CN113836707B - 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 - Google Patents
基于加速属性网络嵌入算法的电力系统社区探测方法和装置 Download PDFInfo
- Publication number
- CN113836707B CN113836707B CN202111063093.9A CN202111063093A CN113836707B CN 113836707 B CN113836707 B CN 113836707B CN 202111063093 A CN202111063093 A CN 202111063093A CN 113836707 B CN113836707 B CN 113836707B
- Authority
- CN
- China
- Prior art keywords
- node
- power system
- power
- attribute
- matrix
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 230000001133 acceleration Effects 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 19
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Chemical compound CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请属于大电网运行与控制技术领域,涉及一种基于加速属性网络嵌入算法的电力系统社区探测方法和装置。首先建立电网各节点在拓扑空间、节点属性空间的关系模型及考虑节点属性及拓扑关系的联合嵌入表示学习模型,从电网的网络结构和节点属性方面保留节点的相似度,随后采用交替方向乘子法对模型进行求解,提取电网计及网络结构信息和电气量信息的低维度的向量表示,然后采用改进K‑means算法进行社团结构探测分析,从而提取出电力系统社团结构,具有较强的工程实用性。采用本方法能够有效提电力系统社团探测的效率和准确率,为电力系统社团探测及分区提供技术依据和实用化方法。
Description
技术领域
本申请属于大电网运行与控制技术领域,涉及一种基于加速属性网络嵌入算法的电力系统社区探测方法和装置。
背景技术
复杂网络的结构对网络性能和动态系统的行为特性有着重要的影响。社区结构是复杂网络中普遍存在的拓扑结构属性,社区反映网络中的个体行为的局部性特征以及不同个体相互之间的关联关系,同一社区内的节点之间的连接相对密集,而社区间的节点之间的连接相对稀疏,研究复杂网络中的社区对理解整个网络的结构和功能起到至关重要的作用。电力网络规模巨大、特性复杂,同样具有小世界网络和社区结构等复杂的网络特性。因此,从复杂的电力网络中找出其中存在的社区结构对于分析网络拓扑结构,理解电网网络特性、预测电网各部分元素间的交互关系及演化趋势、输电线路脆弱性评估、连锁故障分析、制定故障预案及故障后恢复等均具有重要意义。
社区探测是网络分析中最重要的和最基本的任务之一,主要是基于网络的拓扑结构信息,从网络中挖掘出其中存在的紧耦合的社区结构。近年来,研究者们已经提出了不少复杂网络的社区探测方法,包括层次聚类算法、基于模块度的社区划分算法、标签传播算法、基于密度的社区划分算法、基于相似性的社区划分算法等。但是这些的算法仍然存在一些问题,上述文献中只考虑了电网的拓扑连接关系,未能有效考虑电网节点的属性信息,因此在应用效果上有一定的局限性。
发明内容
本公开的目的在于至少部分地解决已有技术中存在的问题,基于电力系统海量运行及仿真数据,如何提高社区发现算法的效率、探测出最能够还原真实社区状态的社区结构,实现电力系统关键拓扑结构及薄弱环节辨是本文亟待解决的重要问题。有鉴于此,本公开提出了基于加速属性网络嵌入算法的电力系统社区探测方法和装置以解决相关技术问题。
根据本公开的第一发明,提出基于加速属性网络嵌入算法的电力系统社区探测方法,包括:
步骤1,从能量管理系统和同步相量测量装置获取电力系统的实时运行状态;
步骤2,构建电网的初始特征集;
步骤3,计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S;
步骤4,分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示;
步骤5,采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果。
可选地,所述初始特征集包括:
电网故障发生前的所有发电机的总有功出力和总无功出力、每个发电机节点的总有功出力和总无功出力、负荷节点的总有功负荷和总无功负荷、电网的总有功负荷和总无功负荷、电网的节点之间交流线路的有功功率和无功功率、电网的各母线电压的幅值和相角、电网中各发电机的最大功角差、含有暂态稳定状态信息的故障点以及故障点相邻节点的各发电机有功出力和无功出力、负荷节点的有功负荷和无功负荷、各母线电压的幅值和相角及交流线路开断特征,电网各节点的度数值。
