CN113536509A - 一种基于图卷积网络的微电网拓扑辨识方法 - Google Patents

Abstract

本发明公开了一种基于图卷积网络的微电网拓扑辨识方法，包括：1、将微电网中的DG单元作为节点，所有可能连接的线路作为边，获取微电网的拓扑图并将其抽象成线图；2、计算相邻DG单元的输出电压差数据和断路器状态数据，分别作为训练样本的输入与输出；3、构建图卷积网络并初始化网络参数；4、根据微电网线图的邻接矩阵和训练样本，利用梯度下降算法训练图卷积网络并保存训练完成的网络模型；5、以相邻DG单元的电压差序列作为输入，利用训练完成的网络模型计算断路器状态，实现微电网拓扑辨识。本发明能获得更加精确的微电网运行拓扑信息；且能让拓扑辨识的计算效率能够满足实时性的要求，从而使微电网运行拓扑的辨识过程更加智能。

Description

一种基于图卷积网络的微电网拓扑辨识方法

技术领域

本发明属于微电网运行拓扑技术领域，尤其涉及一种基于图卷积网络的微电网拓扑辨识方法。

背景技术

微电网(Micro-Grid)是指由分布式发电(Distributed Generation，DG)单元、储能装置、负荷、控制装置等组成的小型发配电系统。要保证微电网系统稳定安全的运行，需要对微电网采取合适的控制策略，以保证各DG单元的无功功率在运行时保持均衡状态。当微电网线路出现故障时，继电保护系统通过控制断路器开关切除故障线路，导致微电网拓扑发生变化。而微电网需要及时获取拓扑结构，并根据拓扑结构调整各DG单元的控制策略，抑制因线路阻抗不匹配而导致的微电网无功失衡问题，保证微电网稳定安全运行。因此正确辨识网络拓扑对微电网控制具有重要意义。

目前电力网络拓扑辨识方法主要可分为两大类。一类方法是依靠智能测量设备和历史拓扑库，以潮流分析或者传统的数学运算为基础。例如，基于DSCADA和μPMU数据融合的配电网拓扑辨识方法，通过历史数据库罗列所有可能的拓扑情况，并将含相位的节点电压实际量测以及各拓扑结构下的潮流计算结果进行对比，从而对当前配电网中的开关状态变化进行辨识；还有基于邻接矩阵的网络拓扑辨识方法，将拓扑网络用节点-支路关联矩阵来描述，并利用关联矩阵的简化加快网络拓扑的分析速度。然而此类方法需要安装相应的硬件测量设备，过于依赖历史数据库中拓扑结构的全面性；而且这类拓扑辨识方法效率低且实时性差，难以满足微电网控制对拓扑辨识的快速性需求。另一类拓扑辨识方法是利用人工智能领域中的深度学习技术，运行数据驱动的思想，而不依赖于网络拓扑结构的先验知识。例如，基于深度神经网络的配电网拓扑辨识方法，利用可用于模式识别的电压序列数据，并设计了两层前馈深度神经网络来识别配电网中开关和保护装置的状态；另外，还有采用结合主成分分析和深度置信网络的电网拓扑识别方法，利用主成分分析法中鲁棒特征提取的特点来处理数据和滤除噪声，并使用深度置信网络来捕捉电压幅值和线路开关状态之间的非线性关系。此类方法虽然能够利用采集的数据进行在线拓扑辨识，但是仅仅是单独对电网中节点或者线路数据的挖掘，并没有考虑电网节点间的结构信息，因此拓扑辨识的准确度并不理想。

发明内容

本发明为解决现有方法中拓扑辨识的准确率不够高和计算效率低等一系列问题，提供一种基于图卷积网络的微电网拓扑辨识方法，以期能获得更加精确的微电网运行拓扑信息，让拓扑辨识的计算效率能够满足实时性的要求，从而使微电网运行拓扑的辨识过程更加智能。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于图卷积网络微电网拓扑辨识方法的特点在于，包括如下步骤：

