特征矩阵建模为高斯模型，并分别对高斯模型中的均值和协方差两部分分量进行池化操作。最后，将池化后的两部分分量进行融合得到最终的表示形式，应用于电网运行状态判别。本发明结合人工智能领域的研究热点和电网领域的经典问题，在电网的潮流计算领域做出了新的尝试并取得了较好的效果，具有较高的应用价值和发展前景。
Description
技术领域
本发明属于潮流计算和图表示学习领域，根据电网各个节点之间的拓扑关系、以及相应的伴随属性等信息来学习当前状态电网的表示向量，应用于电力系统稳态运行情况的判别。本发明把电网数据处理图网络结构数据，在现有图神经网络方法的基础上，从均值和协方差两类统计形式考虑图神经网络学习到的特征并进行融合得到最终的向量表示形式，提出了一种用于电网稳态判别的图神经网络池化方法。
背景技术
潮流计算是研究电力系统稳态运行情况的一种基本电气计算，根据给定的运行条件和网路结构确定整个系统的运行状态。其基本数学模型是一组高阶非线性方程组，通过不断的迭代来寻求可靠的收敛，并给出最终正确答案。随着电力系统的规模不断扩大，潮流计算方程的复杂度也随着增高，收敛也越发的困难且不能保证给出正确答案。这种情况促使了电力系统的研究人员不断的寻找更加快速且可靠的计算方法。近20多年来，潮流计算的研究仍然非常活跃，但大多是围绕P-Q分解和改进牛顿法进行改进。此外，随着人工智能理论等相关研究的快速发展，一些新的研究方法也开始逐渐被引入潮流计算。
近期，图神经网络受到越来越多的关注，相应的应用也变得越来越广泛。其中，图表示学习根据当前图的拓扑结构等信息学习图的向量表示，然后将学习到的表示向量用于图级别的分类任务。图级别的分类任务最初考虑图的拓扑结构以及节点的类别等信息，使用哈希函数实现节点信息的单射，经过数次迭代最终得到图的表示。随着图卷积神经网络的发展，一些研究人员为了解决图级别的问题，引入了池化算子以刻画网络的网络结构等信息，以某种机制进行图中节点信息的舍弃和融合。目前，基于图神经网络方法的图表示学习已经在很多应用取得了较好的表现，例如蛋白质结构、分子图等图级别的分类任务。
电网稳态判别其本质是一个二分类问题，即当前拓扑结构下的电网是稳定与否。相似的，图分类任务也是在已知图拓扑结构已经相关伴随信息的情况下识别图所属于的类别。电网数据和图网络数据在结构上存在很大的相似性，它们均是由节点信息以及节点之间的关系构建而成。因此，将电网数据构建成图网络数据，利用图表示学习的相关知识来学习不同状态下电网的表示向量，然后再进行一个二分类的任务，最后即可实现电网的稳态判别任务。
发明内容
本发明要克服现有技术的上述缺点，提供一种基于图神经网络池化的电网稳态判别方法。
本发明考虑电网数据以及图网络结构数据的特点，将电网数据建模在图网络结构上，并在现有图神经网络技术的基础上，提出了一种用于电网稳态判别的图神经网络池化方法。本发明的技术方案是：
一种用于电网稳态判别的图神经网络池化方法，包含如下步骤：
1.构建电网稳态识别数据集；
我们利用仿真软件pandapower来构建数据集。首先获取所需电网的拓扑结构，然后任意修改该电网中某一节点上的电压、负荷的等值，按照潮流计算是否收敛来给当前电网的状态打标签。如此迭代K次，便可以获得大小为K的电网数据，然后将它们建模为图网络结构以构成电网稳态识别数据集。
2.引入图节点表示学习框架；
引入一个简单的图节点表示学习框架，旨在对电网各个节点的数据做预处理，以便于下游池化任务的进行，图中节点信息是否得到较好的表示也将直接影响最终图表示的效果。本发明通过引入图同构网络(Graph Isomorphism Network)来实现电网图中各个节点信息的预处理。
3.构建多维高斯模型；
经过上一步图卷积神经网络的预处理，对于每一个电网数据均可以获得一个多维的特征矩阵。使用最大似然估计方法可以将其建模为高斯模型，其主要包含均值向量(一阶统计)和协方差矩阵(二阶统计)两部分分量，本发明将对这两部分的高斯分量进行处理，并称为均值池化和协方差池化。最后，将经过池化后的两部分分量进行融合得到最终的表示形式。
4.构建均值池化框架；
本发明均值池化采用的是一个三层感知机的架构，其输出层的维度和输出层的维度一致，中间层的维度比输出和输入层低。特别的，隐藏层使用ReLU 激活函数，输出层使用Sigmoid激活函数，得到的输出即为池化后的均值向量。本发明将这个过程视为均值向量的池化操作。
5.构建协方差池化框架；
本发明协方差池化其本质是对其取平方根操作。首先对矩阵进行特征值分解，然后对特征值进行平方根处理，最后再将原特征向量矩阵和平方根处理后的特征值矩阵进行矩阵乘法得到协方差矩阵的平方根矩阵。本发明将其称为协方差矩阵的池化操作。
6.构建高斯分量融合框架；