可选地,所述电网中各节点属性矩阵M中每一个列向量代表电网中每个节点独立于电网拓扑结构的电气量特征,电气量特征分别为电网中注入节点的总有功功率、电网中注入节点的总无功功率、电网中各节点的电压幅值、电网中各节点的电压相角、发电机节点的总有功出力、发电机节点的总无功出力、电网中各节点的总有功负荷以及电网中各节点的总无功负荷、电网中各节点的节点度数。
可选地,所述电网拓扑加权邻接矩阵W的表达式如下:
其中,n为电力系统中的节点个数,wij为W中的第i行、第j列的元素,i=1,2,…,j=1,2,…,Lre表示考虑负荷波动和发电机出力的线路负载率,δij表示节点i和节点j之间的连接关系,当节点i和节点j之间有连接时δij=1,当节点i和节点j之间无连接时δij=0。
可选地,所述电力系统节点属性的余弦相似度矩阵S的表达式为:
其中,第i行第j列元素表示所述节点属性矩阵M中各节点属性归一化后的余弦相似度,和分别表示所述节点属性矩阵M的第i行和第j行归一化后的向量。
可选地,所述电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS分别为:
其中,J为联合嵌入表示模型,wij为电网网络拓扑加权邻接矩阵W中的第i行第j列元素,H表示融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示,HT表示H的转置矩阵,hi和hj表示共识嵌入矩阵H的第i行和第j行,表示弗洛伯尼范数,||.||2表示2范数,λ表示正则项系数,用于控制优化环节中参数调整敏感度。
可选地,所述改进k-means聚类算法的改进,包括:聚类个数确定方法的改进和初始聚类中心的改进两方面,其中:
可选地,其中,聚类个数确定方法的改进,包括:
(1)根据Val(k)指标确定最大聚类个数k:
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;
(2)根据密度参数和欧氏距离确定初始聚类中心。
可选地,其中,改进k-means聚类算法进行聚类分析,包括:
(1)根据Val(k)指标确定最大聚类个数k:
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;
(2)向改进k-means聚类算法输入所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示以及通过采用Val(k)指标确定的最大聚类个数k;
(3)根据密度参数和欧氏距离确定初始聚类中心;
(4)将每个节点分配到距离最近的类中;
(5)重新计算各个聚类中心,即每个聚类中心的样本均值
(6)利用下式,计算评价聚类性能的准则函数值:
其中,E表示所有节点向量表示与所属类的中心的均方差之和,k为聚类个数,wj表示类Cj的均值,Cj表示第j个聚类,il表示每个节点的低维度的向量表示形成的数据集;
(7)设定准则函数值的阈值,对步骤(6)计算的准则函数值进行判断,若准则函数值小于阈值,则输出聚类结果,若步骤(6)计算的准则函数值大于或等于阈值,则返回步骤(2),直到满足设定的准则函数阈值,输出聚类结果。
可选地,所述根据密度参数和欧氏距离确定初始聚类中心,包括:
(1)统计电力系统中每个节点的节点半径r区域内的密度参数,并将密度参数由大到小进行排序;
(2)选取密度参数最大的节点作为第一个聚类中心;
(3)计算电力系统中其余节点与第一个聚类中心的欧氏距离ρ1;
(4)选取欧氏距离最大、且密度参数较大的节点作为第二个聚类中心;
(5)计算电力系统剩余节点与前两个聚类中心距离之和ρ2;
(6)选取距离之和ρ2最大、且密度参数较大的节点作为第三个聚类中心;
(7)计算电力系统剩余节点与前两个聚类中心距离之和ρi;
(8)选取距离之和ρi最大、且密度参数较大的节点作为第i+1个聚类中心;
(9)重复步骤(7)和步骤(8),直至确定得到所有初始聚类中心。
根据本公开的第二发明,提出了基于加速属性网络嵌入算法的电力系统社区探测装置,包括:
信息采集模块,用于从能量管理系统和同步相量测量装置获取电力系统的实时运行状态;
构建电网初始特征集模块,用于根据电网拓扑结构信息和电力系统运行方式信息,构建电网的初始特征集;
计算模块,用于根据步骤所述初始特征集,计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S;
信息处理模块,用于根据步所述拓扑结构信息和运行方式信息及所述电网拓扑加权邻接矩阵W及电力系统节点属性矩阵M,分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示;
聚类分析模块,用于根据所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示结果,采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果。
本公开基于图论思想,分别构建电网节点在属性空间和拓扑空间的邻居关系模型,采用加速属性网络嵌入算法提取融合电力系统节点电气量信息及拓扑结构信息联合嵌入表示。然后根据学习到的联合表示,采用改进K-means聚类算法对节点进行聚类,从而提取电力系统各节点的社区探测结果,最后建立模块度和标准互信息指标对社区探测结果进行评估。