步骤1、获取微电网在无故障下的拓扑图并抽象成线图；

步骤1.1、将微电网中的DG单元作为节点，DG单元间可能连接的线路作为边，从而得到微电网在无故障下的拓扑图记为G＝{V,E}，其中，V＝{v₀,v₁,...,v_i,...,v_N-1}为拓扑图G中的节点集合，E＝{e_i,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合，e_i,j表示第i个节点v_i和第j个节点v_j之间存在边，N为拓扑图G中节点的总个数，i≠j；

步骤1.2、将边集合E中所有的边抽象成新的节点，从而构成新的节点集

若新的节点集V^*中任意两个不同的节点

和

在拓扑图G中所对应的边存在一个公共节点，则在第k个节点

和第q个节点

之间连接一条新的边，并由所有新的边构成新的边集

表示第k个节点

和第q个节点

之间存在边，k≠q；由新的节点集V^*和新的边集E^*构造微电网线图记为G^*＝{V^*,E^*}，其中，N^*为拓扑图G中边的总个数；

步骤1.3、利用式(1)获取微电网线图G^*的N^*×N^*阶邻接矩阵A中的第k行第q列的元素a_k,q，从而得到微电网线图G^*的N^*×N^*阶邻接矩阵A＝{a_k,q|k∈[0,N^*-1],q∈[0,N^*-1]}；

步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据；

步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻；

步骤2.2、在任意第r个运行时刻，测量并采样微电网中各DG单元的输出电压，得到第r个运行时刻所有DG单元的输出电压序列集合

其中

为第r个运行时刻第b个DG单元的输出电压序列，

为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值，b∈[0,N-1]，c∈[0,T-1]，r∈[1,R]，T为DG单元输出电压的采样点总个数；

步骤2.3、在第r个运行时刻，利用所述输出电压序列集合U^r计算得到微电网相邻DG单元的输出电压差序列矩阵

若v_i和v_j之间有边}，其中，

表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列，d∈[0,N^*-1]；

步骤2.4、在第r个运行时刻，获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码，若断路器闭合，则状态编码为“1”，若断路器断开，则状态编码为“0”，从而得到断路器开关状态向量

其中，

代表第r个运行时刻第m条线路中的断路器开关状态，m∈[0,N^*-1]；

步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵X^r和线路中断路器的开关状态向量Y^r构成第r组训练样本Train^r＝{X^r,Y^r}；从而得到共R组的训练样本集Train＝{Train^r|r∈[1,R]}；

步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数；

步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net，所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层，并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵H^l+1：

式(2)中，H^l为第l-1个图卷积层输出的隐藏特征矩阵，当l＝0时，H⁰为图卷积网络G-Net的输入特征矩阵；

表示添加节点自连边后微电网线图的邻接矩阵，

为N^*×N^*的单位矩阵；W^l为图卷积网络G-Net中第l个图卷积层的权重矩阵；f^l(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数，l∈[0,L-1]；

步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ，并初始化μ＝1，设定最大迭代次数为μ_max；

步骤4、训练图卷积网络G-Net；

步骤4.1、初始化r＝1；

步骤4.2、将第r组训练样本Train^r中的输出电压差序列矩阵X^r作为输入特征矩阵，并与微电网线图G^*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中，并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵；

步骤4.3、将所述第μ次迭代的G-Net的隐藏特征矩阵输入Softmax分类层，得到第r组训练样本第μ次迭代的前向输出结果

步骤4.4、将所述第r组训练样本第μ次迭代的前向输出结果

与第r组训练样本中断路器的开关状态向量Y^r作差，得到第r组训练样本第μ次迭代的误差

步骤4.5、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤4.6，否则返回步骤4.2；

步骤4.6、根据R组训练样本在第μ次迭代后的误差

计算得到第μ次迭代的图卷积网络G-Net的交叉熵损失函数e_μ；

步骤4.7、判断e_μ＞e₀和μ＜μ_max是否均成立，若均成立，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后，返回执行步骤4.1；否则，将第μ次迭代的图卷积网络模型作为最优模型，其中，e₀是预设的网络误差阈值；