在第4、5步高斯分量的池化操作后，每一个电网数据会得到一个池化后的均值向量
以及池化后的协方差矩阵
对于这两类不同的表示形式，本方案采取如下两种信息融合的方式：6.1基于因子分解机制的多阶信息融合，6.2基于注意力机制的多阶信息融合。
7.进行电网稳态判别任务；
从构建好的数据集中随机选取一部分数据作为训练集，剩下的部分作为测试集，经过m次迭代以更新神经网络中的参数，其中迭代更新参数使用了随机梯度下降法，在每次更新参数后均计算一次测试集中电网状态判别正确的准确率，比较并保存m次迭代中判别率最高的一次超参数，即得到了用于电网稳态识别的网络模型。最后，将得到的网络模型应用到电网稳态判别的任务中，输出结果’0’表示电网状态不稳定，’1’表示电网状态稳定。
优选地，步骤6.1基于因子分解机制的多阶信息融合，具体包括：对于池化后的均值向量
和协方差矩阵
不同的因子可以得到不同的值：
zi＝uTPwi
其中，
是一个投影矩阵，
是该融合机制基于因子wi的输出值；为了获得o维度的表示向量
需要学习这样的一个投影矩阵
步骤6.2基于注意力机制的多阶信息融合，具体包括：对于池化后的均值向量
和协方差矩阵
将向量
视为样本不同维度上的注意力分数，得到的表示向量有如下的形式：
其中，
为按通道乘，将注意力的权重系数乘到其相应的维度的特征上；
即为我们需要学习的投影向量。
优选地，步骤4中r＝16。
优选地，步骤7中m＝350。
本发明的优点是：综合考虑了电网数据以及图网络结构数据的特点，将电网数据建模在图网络结构上，并在现有图神经网络技术的基础上，使用高斯模型对节点特征进行建模。然后分别对高斯模型的两个分量进行池化，该过程本质是对两部分的分量进行非线性操作的过程。最后，结合因子分解和注意力机制实现了多阶信息的融合，得到不同状态电网的表示形式，并用于电网稳态的判别。
附图说明
图1是本发明方法的流程示意图。
图2是本发明中多阶信息融合示意图，其中图2(a)表示基于因子分解机制的多阶信息融合，图2(b)表示基于注意力机制的多阶信息融合。
具体实施方式
下面结合附图，对本发明的技术方案进行清晰、完整的解释和描述。
一种用于电网稳态判别的图神经网络池化方法，包含如下步骤：
1.构建电网稳态识别数据库；
为了验证本发明的有效性，需要构建图结构的电网稳态识别数据集，包含不同状态下电网相关的拓扑结构、各个节点的电压负荷等信息。其中，电网拓扑结构中的母线对应于图结构中的节点，其负载的电压等信息视为节点的伴随属性，电网拓扑结构中连接两个母线的连接线或者开关对应于图结构中的边。由于现实中电网不稳定的数据很少，这样会导致数据集的样本类比不平衡，所以我们利用仿真软件pandapower来构建数据集。首先获取所需电网的拓扑结构，然后任意修改该电网中某一节点上的电压、负荷的等值，使用潮流计算判断修改后的电网的状态并记录，按照潮流计算是否收敛来给当前电网的稳态进行打标签。最后，根据电网的拓扑结构等信息将电网数据构建成图结构的数据。如此迭代K次，便可获得K个带标签的图网络结构的电网数据，至此电网稳态识别数据集构建完成(图1.(a)-(b))。
2.引入图节点表示学习框架；
引入一个简单的图节点表示学习框架，旨在对电网各个节点的数据做预处理，以利于下游池化任务的进行。图中节点信息是否得到较好的表示也将直接影响最后图表示的效果，本发明引入图同构网络(Graph Isomorphism Network，简称GIN)来实现各个节点信息的预处理，主要是通过多层感知机去拟合汇聚和组合的过程，其节点特征的数学表达式如下：
其中
为节点v经过k个MLP层之后的特征向量，
表示节点v的邻接节点。通过GIN图神经网络的预处理(图1.(b)-(c))，每个状态的电网数据会被处理为一个特征矩阵H，该特征矩阵的行数等于图中的节点数，每一行即为通过GIN学习到的节点表示向量。
3.构建多维高斯模型；
对于一组特征数据，使用高斯模型对数据进行建模是一种常用且有效的手段。经过上一步图卷积神经网络的预处理，每一个电网数据均可以获得一个多维的特征矩阵(图1.(c))，使用最大似然估计方法可以将其建模为如下的高斯模型(图1.(d))：
其中，
为特征矩阵中第i个特征向量，
和
为均值向量和协方差矩阵。由此可见高斯模型主要包含均值向量和协方差矩阵两部分分量，本发明分别对这两部分分量进行非线性操作以得到更具判别性的表示，并将这两部分的高斯分量处理称为均值池化和协方差池化。
4.构建均值池化框架；
本发明均值池化采用的是一个三层感知机的架构，其输出层的维度和输出层的维度一致，中间层的维度比输入层和输入层低(图1.(e)–(f))。均值池化过程表达式有如下的形式：
5.构建协方差池化框架；