本公开附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显然,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本公开的一个实施例示出的基于加速属性网络嵌入算法的电力系统社区探测方法的流程图。
图2是根据本公开的一个实施例示出的基于加速属性网络嵌入算法的电力系统社区探测装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是根据本公开的一个实施例示出的基于加速属性网络嵌入算法的电力系统社区探测方法的流程图。本实施例的基于加速属性网络嵌入算法的电力系统社区探测方法的流程图,可以适用于用户设备,例如手机、平板电脑等。
如图1所示,所述基于加速属性网络嵌入算法的电力系统社区探测方法,可以包括以下步骤:
在步骤1中,从能量管理系统和同步相量测量装置(PMU)获取电力系统的实时运行状态,包括电网的拓扑结构信息和电力系统运行方式信息;
在步骤2中,根据步骤所述电网拓扑结构信息和电力系统运行方式信息,构建电网的初始特征集。
在一个实施例中,初始特征集包括:
电网故障发生前的所有发电机的总有功出力和总无功出力、每个发电机节点的总有功出力和总无功出力、负荷节点的总有功负荷和总无功负荷、电网的总有功负荷和总无功负荷、电网的节点之间交流线路的有功功率和无功功率、电网的各母线电压的幅值和相角、电网中各发电机的最大功角差、含有暂态稳定状态信息的故障点以及故障点相邻节点的各发电机有功出力和无功出力、负荷节点的有功负荷和无功负荷、各母线电压的幅值和相角及交流线路开断特征,电网各节点的度数值。
在步骤3中,根据步骤(2)的初始特征集,计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S。
在一个实施例中,电网中各节点属性矩阵M中每一个列向量代表电网中每个节点独立于电网拓扑结构的电气量特征,电气量特征分别为电网中注入节点的总有功功率、电网中注入节点的总无功功率、电网中各节点的电压幅值、电网中各节点的电压相角、发电机节点的总有功出力、发电机节点的总无功出力、电网中各节点的总有功负荷以及电网中各节点的总无功负荷、电网中各节点的节点度数。
在一个实施例中,电网拓扑加权邻接矩阵W的表达式如下:
其中,n为电力系统中的节点个数,wij为W中的第i行、第j列的元素,i=1,2,…,j=1,2,…,Lre表示考虑负荷波动和发电机出力的线路负载率,δij表示节点i和节点j之间的连接关系,当节点i和节点j之间有连接时δij=1,当节点i和节点j之间无连接时δij=0。
在一个实施例中,电力系统节点属性的余弦相似度矩阵S的表达式为:
其中,第i行第j列元素表示所述节点属性矩阵M中各节点属性归一化后的余弦相似度,和分别表示所述节点属性矩阵M的第i行和第j行归一化后的向量。
在一个实施例中,电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS分别为:
其中,J为联合嵌入表示模型,wij为电网网络拓扑加权邻接矩阵W中的第i行第j列元素,H表示融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示,HT表示H的转置矩阵,hi和hj表示共识嵌入矩阵H的第i行和第j行,表示弗洛伯尼范数,||.||2表示2范数,λ表示正则项系数,用于控制优化环节中参数调整敏感度,在本公开的一个实施例中,λ的取值为2。
在步骤4中,根据所述拓扑结构信息和运行方式信息及所述电网拓扑加权邻接矩阵W及电力系统节点属性矩阵M,分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示。
在一个实施例中,根据所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示结果,采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果。
在一个实施例中,所述改进k-means聚类算法的改进包括:聚类个数确定方法的改进和初始聚类中心的改进两个方面:
其中的聚类个数确定方法的改进,包括:
(1)根据Val(k)指标确定最大聚类个数k:也就是本发明中探测出的社区的个数;
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;类内距离最小,类间距离最大是聚类效果最优,故当Val(k)指标取得最小值时,聚类效果最佳,此时的聚类个数k为最佳聚类个数;
(2)根据密度参数和欧氏距离确定初始聚类中心。其中,密度参数指半径为r的区域内节点的个数。
其中的改进k-means聚类算法进行聚类分析,包括:
(1)根据Val(k)指标确定最大聚类个数k:也就是本发明中探测出的社区的个数;
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;类内距离最小,类间距离最大是聚类效果最优,故当Val(k)指标取得最小值时,聚类效果最佳,此时的聚类个数k为最佳聚类个数;