步骤5、微电网的拓扑辨识；

以微电网中实时获取的相邻DG单元的电压差序列作为输入，利用最优模型计算对应断路器的状态，从而得到微电网实时运行状态下的拓扑图。

与现有技术相比，本发明的有益效果在于：

本发明首先将微电网中的DG单元作为节点，得到微电网在无故障下的拓扑图，并把拓扑图中的边抽象成节点，将其转化为成线图；然后把线图的邻接矩阵和节点特征作为GCN的输入，直接在图结构层面上对微电网数据进行运算以对GCN进行训练；最后将训练完成的GCN模型保存，用于微电网的拓扑辨识。与以往的方法不同，本方法充分考虑了微电网的节点特征和结构特征，在得到训练完成的GCN模型后，可以利用实时采集数据实现微电网拓扑的快速在线辨识，且辨识准确率高。此外，当微电网中断路器开关状态变化，且有其他微电网参数如负载功率变化时，虽然每个DG单元的电压会发生一定的变化，但是相邻间DG单元的差值基本保持不变，很大程度上抑制了其他扰动的影响，因此本方法依然有很高的拓扑辨识准确率，具有较强的鲁棒性和实用性。

附图说明

图1为本发明微电网拓扑辨识方法流程图；

图2为本发明微电网模型结构图；

图3为本发明图卷积网络结构图。

具体实施方式

下面结合附图对本发明做进一步的说明：

本实施例中，参照图1，一种基于图卷积网络微电网拓扑辨识方法，包括如下步骤：

步骤1、获取微电网在无故障下的拓扑图并抽象成线图；

步骤1.1、微电网模型结构图如图2所示，将微电网中的DG单元作为节点，DG单元间可能连接的线路作为边，从而得到微电网在无故障下的拓扑图记为G＝{V,E}，其中，V＝{v₀,v₁,...,v_i,...,v_N-1}为拓扑图G中的节点集合，E＝{e_i,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合，e_i,j表示第i个节点v_i和第j个节点v_j之间存在边，N为拓扑图G中节点的总个数，i≠j；具体实例中，N＝8；

步骤1.2、将边集合E中所有的边抽象成新的节点，从而构成新的节点集

若新的节点集V^*中任意两个不同的节点

和

在拓扑图G中所对应的边存在一个公共节点，则在第k个节点

和第q个节点

之间连接一条新的边，并由所有新的边构成新的边集

表示第k个节点

和第q个节点

之间存在边，k≠q；由新的节点集V^*和新的边集E^*构造微电网线图记为G^*＝{V^*,E^*}，其中，N^*为拓扑图G中边的总个数；具体实例中，N^*＝8；

步骤1.3、利用式(1)获取微电网线图G^*的N^*×N^*阶邻接矩阵A中的第k行第q列的元素a_k,q，从而得到微电网线图G^*的N^*×N^*阶邻接矩阵A＝{a_k,q|k∈[0,N^*-1],q∈[0,N^*-1]}；

步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据；

步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻；具体实例中，R＝900；

步骤2.2、在任意第r个运行时刻，测量并采样微电网中各DG单元的输出电压，得到第r个运行时刻所有DG单元的输出电压序列集合

其中

为第r个运行时刻第b个DG单元的输出电压序列，

为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值，b∈[0,N-1]，c∈[0,T-1]，r∈[1,R]，T为DG单元输出电压的采样点总个数；具体实例中，T＝20，且取第r个运行时刻前后各十个采样点的输出电压离散值组成输出电压序列；

步骤2.3、在第r个运行时刻，利用所述输出电压序列集合U^r计算得到微电网相邻DG单元的输出电压差序列矩阵

若v_i和v_j之间有边}，其中，

表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列，d∈[0,N^*-1]；

步骤2.4、在第r个运行时刻，获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码，若断路器闭合，则状态编码为“1”，若断路器断开，则状态编码为“0”，从而得到断路器开关状态向量

其中，

代表第r个运行时刻第m条线路中的断路器开关状态，m∈[0,N^*-1]；

步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵X^r和线路中断路器的开关状态向量Y^r构成第r组训练样本Train^r＝{X^r,Y^r}；从而得到共R组的训练样本集Train＝{Train^r|r∈[1,R]}；