本发明协方差池化首先对矩阵进行特征值分解，然后对特征值进行平方根处理，然后将相应的特征向量在进行矩阵乘以得到一个更具判别性的矩阵。高斯分量的协方差池化过程(图1.(g)–(h))表达式有如下的形式：
其中，U,Λ分别为协方差矩阵Σ的特征向量矩阵和特征值矩阵。经过上式的矩阵开平方根操作后，得到的矩阵P即为协方差矩阵池化后的表示形式。
6.多维度高斯分量融合框架；
在第4、5步高斯分量的池化操作后，每一个状态的电网数据都会得到一个池化后的均值向量
以及协方差矩阵
对于这两类不同的表示形式，本发明采取如下两种信息融合的方式。(1)基于因子分解机制的多阶信息融合(2)基于注意力机制的多阶信息融合。
6.1基于因子分解机制的多阶信息融合(图2(a))。对于池化后的均值向量
和协方差矩阵
不同的因子可以得到不同的值：
其中，
是一个投影矩阵，
是该融合机制基于因子wi的输出值。为了获得o维度的表示向量
我们需要学习这样的一个投影矩阵
6.2基于注意力机制的多阶信息融合(图2(b))。对于池化后的均值向量
和协方差矩阵
我们将向量
视为样本不同维度上的注意力分数，得到的表示向量有如下的形式：
其中，
为按通道乘，将注意力的权重系数乘到其相应的维度的特征上。
即为我们需要学习的投影向量。
7.进行电网稳态判别任务；
从构建好的数据集中随机选取一部分数据作为训练集，剩下的部分作为测试集，经过m次迭代以更新神经网络中的参数，其中迭代更新参数使用了随机梯度下降法，在每次更新参数后均计算一次测试集中电网状态判别正确的准确率，比较并保存m次迭代中判别率最高的一次超参数，即得到了用于电网稳态识别的网络模型。最后，将得到的网络模型应用到电网稳态判别的任务中，输出结果’0’表示电网状态不稳定，’1’表示电网状态稳定。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.一种基于图神经网络池化的电网稳态判别方法，包含如下步骤：
步骤1.构建电网稳态识别数据库；
为了验证本发明的有效性，需要构建图结构的电网稳态识别数据集，包含不同状态下电网相关的拓扑结构、各个节点的电压负荷等信息；其中，电网拓扑结构中的母线对应于图结构中的节点，其负载的电压等信息视为节点的伴随属性，电网拓扑结构中连接两个母线的连接线或者开关对应于图结构中的边；由于现实中电网不稳定的数据很少，这样会导致数据集的样本类比不平衡，所以利用仿真软件pandapower来构建数据集；首先获取所需电网的拓扑结构，然后任意修改该电网中某一节点上的电压、负荷的等值，使用潮流计算判断修改后的电网的状态并记录，按照潮流计算是否收敛来给当前电网的稳态进行打标签；最后，根据电网的拓扑结构等信息将电网数据构建成图结构的数据；如此迭代K次，便可获得K个带标签的图网络结构的电网数据，至此电网稳态识别数据集构建完成；
步骤2.引入图节点表示学习框架；
引入一个简单的图节点表示学习框架，旨在对电网各个节点的数据做预处理，以利于下游池化任务的进行；图中节点信息是否得到较好的表示也将直接影响最后图表示的效果，引入图同构网络(Graph Isomorphism Network，简称GIN)来实现各个节点信息的预处理，通过多层感知机去拟合汇聚和组合的过程，其节点特征的数学表达式如下：
其中
为节点v经过k个MLP层之后的特征向量，
表示节点v的邻接节点；通过GIN图神经网络的预处理，每个状态的电网数据会被处理为一个特征矩阵H，该特征矩阵的行数等于图中的节点数，每一行即为通过GIN学习到的节点表示向量；
步骤3.构建多维高斯模型；
对于一组特征数据，使用高斯模型对数据进行建模是一种常用且有效的手段；经过上一步图卷积神经网络的预处理，每一个电网数据均可以获得一个多维的特征矩阵，使用最大似然估计方法可以将其建模为如下的高斯模型：
其中，
为特征矩阵中第i个特征向量，
和
为均值向量和协方差矩阵；由此可见高斯模型主要包含均值向量和协方差矩阵两部分分量，分别对这两部分分量进行非线性操作以得到更具判别性的表示，并将这两部分的高斯分量处理称为均值池化和协方差池化；
步骤4.构建均值池化框架；
均值池化采用的是一个三层感知机的架构，其输出层的维度和输出层的维度一致，中间层的维度比输入层和输入层低；均值池化过程表达式有如下的形式：
其中，δ和σ分别是ReLU和Sigmoid函数，
及
r的值按照SE网络(Squeeze-and-Excitation Networks，简称SE网络)中的值进行设置，最后得到的
即为经过池化得到均值向量表示形式；
步骤5.构建协方差池化框架；
协方差池化首先对矩阵进行特征值分解，然后对特征值进行平方根处理，然后将相应的特征向量在进行矩阵乘以得到一个更具判别性的矩阵；高斯分量的协方差池化过程表达式有如下的形式：