(2)向改进k-means聚类算法输入所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示以及通过采用Val(k)指标确定的最大聚类个数k;
(3)根据密度参数和欧氏距离确定初始聚类中心;
(4)将每个节点分配到距离最近的类中;
(5)重新计算各个聚类中心,即每个聚类中心的样本均值
(6)利用下式,计算评价聚类性能的准则函数值:
其中,E表示所有节点向量表示与所属类的中心的均方差之和,k为聚类个数,wj表示类Cj的均值,Cj表示第j个聚类,il表示每个节点的低维度的向量表示形成的数据集;
(7)设定准则函数值的阈值,对步骤(6)计算的准则函数值进行判断,若准则函数值小于阈值,则输出聚类结果,若步骤(6)计算的准则函数值大于或等于阈值,则返回步骤(2),直到满足设定的准则函数阈值,输出聚类结果。
在一个实施例中,所述根据密度参数和欧氏距离确定初始聚类中心,包括:
(1)统计电力系统中每个节点的节点半径r区域内的密度参数,并将密度参数由大到小进行排序;
(2)选取密度参数最大的节点作为第一个聚类中心;
(3)计算电力系统中其余节点与第一个聚类中心的欧氏距离ρ1;
(4)选取欧氏距离最大、且密度参数较大的节点作为第二个聚类中心;
(5)计算电力系统剩余节点与前两个聚类中心距离之和ρ2;
(6)选取距离之和ρ2最大、且密度参数较大的节点作为第三个聚类中心;
(7)计算电力系统剩余节点与前两个聚类中心距离之和ρi;此处的前两个聚类中心是第i个聚类中心和第i-1个聚类中心;
(8)选取距离之和ρi最大、且密度参数较大的节点作为第i+1个聚类中心;其中i表示第i个聚类中心;
(9)重复步骤(7)和步骤(8),直至确定得到所有初始聚类中心。
根据本公开的实施例提出的基于加速属性网络嵌入算法的电力系统社区探测方法,能够针对电力系统运行方式信息,采用加速属性网络嵌入算法提取融合电网各节点的节点属性信息和拓扑结构信息的低维度向量表示,然后利用改进K-means算法对电网各节点低维度的向量表示进行聚类分析,从而提取出电力系统社团结构,采用本方法能够有效提电力系统社团探测的效率和准确率,为电力系统社团探测及分区提供技术依据和实用化方法。
而且本公开的方法易于实施,首先建立电网各节点在拓扑空间、节点属性空间的关系模型及考虑节点属性及拓扑关系的联合嵌入表示学习模型,从电网的网络结构和节点属性方面保留节点的相似度,随后采用交替方向乘子法对模型进行求解,提取电网计及网络结构信息和电气量信息的低维度的向量表示,然后采用改进K-means算法进行社团结构探测分析,具有较强的工程实用性,因此本方法易于实施。
在本公开的一个实施例中,在得到了电力系统社区的探测结果后还可以根据建立的模块度NMI(C,C′)和标准互信息Q两个指标,对社区探测结果有效性进行评估。其中,标准互信息Q指标的表达式为:
其中,nc表示聚类个数,Lc表示第c个聚类内部所包含的边数,T表示网络中所有边的数目总和,Dc表示第c个聚类内部所有节点的度值之和。
其中标准互信息NMI(C,C′)指标的表达式为:
其中,用C={C1,C2,...,Ck}表示一个真实的社团挖掘结果,用C′={C′1,C′2,...,C′l}表示本发明得到的社团挖掘结果,N为混淆矩阵,其元素Nij表示社团Ci∈C与社团C′j∈C′的节点交集的个数,H(C)和H(C′)分别表示C与C′的信息熵,MI(C,C′)表示C与C′的之间的互信息,n表示网络中节点的总数。NMI(C,C′)的值介于0到1之间,并且该值越大表明计算结果越接近真实结果。
与上述基于加速属性网络嵌入算法的电力系统社区探测方法相对应地,本公开还提出了基于加速属性网络嵌入算法的电力系统社区探测装置,如图2所示,包括:
信息采集模块,用于从能量管理系统和同步相量测量装置获取电力系统的实时运行状态;
构建电网初始特征集模块,用于根据电网拓扑结构信息和电力系统运行方式信息,构建电网的初始特征集;
计算模块,用于根据步骤所述初始特征集,计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S;
信息处理模块,用于根据步所述拓扑结构信息和运行方式信息及所述电网拓扑加权邻接矩阵W及电力系统节点属性矩阵M,分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示;
聚类分析模块,用于根据所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示结果,采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本公开提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本公开的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种基于加速属性网络嵌入算法的电力系统社区探测方法,其特征在于,该方法包括以下步骤:
(1)从能量管理系统和同步相量测量装置获取电力系统的实时运行状态;