步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数；

步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net，图卷积网络结构图如图3所示，所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层，并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵H^l+1：

式(2)中，H^l为第l-1个图卷积层输出的隐藏特征矩阵，当l＝0时，H⁰为图卷积网络G-Net的输入特征矩阵；

表示添加节点自连边后微电网线图的邻接矩阵，

为N^*×N^*的单位矩阵；W^l为图卷积网络G-Net中第l个图卷积层的权重矩阵；f^l(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数，l∈[0,L-1]；具体实例中，L＝2，之所以图卷积的层数选择2，一方面是因为数据集的样本个数有限，过多的图卷积层会增多GCN待训练的参数，容易出现过拟合现象；另一方面由于本文应用场景微电网中节点个数不多，分支较少，所以图卷积网络层数过多会导致信息汇集出现交叉，从而使图中所有节点特征趋于一致，降低拓扑辨识的精度。因此设置图卷积层为2层便可以获得最佳的拓扑辨识性能；

步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ，并初始化μ＝1，设定最大迭代次数为μ_max；具体实例中，μ_max＝300；

步骤4、训练图卷积网络G-Net；

步骤4.1、初始化r＝1；

步骤4.2、将第r组训练样本Train^r中的输出电压差序列矩阵X^r作为输入特征矩阵，并与微电网线图G^*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中，并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵；

步骤4.3、将所述第μ次迭代的G-Net的隐藏特征矩阵输入Softmax分类层，得到第r组训练样本第μ次迭代的前向输出结果

步骤4.4、将所述第r组训练样本第μ次迭代的前向输出结果

与第r组训练样本中断路器的开关状态向量Y^r作差，得到第r组训练样本第μ次迭代的误差

步骤4.5、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤4.6，否则返回步骤4.2；

步骤4.6、根据R组训练样本在第μ次迭代后的误差

计算得到第μ次迭代的图卷积网络G-Net的交叉熵损失函数e_μ；

步骤4.7、判断e_μ＞e₀和μ＜μ_max是否均成立，若均成立，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后，返回执行步骤4.1；否则，将第μ次迭代的图卷积网络模型作为最优模型，其中，e₀是预设的网络误差阈值；具体实例中，e₀＝0.05；

步骤5、微电网的拓扑辨识；

以微电网中实时获取的相邻DG单元的电压差序列作为输入，利用最优模型计算对应断路器的状态，从而得到微电网实时运行状态下的拓扑图。

Claims (1)

1.一种基于图卷积网络微电网拓扑辨识方法，其特征在于，包括如下步骤：

步骤1、获取微电网在无故障下的拓扑图并抽象成线图；

步骤1.1、将微电网中的DG单元作为节点，DG单元间可能连接的线路作为边，从而得到微电网在无故障下的拓扑图记为G＝{V,E}，其中，V＝{v₀,v₁,...,v_i,...,v_N-1}为拓扑图G中的节点集合，E＝{e_i,j|i∈[0,N-1],j∈[0,N-1]}为拓扑图G中的边集合，e_i,j表示第i个节点v_i和第j个节点v_j之间存在边，N为拓扑图G中节点的总个数，i≠j；

步骤1.2、将边集合E中所有的边抽象成新的节点，从而构成新的节点集

若新的节点集V^*中任意两个不同的节点

和

在拓扑图G中所对应的边存在一个公共节点，则在第k个节点

和第q个节点

之间连接一条新的边，并由所有新的边构成新的边集

表示第k个节点

和第q个节点

之间存在边，k≠q；由新的节点集V^*和新的边集E^*构造微电网线图记为G^*＝{V^*,E^*}，其中，N^*为拓扑图G中边的总个数；

步骤1.3、利用式(1)获取微电网线图G^*的N^*×N^*阶邻接矩阵A中的第k行第q列的元素a_k,q，从而得到微电网线图G^*的N^*×N^*阶邻接矩阵A＝{a_k,q|k∈[0,N^*-1],q∈[0,N^*-1]}；