其中，U,Λ分别为协方差矩阵Σ的特征向量矩阵和特征值矩阵；经过上式的矩阵开平方根操作后，得到的矩阵P即为协方差矩阵池化后的表示形式；
步骤6.多维度高斯分量融合框架；
在步骤4、5高斯分量的池化操作后，每一个状态的电网数据都会得到一个池化后的均值向量
以及协方差矩阵
对于这两类不同的表示形式，采取如下两种信息融合的方式；6.1基于因子分解机制的多阶信息融合；6.2基于注意力机制的多阶信息融合。
步骤7.进行电网稳态判别任务；
从构建好的数据集中随机选取一部分数据作为训练集，剩下的部分作为测试集，经过m次迭代以更新神经网络中的参数，每次更新参数后均计算一次测试集中电网状态判别正确的准确率，比较并保存m次迭代中判别率最高的一次超参数，即得到了用于电网稳态识别的网络模型。最后，将得到的网络模型应用到电网稳态判别的任务中，输出结果’0’表示电网状态不稳定，’1’表示电网状态稳定。
2.如权利要求1所述的一种基于图神经网络池化的电网稳态判别方法，其特征在于：
6.1基于因子分解机制的多阶信息融合，具体包括：对于池化后的均值向量
和协方差矩阵
不同的因子可以得到不同的值：
其中，
是一个投影矩阵，
是该融合机制基于因子wi的输出值；为了获得o维度的表示向量
需要学习这样的一个投影矩阵
6.2基于注意力机制的多阶信息融合；对于池化后的均值向量
和协方差矩阵
我们将向量
视为样本不同维度上的注意力分数，得到的表示向量有如下的形式：
其中，
为按通道乘，将注意力的权重系数乘到其相应的维度的特征上；
即为需要学习的投影向量。
3.如权利要求1所述的一种基于图神经网络池化的电网稳态判别方法，其特征在于：步骤4中r＝16。
4.如权利要求1所述的一种基于图神经网络池化的电网稳态判别方法，其特征在于：步骤7中m＝350。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110375699.XA CN113240105B (zh) | 2021-03-30 | 2021-03-30 | 一种基于图神经网络池化的电网稳态判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110375699.XA CN113240105B (zh) | 2021-03-30 | 2021-03-30 | 一种基于图神经网络池化的电网稳态判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113240105A true CN113240105A (zh) | 2021-08-10 |
| CN113240105B CN113240105B (zh) | 2022-01-07 |
Family
ID=77131124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110375699.XA Active CN113240105B (zh) | 2021-03-30 | 2021-03-30 | 一种基于图神经网络池化的电网稳态判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240105B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362151A (zh) * | 2021-12-23 | 2022-04-15 | 浙江大学 | 一种基于深度强化学习和级联图神经网络的潮流收敛性调整方法 |
| CN115391967A (zh) * | 2022-10-27 | 2022-11-25 | 北京安帝科技有限公司 | 一种面向电力工业网络的安全场景仿真方法及系统 |
| CN115660324A (zh) * | 2022-10-09 | 2023-01-31 | 浙江大学 | 基于图强化学习的电网多断面越限调控方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN107276072A (zh) * | 2017-06-16 | 2017-10-20 | 东北电力大学 | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 |
| CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
| CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
| CN109873425A (zh) * | 2017-12-01 | 2019-06-11 | 中国电力科学研究院有限公司 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