(2)构建电网的初始特征集;
(3)计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S;
(4)分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示;
(5)采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果;
所述电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS分别为:
其中,J为联合嵌入表示模型,wij为电网网络拓扑加权邻接矩阵W中的第i行第j列元素,H表示融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示,HT表示H的转置矩阵,hi和hj表示共识嵌入矩阵H的第i行和第j行,表示弗洛伯尼范数,||.||2表示2范数,λ表示正则项系数,用于控制优化环节中参数调整敏感度。
2.根据权利要求1的电力系统社区探测方法,其特征在于,所述初始特征集包括:
电网故障发生前的所有发电机的总有功出力和总无功出力、每个发电机节点的总有功出力和总无功出力、负荷节点的总有功负荷和总无功负荷、电网的总有功负荷和总无功负荷、电网的节点之间交流线路的有功功率和无功功率、电网的各母线电压的幅值和相角、电网中各发电机的最大功角差、含有暂态稳定状态信息的故障点以及故障点相邻节点的各发电机有功出力和无功出力、负荷节点的有功负荷和无功负荷、各母线电压的幅值和相角及交流线路开断特征,电网各节点的度数值。
3.根据权利要求1的电力系统社区探测方法,其特征在于,所述的电网中各节点属性矩阵M中每一个列向量代表电网中每个节点独立于电网拓扑结构的电气量特征,电气量特征分别为电网中注入节点的总有功功率、电网中注入节点的总无功功率、电网中各节点的电压幅值、电网中各节点的电压相角、发电机节点的总有功出力、发电机节点的总无功出力、电网中各节点的总有功负荷以及电网中各节点的总无功负荷、电网中各节点的节点度数。
4.根据权利要求1的电力系统社区探测方法,其特征在于,所述电网拓扑加权邻接矩阵W的表达式如下:
其中,n为电力系统中的节点个数,wij为W中的第i行、第j列的元素,i=1,2,…,j=1,2,…,Lre表示考虑负荷波动和发电机出力的线路负载率,δij表示节点i和节点j之间的连接关系,当节点i和节点j之间有连接时δij=1,当节点i和节点j之间无连接时δij=0。
5.根据权利要求1的电力系统社区探测方法,其特征在于,所述电力系统节点属性的余弦相似度矩阵S的表达式为:
其中,第i行第j列元素表示所述节点属性矩阵M中各节点属性归一化后的余弦相似度,和分别表示所述节点属性矩阵M的第i行和第j行归一化后的向量。
6.根据权利要求1的电力系统社区探测方法,其特征在于,所述改进k-means聚类算法的改进包括:
(1)根据Val(k)指标确定最大聚类个数k:
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;
(2)根据密度参数和欧氏距离确定初始聚类中心。
7.根据权利要求1的电力系统社区探测方法,其特征在于,所述步骤(5)中,改进k-means聚类算法进行聚类分析,包括:
(1)根据Val(k)指标确定最大聚类个数k:
Val(k)表示聚类中类内距离与类间距离的比值,具体计算公式入下:
其中,k为聚类个数,vi表示每一类Ci的中心,Ci表示第i个聚类,vj表示每一类Cj的中心,Cj表示第j个聚类,N为数据集的个数,i=1,2,...,k-1;j=i+1,i+2,...,k;Ia(k)表示类内距离,Ir(k)表示类间距离;
(2)向改进k-means聚类算法输入所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示以及通过采用Val(k)指标确定的最大聚类个数k;
(3)根据密度参数和欧氏距离确定初始聚类中心;
(4)将每个节点分配到距离最近的类中;
(5)重新计算各个聚类中心,即每个聚类中心的样本均值
(6)利用下式,计算评价聚类性能的准则函数值:
其中,E表示所有节点向量表示与所属类的中心的均方差之和,k为聚类个数,wj表示类Cj的均值,Cj表示第j个聚类,il表示每个节点的低维度的向量表示形成的数据集;
(7)设定准则函数值的阈值,对步骤(6)计算的准则函数值进行判断,若准则函数值小于阈值,则输出聚类结果,若步骤(6)计算的准则函数值大于或等于阈值,则返回步骤(2),直到满足设定的准则函数阈值,输出聚类结果。
8.根据权利要求6或7所述的电力系统社区探测方法,其特征在于,所述根据密度参数和欧氏距离确定初始聚类中心,包括:
(1)统计电力系统中每个节点的节点半径r区域内的密度参数,并将密度参数由大到小进行排序;
(2)选取密度参数最大的节点作为第一个聚类中心;
(3)计算电力系统中其余节点与第一个聚类中心的欧氏距离ρ1;
(4)选取欧氏距离最大、且密度参数较大的节点作为第二个聚类中心;
(5)计算电力系统剩余节点与前两个聚类中心距离之和ρ2;
(6)选取距离之和ρ2最大、且密度参数较大的节点作为第三个聚类中心;