步骤2、对微电网中DG单元的输出电压进行采样以获取训练样本数据；

步骤2.1、获取微电网中断路器处于不同开关状态的R个运行时刻；

步骤2.2、在任意第r个运行时刻，测量并采样微电网中各DG单元的输出电压，得到第r个运行时刻所有DG单元的输出电压序列集合

其中

为第r个运行时刻第b个DG单元的输出电压序列，

为第r个运行时刻第b个DG单元在第c个采样点处的输出电压值，b∈[0,N-1]，c∈[0,T-1]，r∈[1,R]，T为DG单元输出电压的采样点总个数；

步骤2.3、在第r个运行时刻，利用所述输出电压序列集合U^r计算得到微电网相邻DG单元的输出电压差序列矩阵

若v_i和v_j之间有边}，其中，

表示微电网第r个运行时刻第d条线路两端的第i个DG单元和第j个DG单元的输出电压差序列，d∈[0,N^*-1]；

步骤2.4、在第r个运行时刻，获取微电网中所有相邻DG单元间线路中的断路器开关状态并进行编码，若断路器闭合，则状态编码为“1”，若断路器断开，则状态编码为“0”，从而得到断路器开关状态向量

其中，

代表第r个运行时刻第m条线路中的断路器开关状态，m∈[0,N^*-1]；

步骤2.5、由第r个运行时刻的微电网相邻DG单元的输出电压差序列矩阵X^r和线路中断路器的开关状态向量Y^r构成第r组训练样本Train^r＝{X^r,Y^r}；从而得到共R组的训练样本集Train＝{Train^r|r∈[1,R]}；

步骤3、构建用于微电网拓扑辨识的图卷积网络并初始化网络参数；

步骤3.1、构建一个用于拓扑辨识的图卷积网络G-Net，所述图卷积网络G-Net中包括L个图卷积层和一个Softmax分类层，并利用式(2)得到第l个图卷积层输出的隐藏特征矩阵H^l+1：

式(2)中，H^l为第l-1个图卷积层输出的隐藏特征矩阵，当l＝0时，H⁰为图卷积网络G-Net的输入特征矩阵；

表示添加节点自连边后微电网线图的邻接矩阵，

为N^*×N^*的单位矩阵；W^l为图卷积网络G-Net中第l个图卷积层的权重矩阵；f^l(·)为图卷积网络G-Net中第l个图卷积层的信息聚合函数，l∈[0,L-1]；

步骤3.2、定义图卷积网络G-Net的当前迭代次数为μ，并初始化μ＝1，设定最大迭代次数为μ_max；

步骤4、训练图卷积网络G-Net；

步骤4.1、初始化r＝1；

步骤4.2、将第r组训练样本Train^r中的输出电压差序列矩阵X^r作为输入特征矩阵，并与微电网线图G^*的邻接矩阵A一起输入到第μ次迭代的图卷积网络G-Net中，并经过L个图卷积层后输出第μ次迭代的G-Net的隐藏特征矩阵；

步骤4.3、将所述第μ次迭代的G-Net的隐藏特征矩阵输入Softmax分类层，得到第r组训练样本第μ次迭代的前向输出结果

步骤4.4、将所述第r组训练样本第μ次迭代的前向输出结果

与第r组训练样本中断路器的开关状态向量Y^r作差，得到第r组训练样本第μ次迭代的误差

步骤4.5、将r+1赋值给r，判断r＞R是否成立；若成立，则继续执行步骤4.6，否则返回步骤4.2；

步骤4.6、根据R组训练样本在第μ次迭代后的误差

计算得到第μ次迭代的图卷积网络G-Net的交叉熵损失函数e_μ；

步骤4.7、判断e_μ＞e₀和μ＜μ_max是否均成立，若均成立，将μ+1赋值给μ，并根据梯度下降算法更新第μ次迭代的图卷积网络G-Net中的权重参数后，返回执行步骤4.1；否则，将第μ次迭代的图卷积网络模型作为最优模型，其中，e₀是预设的网络误差阈值；

步骤5、微电网的拓扑辨识；

以微电网中实时获取的相邻DG单元的电压差序列作为输入，利用最优模型计算对应断路器的状态，从而得到微电网实时运行状态下的拓扑图。

Images