| CN111049680A (zh) * | 2019-12-05 | 2020-04-21 | 中国科学院信息工程研究所 | 一种基于图表示学习的内网横向移动检测系统及方法 |
| CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
| CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
-
2021
- 2021-03-30 CN CN202110375699.XA patent/CN113240105B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
| CN107276072A (zh) * | 2017-06-16 | 2017-10-20 | 东北电力大学 | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 |
| CN109873425A (zh) * | 2017-12-01 | 2019-06-11 | 中国电力科学研究院有限公司 | 基于深度学习和用户行为的电力系统调整潮流方法及系统 |
| CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
| CN109494726A (zh) * | 2018-11-27 | 2019-03-19 | 国网安徽省电力有限公司安庆供电公司 | 基于dlrnn神经网络的电力系统稳定性在线评估方法 |
| CN111049680A (zh) * | 2019-12-05 | 2020-04-21 | 中国科学院信息工程研究所 | 一种基于图表示学习的内网横向移动检测系统及方法 |
| CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
| CN111523047A (zh) * | 2020-04-13 | 2020-08-11 | 中南大学 | 基于图神经网络的多关系协同过滤算法 |
Non-Patent Citations (3)
| Title |
|---|
| BALTHAZAR DONON 等: ""Graph Neural Solver for Power Systems"", 《2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
| 杨华 等: ""基于图神经网络的配电网故障预测"", 《计算机系统应用》 * |
| 王海明: ""风电场稳态建模及应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士)-工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362151A (zh) * | 2021-12-23 | 2022-04-15 | 浙江大学 | 一种基于深度强化学习和级联图神经网络的潮流收敛性调整方法 |
| CN114362151B (zh) * | 2021-12-23 | 2023-12-12 | 浙江大学 | 一种基于深度强化学习和级联图神经网络的潮流收敛性调整方法 |
| CN115660324A (zh) * | 2022-10-09 | 2023-01-31 | 浙江大学 | 基于图强化学习的电网多断面越限调控方法和系统 |
| CN115660324B (zh) * | 2022-10-09 | 2023-06-13 | 浙江大学 | 基于图强化学习的电网多断面越限调控方法和系统 |
| CN115391967A (zh) * | 2022-10-27 | 2022-11-25 | 北京安帝科技有限公司 | 一种面向电力工业网络的安全场景仿真方法及系统 |
| CN115391967B (zh) * | 2022-10-27 | 2022-12-27 | 北京安帝科技有限公司 | 一种面向电力工业网络的安全场景仿真方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113240105B (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240105B (zh) | 一种基于图神经网络池化的电网稳态判别方法 | |