(7)计算电力系统剩余节点与前两个聚类中心距离之和ρi;
(8)选取距离之和ρi最大、且密度参数较大的节点作为第i+1个聚类中心;
(9)重复步骤(7)和步骤(8),直至确定得到所有初始聚类中心。
9.一种基于加速属性网络嵌入算法的电力系统社区探测装置,其特征在于,包括:
信息采集模块,用于从能量管理系统和同步相量测量装置获取电力系统的实时运行状态;
构建电网初始特征集模块,用于根据电网拓扑结构信息和电力系统运行方式信息,构建电网的初始特征集;
计算模块,用于根据步骤所述初始特征集,计算电网拓扑加权邻接矩阵W、电力系统节点属性矩阵M和电力系统节点属性的余弦相似度矩阵S;
嵌入表示学习模块,用于根据步所述拓扑结构信息和运行方式信息及所述电网拓扑加权邻接矩阵W及电力系统节点属性矩阵M,分别建立电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS,融合电力系统各节点在拓扑空间可属性空间的关系模型建立联合嵌入表示模型J,利用交替方向乘子法,求解该联合嵌入表示模型J,得到共识嵌入向量H,根据该共识嵌入向量H,得到融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示;
聚类分析模块,用于根据所述融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示结果,采用改进k-means聚类算法进行聚类分析,得到电力系统社区探测结果;所述嵌入表示学习模块中,所述电力系统各节点在拓扑空间关系模型Jw和属性空间的关系模型JS分别为:
其中,J为联合嵌入表示模型,wij为电网网络拓扑加权邻接矩阵W中的第i行第j列元素,H表示融合电力系统各节点的拓扑信息以及节点属性信息的低维度的向量表示,HT表示H的转置矩阵,hi和hj表示共识嵌入矩阵H的第i行和第j行,表示弗洛伯尼范数,||.||2表示2范数,λ表示正则项系数,用于控制优化环节中参数调整敏感度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063093.9A CN113836707B (zh) | 2021-09-10 | 2021-09-10 | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063093.9A CN113836707B (zh) | 2021-09-10 | 2021-09-10 | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836707A CN113836707A (zh) | 2021-12-24 |
CN113836707B true CN113836707B (zh) | 2024-07-12 |
Family
ID=78958978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063093.9A Active CN113836707B (zh) | 2021-09-10 | 2021-09-10 | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836707B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244284B (zh) * | 2022-12-30 | 2023-11-14 | 成都中轨轨道设备有限公司 | 一种基于立体内容的大数据处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112398678A (zh) * | 2020-10-16 | 2021-02-23 | 清华大学 | 适用于多源异构电网的运行方式拓扑结构特征提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542147A (zh) * | 2010-12-31 | 2012-07-04 | 北京科东电力控制系统有限责任公司 | 一种电力网络中厂站之间拓扑相似性的度量方法 |
CN104680262A (zh) * | 2015-03-18 | 2015-06-03 | 国网上海市电力公司 | 一种受端电网最优分层分区方案获取方法 |
US11693924B2 (en) * | 2019-06-06 | 2023-07-04 | Hitachi, Ltd. | System and method for maintenance recommendation in industrial networks |
CN112886589B (zh) * | 2021-04-09 | 2022-09-20 | 华中科技大学 | 基于社区挖掘的供电分区方法、系统、终端、介质及配电网 |
-
2021
- 2021-09-10 CN CN202111063093.9A patent/CN113836707B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112398678A (zh) * | 2020-10-16 | 2021-02-23 | 清华大学 | 适用于多源异构电网的运行方式拓扑结构特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113836707A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Full-scale distribution system topology identification using Markov random field | |
Kang et al. | A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence | |
Razavi-Far et al. | Correlation clustering imputation for diagnosing attacks and faults with missing power grid data | |
CN108009710A (zh) | 基于相似度和TrustRank算法的节点测试重要度评估方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN115270986A (zh) | 数据异常检测方法、装置和计算机设备 | |
CN106060008A (zh) | 一种网络入侵异常检测方法 | |
CN109471049B (zh) | 一种基于改进堆叠自编码器的卫星电源系统异常检测方法 | |
CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
CN113836707B (zh) | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 | |
CN110287237B (zh) | 一种基于社会网络结构分析社团数据挖掘方法 | |
CN111311434A (zh) | 用电设备负荷分离方法、装置、计算机设备和存储介质 | |
Sun et al. | Fast transient stability prediction using grid-informed temporal and topological embedding deep neural network | |
Enikeeva et al. | Change-point detection in dynamic networks with missing links | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
CN112886589B (zh) | 基于社区挖掘的供电分区方法、系统、终端、介质及配电网 | |
Wang et al. | A cell screening method for lithium-ion battery grouping based on pre-trained data-driven model with multi-source time series data | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction | |
Román-Messina et al. | Multiview spectral clustering of high-dimensional observational data | |
Cabanes et al. | On the use of Wasserstein metric in topological clustering of distributional data | |
Li et al. | Power Load Curve Clustering based on ISODATA | |
Deng et al. | Topology Estimation of Power Distribution Grids Using Graphical Model | |
Liu et al. | Time-Adaptive Transient Stability Assessment Based on the Gating Spatiotemporal Graph Neural Network and Gated Recurrent Unit | |
Zhang et al. | Topology identification method of low voltage aea based on topological data analysis | |
Xin et al. | Research on electric vehicle charging load prediction method based on spectral clustering and deep learning 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 |