| CN110175386B (zh) | 变电站电气设备温度预测方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| Jia et al. | A novel optimized GA–Elman neural network algorithm | |
| CN110084610B (zh) | 一种基于孪生神经网络的网络交易欺诈检测系统 | |
| US10152673B2 (en) | Method for pseudo-recurrent processing of data using a feedforward neural network architecture | |
| Papageorgiou et al. | A weight adaptation method for fuzzy cognitive map learning | |
| Khan et al. | Fuzzy cognitive maps with genetic algorithm for goal-oriented decision support | |
| CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
| Huang et al. | Stochastic ranking for offline data-driven evolutionary optimization using radial basis function networks with multiple kernels | |
| Mendonça et al. | Approximating network centrality measures using node embedding and machine learning | |
| Delgado et al. | A multiobjective genetic algorithm for obtaining the optimal size of a recurrent neural network for grammatical inference | |
| Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
| Kim et al. | Exploring temporal information dynamics in spiking neural networks | |
| Zebari et al. | A Review on Automation Artificial Neural Networks based on Evolutionary Algorithms | |
| CN110555530A (zh) | 一种基于分布式的大规模基因调控网络构建方法 | |
| CN110288002B (zh) | 一种基于稀疏正交神经网络的图像分类方法 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| D’Ambrosio et al. | Meta-model assisted evolutionary optimization of cellular automata: An application to the SCIARA model | |
| CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
| Paassen et al. | Gaussian process prediction for time series of structured data. | |
| Gowgi et al. | Temporal self-organization: A reaction–diffusion framework for spatiotemporal memories | |
| Saikia et al. | Unsupervised pre-training on improving the performance of neural network in regression | |
| Xue et al. | An improved extreme learning machine based on variable-length particle swarm optimization | |
| Anastassiou et al. | A recurrent neural fuzzy network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |