CN114006370A - 一种电力系统暂态稳定分析评估方法及系统 - Google Patents
一种电力系统暂态稳定分析评估方法及系统 Download PDFInfo
- Publication number
- CN114006370A CN114006370A CN202111277178.7A CN202111277178A CN114006370A CN 114006370 A CN114006370 A CN 114006370A CN 202111277178 A CN202111277178 A CN 202111277178A CN 114006370 A CN114006370 A CN 114006370A
- Authority
- CN
- China
- Prior art keywords
- power system
- evaluation
- power
- neural network
- graph
- 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
- 230000001052 transient effect Effects 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 10
- 238000012423 maintenance Methods 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力系统暂态稳定分析评估方法及系统，所述方法包括以下步骤：获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；将获取的参数输入预训练好的图神经网络模型，获取模型输出结果；基于模型输出结果完成电力系统暂态稳定分析评估。本发明方法，能够同时提取电网的运行特征和结构特征，对于电网变化的网络拓扑结构(如检修、停运等情况)具有较强的泛化能力；可自动提取不确定特征，具有源荷随机波动条件下电网稳定分析的能力；其稳定评估计算速度快，可实现海量、多类型故障下的快速评估。
Description
技术领域
本发明属于电力系统暂态稳定评估技术领域，特别涉及一种电力系统暂态稳定分析评估方法及系统。
背景技术
随着电网互联范围的扩大以及大规模可再生能源的接入，电力系统的安全稳定分析和调度运行控制面临更为严峻的考验，传统的“人工+设备+经验判断”的半自动生产方式已经不能很好满足当前电网的调度运行需求。现有暂态稳定评估一般采用时域仿真实现，随着电网规模的不断扩大，现有方法耗时长、效率低的不足表现得越来越突出，在线应用较为困难；另外，直接法则是从能量的角度分析计算电力系统稳定性，计算速度较快，但结果往往偏保守，只可定性分析稳定性。
随着广域量测技术的成熟和人工智能技术的发展，应用数据驱动方法对电力系统运行中的海量数据进行分析，将为大电网的在线安全评估与预防控制带来新的理论方法和技术手段。部分研究开始探索机器学习方法在电力系统暂态稳定评估中的应用，如决策树、支持向量机SVM、卷积神经网络CNN等。然而，电力系统运行状态本身构成了一个典型的图数据结构，为非欧几里得空间数据，目前大部分机器学习方法无法考虑线路拓扑特征对于电网稳定性的影响，而网络拓扑变化对于电网稳定特征具有重要的影响。综上，亟需一种新的电力系统暂态稳定分析评估方法及系统。
发明内容
本发明的目的在于提供一种电力系统暂态稳定分析评估方法及系统，以解决上述存在的一个或多个技术问题。本发明方法基于改进图神经网络进行电力系统稳定评估分析，能够同时提取电网的运行特征和结构特征，对于电网变化的网络拓扑结构(如检修、停运等情况)具有较强的泛化能力；可自动提取不确定特征，具有源荷随机波动条件下电网稳定分析的能力；其稳定评估计算速度快，可实现海量、多类型故障下的快速评估。
为达到上述目的，本发明采用以下技术方案：
本发明的一种电力系统暂态稳定分析评估方法，包括以下步骤：
获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；所述运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
将获取的参数输入预训练好的图神经网络模型，获取模型输出结果；
基于模型输出结果完成电力系统暂态稳定分析评估。
本发明的进一步改进在于，所述图神经网络模型包括：
图卷积层，用于输入线路拓扑连接矩阵与运行特征向量，计算并输出计算结果；所述图卷积层的层数为多层；
全连接层，用于输入所述图卷积层输出的计算结果，处理后输出模型输出结果；其中，所述模型输出结果的维度为1。
本发明的进一步改进在于，每一层图卷积层的计算公式为，
式中，σ(·)表示可选择的激活函数，H(l)为图神经网络每一层的特征，A为线路拓扑连接矩阵；
是加入自连接的无向图G的邻接矩阵，
是
的节点度矩阵，W(l)表示第l层可训练的权重矩阵，H(0)为输入的运行特征向量；In为单位矩阵；无向图G＝(V,E)，其中V为节点，E为连接边。
本发明的进一步改进在于，每一层图卷积层均加入残差网络，计算表达式为，
H(l+1)＝σ(Z(l+1))+H(l)，
式中，Z(l+1)为第l层图卷积层输出的中间变量。
本发明的进一步改进在于，所述基于模型输出结果完成电力系统暂态稳定分析评估的步骤具体包括：
将模型输出结果与预设阈值比较，根据比较结果实现电力系统暂态稳定分析评估。
本发明的进一步改进在于，所述模型输出结果的范围为0～1。
本发明的进一步改进在于，所述预训练好的图神经网络模型的获取步骤包括：
获取训练样本集；其中，训练样本集中每个样本的输入特征均包括：线路拓扑连接矩阵和运行特征向量；运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
基于获得的训练样本集对图神经网络模型进行训练，达到预设收敛条件后，获得预训练好的图神经网络模型。
本发明的进一步改进在于，所述基于获得的训练样本集对图神经网络模型进行训练，达到预设收敛条件后，获得预训练好的图神经网络模型的步骤具体包括：
每次从训练样本集中随机抽取预设数量的样本，设置学习率，采用Adam方法对模型进行训练，损失函数为交叉熵，表达式为，
式中，
为图神经网络输出；y为电网实际的稳定标签；log为以10为底的对数；
训练直至模型损失函数小于设定的阈值，获得预训练好的图神经网络模型。
本发明的进一步改进在于，所述获取训练样本集的步骤具体包括：
基于电力系统的仿真模型，随机设置不同的发电或负荷水平、不同的故障类型或位置、以及不同的电网线路拓扑结构，通过时域动态仿真生成故障后电力系统的运行轨迹；基于运行轨迹判断电力系统是否稳定，生成稳定与否的标签y；
输入特征为电力系统的运行特征向量X以及线路拓扑连接矩阵A；其中，运行特征向量X为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；线路拓扑连接矩阵A表示两个节点之间的连接关系，节点间有线路则标为1，否则为0；
基于标签y和输入特征构建训练样本集为{xj,aj|yj}，xj∈X，aj∈A,j＝1,2…,N，N为样本总数，xj为运行特征向量X数据样本集的第j个样本，aj为线路拓扑连接矩阵A数据样本集的j个样本。
本发明的一种电力系统暂态稳定分析评估系统，包括：
第一获取模块，用于获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；所述运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
第二获取模块，用于将所述第一获取模块获取的参数输入预训练好的图神经网络模型，获取模型输出结果；
评估模块，用于基于所述第二获取模块获取的模型输出结果完成电力系统暂态稳定分析评估。
与现有技术相比，本发明具有以下有益效果：
本发明方法基于改进图神经网络进行电力系统稳定评估分析，能够同时提取电网的运行特征和结构特征(解释性的，图神经网络同时输入了拓扑矩阵A以及运行状态向量X，因此可以同时考虑这两个方面，传统方法没法考虑拓扑变化特征A)，对于电网变化的网络拓扑结构(如检修、停运等情况)具有较强的泛化能力；可自动提取不确定特征(示例性的，图神经网络通过模型训练与参数更新，自动学习电网数据随机性分布规律)，具有源荷随机波动条件下电网稳定分析的能力；其稳定评估计算速度快，可实现海量、多类型故障下的快速评估(示例性的，传统仿真方法计算速度较慢，一般为几十秒至分钟级，而训练好的图神经网络，能够实现ms级的快速稳定评估)。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图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是本发明对比例3中，CNN方法基本流程示意图；其中，图1中(a)为CNN方法流程示意图，图1中(b)为CNN网络结构示意图；
图2是本发明实施例中，基于改进GNN方法的电力系统暂态稳定评估模型原理示意图；
图3是本发明实施例的一种基于改进图神经网络的电力系统暂态稳定分析评估方法的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
对比例1
时域仿真法是电力系统暂态稳定分析的重要方法，已经广泛应用并取得良好效果。时域仿真法通常以稳态或者初始状态潮流为基础初值，通过数值积分方法求解状态方程，进而得到电力系统的受扰轨迹，最后根据受扰轨迹情况判定电力系统稳定性。电力系统拓扑结构和运行特性决定了仿真最大时长。
基于时域仿真法的电力系统暂态稳定性分析方法，可等效为对电力系统轨迹的分析；其基本思路为：根据电力系统实际状态选取最能表征电力系统状态量的一到两个维度数据，经变换或者基于物理原理的时域仿真计算，抽象为一条或者多条在特定空间内的曲线或平面，即为轨迹；根据轨迹特性即可评估电力系统的暂态稳定性。
时域仿真法可较为详尽地描述电力系统模型，并根据不同的计算需求调整模型。时域仿真法计算精度高，可通过并行计算加快计算速度，计算结果可直接对应电力系统物理量。然而，时域仿真法也尚存在一些缺点，主要包括：1)计算成本较高；2)对于拓扑结构变化的电力系统需要不断调整数学模型，增加了计算复杂度；3)分析计算过程中存在一定程度的计算误差和模型简化，对于拓扑结构复杂的电力系统适用性较差；4)无法对不确定性因素建模，分析逻辑存在明显缺陷。
对比例2
电力系统是一种动态平衡系统，表征电力系统的物理量具有一定的波动性，这种波动性可转化为电力系统能量，用于表征电力系统暂态稳定性。直接法以李雅普诺夫稳定性理论为基础，定性分析电力系统稳定性，而不需要暂态全过程的数值积分计算；直接法分析电力系统暂态稳定性可分为三类：第一，能量函数方法，从能量的角度考察分析暂态稳定性问题，通过比较暂态结束时系统能量和临界能量判定系统暂态稳定性；第二，扩展等面积定则EEAC；第三，时域仿真法与直接法相结合的混合方法。
直接法是从能量的角度分析计算电力系统稳定性，计算速度较快，但结果往往偏保守，结果准确度不高，可定性分析稳定性。
对比例3
典型的卷积神经网络由卷积层、池化层和全连接层构成。卷积层局部连接和权值共享的特点，使得网络自由参数大幅度降低，训练复杂度大幅度下降，并减轻了过拟合；而池化层既能使特征减少，又赋予模型对于轻微变形的容忍性，提高了模型的泛化能力。
请参阅图1，本发明对比例3的一种CNN方法，主要流程包括：
1)运行方式生成：一般是通过离线仿真计算，针对特定网络进行大量运行方式下的各种故障仿真，以得到样本集。
2)稳定扫描：对样本集中的每个运行方式，针对预想故障集中的故障，采用时域仿真法判断系统是否稳定。
3)输入特征选择和特征图构建：可采用发电机有功出力、负荷有功功率和关键线路有功功率作为输入特征；这些特征量可通过SCADA状态估计后得到，在构建特征图时，直接将一维特征依序排列成二维矩阵。
4)CNN模型建立和训练，图1中(a)、图1中(b)所示。
5)在线应用时，对于当前运行方式，根据输入特征形成特征图，采用离线训练好的模型进行分类。
卷积神经网络CNN方法适用于欧几里得空间的结构化数据，但电力系统为一个典型的非欧空间的图数据结构，CNN难以提取系统的拓扑结构特征，对于电力系统运行不同变量之间的相互耦合影响和拓扑变化的泛化能力不足。
基于上述现有技术的特点及缺陷分析，本发明实施例提供了新的技术方案；本发明实施例中，采用图神经网络GNN解决电力系统的暂态稳定快速评估问题，主要用于解决传统方法存在以下几点技术问题：
(1)解决传统机理方法无法快速生成评估结果的问题，能够实时生成暂态稳定评估结果，支持在线应用。
(2)实现电力系统运行特征的自动化、自适应提取，避免人工构建特征，应对电力系统运行方式的多样性和不确定性。
(3)相比于CNN、SVM等机器学习方法，能够同时考虑电力系统的结构拓扑特征与运行特征。
请参阅图2和图3，本发明实施例的一种基于改进图神经网络的电力系统暂态稳定分析评估方法，包括以下步骤：
获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵A和运行特征向量X；所述运行特征向量X为由母线电压、母线相角、线路潮流、节点注入功率、节点流出功率构成的向量；所述电力系统的具体结构示例性的可以参考电力系统分析(第三版)，中国电力出版社，夏道止，杜正春主编，2019；
将获取的参数输入预训练好的图神经网络模型，获取所述图神经网络模型的输出结果；
基于所述输出结果完成电力系统暂态稳定分析评估。
本发明实施例中，所述图神经网络模型的结构为：
①输入为连接矩阵A与运行特征向量X；
②之后为M层图卷积层，每一层图卷积层的计算公式为，
式中，
是加入自连接的无向图G的邻接矩阵，
是
的节点度矩阵，
W(l)表示第l层可训练的权重矩阵，σ(·)表示可选择的激活函数，H(l)为图神经网络每一层的特征，H(0)为输入X，即电力系统运行状态变量。
③优选的，每一层图卷积层加入残差网络，即将节点自身特征向量从上一层直接传输到下一层，计算公式为，
④之后连接两层全连接层，最后一层全连接层输出维度为1；
⑤输出结果范围为0～1。
本发明实施例中，所述基于所述输出结果完成电力系统暂态稳定分析评估时，将输出结果与预设阈值比较，完成分析评估；示例性的，预设阈值为0.5，大于等于0.5的代表系统稳定，否则代表系统失稳；或者，设置第一预设阈值和第二预设阈值，大于等于第一预设阈值的代表系统稳定，小于等于第二预设阈值的代表系统失稳。
本发明实施例中，所述预训练好的图神经网络模型的获取步骤包括：
获取训练样本集；其中，每个样本包括：线路拓扑连接矩阵A、特征向量X(由母线电压、母线相角、线路潮流、节点注入功率、节点流出功率等构成的向量)；
基于获得的训练样本集对图神经网络模型进行训练，达到预设收敛条件后，获得预训练好的图神经网络模型。
本发明实施例的方法基于改进图神经网络进行电力系统稳定评估分析，能够同时提取电网的运行特征和结构特征，对于电网变化的网络拓扑结构(如检修、停运等情况)具有较强的泛化能力；可自动提取不确定特征，具有源荷随机波动条件下电网稳定分析的能力；其稳定评估计算速度快，可实现海量、多类型故障下的快速评估。
本发明实施例的一种基于改进图神经网络的电力系统暂态稳定分析评估方法，包括以下步骤：
步骤1、生成样本集。
步骤101、基于电力系统的仿真模型，随机设置不同的发电/负荷水平、不同的故障类型或位置、以及不同的电网线路拓扑结构，通过时域动态仿真生成故障后电力系统的运行轨迹(即电网中各发电机的功角曲线的摆动轨迹)，如系统内所有机组的相角变化轨迹。
步骤102、输入特征为电力系统运行特征向量X，以及线路拓扑连接矩阵A。运行特征向量X包括母线电压、线路潮流、节点注入功率、节点流出功率等。连接矩阵A表示两个节点之间的连接关系，节点间有线路则标为1，否则为0。
步骤103、根据轨迹特征，如故障后所有机组的相角差，生成样本标签y，标签表示当前电力系统是否暂态稳定，也可以直接采集电力系统历史故障数据，构建的数据集为{xj,aj|yj}，xj∈X，aj∈A,j＝1,2…,N。
步骤104、由于X中不同特征的数量级不同，需进行特征归一化处理。
步骤2、针对电力系统的图数据结构，建立图神经网络模型。
步骤201、将电力系统网络定义为一个具有n个节点和m条边简单连通无向图G＝(V,E)，其中V为节点，E为连接边。
步骤202、通过傅里叶变换，将空域中的任意图信号f,h映射到频域中进行点积，再通过逆变换返回空域，完成电网拓扑图上信息f和h的卷积操作，
式中，F为傅里叶变换，F-1为傅里叶反变换,下标G代表在图上进行的卷积操作；
步骤203、对于N个节点的网络，定义L0为该图的拉普拉斯矩阵，图拉普拉斯算子作用于图节点信息构成的向量f如下，
式中，D为度矩阵，Q为考虑权值的邻接矩阵，f1…fN为输入向量f的各分量，q1…qN为矩阵Q的分量,d1…dN为度矩阵D的对角线元素。
步骤204、网络图上的傅里叶变换为，
其中，λk、uk分别为图拉普拉斯矩阵L0的特征值与特征向量，uk(i)表示特征向量uk的第i个分量，N代表分量个数，下标T强调此变换为图上的傅里叶变换。
步骤205、根据式(1)分别将信号f和h替换为节点特征与卷积核参数。具体而言，利用电网的邻接矩阵A构造一个归一化图拉普拉斯矩阵L＝In-D-1/2AD-1/2，In为单位矩阵，Λ是L的特征值组成的对角矩阵。将特征x与滤波器在傅里叶域中的乘积表示为图谱卷积，则特征X与滤波器gγ(Λ)＝diag(γ)的图卷积运算表示为：
其中，γ∈RN对应于频谱滤波器系数的向量，diag表示返回矩阵的对角线元素，L是一个对称的半正定矩阵，UΛUT表示L的特征分解，而U∈RN×N是由L的特征向量组成的酉矩阵，θ∈RK+1对应于多项式系数的向量。
步骤206、设置K＝1，并对上式采用重正则化技巧，得到图卷积层的传播规则为
式中，
是加入自连接的无向图G的邻接矩阵，
是
的节点度矩阵，
W(l)表示第l层可训练的权重矩阵，σ(·)表示可选择的激活函数，H(l)为图神经网络每一层的特征，H(0)为输入X，即电力系统运行状态变量。
步骤3、为克服图神经网络的过渡平滑问题，提升模型精度，加入残差网络，将节点自身特征向量从上一层直接传输到下一层，即
H(l+1)＝σ(Z(l+1))+H(l) (7)
式中，Z(l+1)为第l层图神经网络输出的中间变量。
步骤4、图神经网络最终输出结果H(L)后，采用全连接层输出最后的评估结果，即稳定/不稳定。
步骤5模型训练。每次从样本中随机抽取m个用于模型训练，学习率设置为lr，采用Adam方法对模型进行训练，损失函数为交叉熵，
其中，
为图神经网络输出；log为以10为底的对数；训练直至模型损失函数小于设定的阈值。
本发明实施例的方法中，构建的图神经网络模型，不需要对电力系统进行机理建模，训练后的模型可直接、实时进行暂态稳定评估，支持在线应用，解决传统方法计算速度慢的问题。可应对电力系统运行方式的多样性和不确定性，进行运行特征的自适应提取，避免机理模型的复杂建模过程。图神经网络能够同时考虑电力系统的结构拓扑特征与运行特征，对于暂态稳定分析，尤其是拓扑变化下的评估结果，具有更好的泛化能力。
进一步的，采用残差网络的连接方式，能够减轻GNN网络的特征平滑问题，具有更高的暂态稳定评估精度。
本发明实施例可选的，步骤102中，输入特征为电力系统的多维度运行状态X，但仅输入其中的某一些特征，如仅输入线路潮流分布，也可以进行暂态稳定判断；步骤206中，激活函数可以采用不同的形式，如ReLU，LeakyReLU等；步骤5中，训练方法可采用随机梯度下降法SGD替代Adam，但实践表明Adam算法更好。
本发明采用图神经网络模型进行电力系统暂态稳定评估，属于数据驱动方法，无物理模型、简化假设等限制，模型精度高，可扩展性强；本发明能够同时考虑系统的拓扑特征和运行特征，对于线路拓扑变化的泛化能力更强；本发明采用残差网络进一步提升模型性能，具有更高精度。
本发明实施例中的术语解释：
GNN(Graph neural network)为图神经网络；CNN(Convolutional neuralnetworks)为卷积神经网络；Adam(Adaptive moment estimation)为自适应矩估计；SGD(Stochastic gradient descent)为随机梯度下降法；FCNN(Fully connected neuralnetwork)为全连接神经网络；SVM(Support vector machine)为支持向量机；EEAC(extended equal-area criterion)为扩展等面积定则。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种电力系统暂态稳定分析评估系统，包括：
第一获取模块，用于获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；所述运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率、节点流出功率构成的向量；
第二获取模块，用于将获取的参数输入预训练好的图神经网络模型，获取模型输出结果；
评估模块，用于基于模型输出结果完成电力系统暂态稳定分析评估。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电力系统暂态稳定分析评估方法，其特征在于，包括以下步骤：
获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；所述运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
将获取的参数输入预训练好的图神经网络模型，获取模型输出结果；
基于模型输出结果完成电力系统暂态稳定分析评估。
2.根据权利要求1所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述图神经网络模型包括：
图卷积层，用于输入线路拓扑连接矩阵与运行特征向量，计算并输出计算结果；所述图卷积层的层数为多层；
全连接层，用于输入所述图卷积层输出的计算结果，处理后输出模型输出结果；其中，所述模型输出结果的维度为1。
3.根据权利要求2所述的一种电力系统暂态稳定分析评估方法，其特征在于，每一层图卷积层的计算公式为，
式中，σ(·)表示可选择的激活函数，H(l)为图神经网络每一层的特征，A为线路拓扑连接矩阵；
是加入自连接的无向图G的邻接矩阵，
是
的节点度矩阵，W(l)表示第l层可训练的权重矩阵，H(0)为输入的运行特征向量；In为单位矩阵；无向图G＝(V,E)，其中V为节点，E为连接边。
4.根据权利要求2所述的一种电力系统暂态稳定分析评估方法，其特征在于，每一层图卷积层均加入残差网络，计算表达式为，
H(l+1)＝σ(Z(l+1))+H(l)，
式中，Z(l+1)为第l层图卷积层输出的中间变量。
5.根据权利要求1所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述基于模型输出结果完成电力系统暂态稳定分析评估的步骤具体包括：
将模型输出结果与预设阈值比较，根据比较结果实现电力系统暂态稳定分析评估。
6.根据权利要求5所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述模型输出结果的范围为0～1。
7.根据权利要求1所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述预训练好的图神经网络模型的获取步骤包括：
获取训练样本集；其中，训练样本集中每个样本的输入特征均包括：线路拓扑连接矩阵和运行特征向量；运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
基于获得的训练样本集对图神经网络模型进行训练，达到预设收敛条件后，获得预训练好的图神经网络模型。
8.根据权利要求7所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述基于获得的训练样本集对图神经网络模型进行训练，达到预设收敛条件后，获得预训练好的图神经网络模型的步骤具体包括：
每次从训练样本集中随机抽取预设数量的样本，设置学习率，采用Adam方法对模型进行训练，损失函数为交叉熵，表达式为，
式中，
为图神经网络输出；y为电网实际的稳定标签；log为以10为底的对数；
训练直至模型损失函数小于设定的阈值，获得预训练好的图神经网络模型。
9.根据权利要求7所述的一种电力系统暂态稳定分析评估方法，其特征在于，所述获取训练样本集的步骤具体包括：
基于电力系统的仿真模型，随机设置不同的发电或负荷水平、不同的故障类型或位置、以及不同的电网线路拓扑结构，通过时域动态仿真生成故障后电力系统的运行轨迹；基于运行轨迹判断电力系统是否稳定，生成稳定与否的标签y；
输入特征为电力系统的运行特征向量X以及线路拓扑连接矩阵A；其中，运行特征向量X为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；线路拓扑连接矩阵A表示两个节点之间的连接关系，节点间有线路则标为1，否则为0；
基于标签y和输入特征构建训练样本集为{xj,aj|yj}，xj∈X，aj∈A,j＝1,2…,N，N为样本总数，xj为运行特征向量X数据样本集的第j个样本，aj为线路拓扑连接矩阵A数据样本集的j个样本。
10.一种电力系统暂态稳定分析评估系统，其特征在于，包括：
第一获取模块，用于获取待暂态稳定分析评估的电力系统的参数；其中，所述参数包括线路拓扑连接矩阵和运行特征向量；所述运行特征向量为由母线电压、母线相角、线路潮流、节点注入功率和节点流出功率中的一种或多种构成的向量；
第二获取模块，用于将所述第一获取模块获取的参数输入预训练好的图神经网络模型，获取模型输出结果；
评估模块，用于基于所述第二获取模块获取的模型输出结果完成电力系统暂态稳定分析评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277178.7A CN114006370B (zh) | 2021-10-29 | 2021-10-29 | 一种电力系统暂态稳定分析评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277178.7A CN114006370B (zh) | 2021-10-29 | 2021-10-29 | 一种电力系统暂态稳定分析评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114006370A true CN114006370A (zh) | 2022-02-01 |
| CN114006370B CN114006370B (zh) | 2024-06-18 |
Family
ID=79925647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111277178.7A Active CN114006370B (zh) | 2021-10-29 | 2021-10-29 | 一种电力系统暂态稳定分析评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114006370B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861526A (zh) * | 2022-04-15 | 2022-08-05 | 国网北京市电力公司 | 一种电压暂降源识别方法、系统、装置及存储介质 |
| CN116228206A (zh) * | 2023-04-25 | 2023-06-06 | 宏景科技股份有限公司 | 数据中心运维管理方法、装置、电子设备及运维管理系统 |
| CN117650533A (zh) * | 2024-01-26 | 2024-03-05 | 国网冀北电力有限公司 | 基于图网络大数据模型的电力系统潮流分析方法及装置 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN118508437A (zh) * | 2024-07-17 | 2024-08-16 | 浙江大学 | 基于多源数据混合驱动的电力系统暂态稳定判定方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111725802A (zh) * | 2020-06-03 | 2020-09-29 | 杭州电子科技大学 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
| CN113435575A (zh) * | 2021-06-22 | 2021-09-24 | 国网黑龙江省电力有限公司 | 基于不平衡数据的门图神经网络暂态稳定性评估方法 |
-
2021
- 2021-10-29 CN CN202111277178.7A patent/CN114006370B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111725802A (zh) * | 2020-06-03 | 2020-09-29 | 杭州电子科技大学 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN112330165A (zh) * | 2020-11-11 | 2021-02-05 | 中国电力科学研究院有限公司 | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 |
| CN113435575A (zh) * | 2021-06-22 | 2021-09-24 | 国网黑龙江省电力有限公司 | 基于不平衡数据的门图神经网络暂态稳定性评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| MAHSA GHORBANI等: "MGCN: Semi-supervised Classification in Multi-layer Graphs with Graph Convolutional Networks", 《2019 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING 》, pages 208 - 211 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861526A (zh) * | 2022-04-15 | 2022-08-05 | 国网北京市电力公司 | 一种电压暂降源识别方法、系统、装置及存储介质 |
| CN116228206A (zh) * | 2023-04-25 | 2023-06-06 | 宏景科技股份有限公司 | 数据中心运维管理方法、装置、电子设备及运维管理系统 |
| CN117650533A (zh) * | 2024-01-26 | 2024-03-05 | 国网冀北电力有限公司 | 基于图网络大数据模型的电力系统潮流分析方法及装置 |
| CN117650533B (zh) * | 2024-01-26 | 2024-04-12 | 国网冀北电力有限公司 | 基于图网络大数据模型的电力系统潮流分析方法及装置 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN118508437A (zh) * | 2024-07-17 | 2024-08-16 | 浙江大学 | 基于多源数据混合驱动的电力系统暂态稳定判定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114006370B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
| CN110535146B (zh) | 基于深度确定策略梯度强化学习的电力系统无功优化方法 | |
| CN102074955B (zh) | 基于知识发现技术的电力系统稳定评估及控制方法 | |
| US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| Liu et al. | Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning | |
| CN104113061B (zh) | 一种含分布式电源的配电网三相潮流计算方法 | |
| LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
| Rahman et al. | Machine learning-aided security constrained optimal power flow | |
| CN112069727A (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
| CN111798037B (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
| Yan et al. | Multi-Agent Safe Graph Reinforcement Learning for PV Inverters-Based Real-Time Decentralized Volt/Var Control in Zoned Distribution Networks | |
| CN115688574A (zh) | 一种电力系统的暂态稳定在线评估方法及系统 | |
| CN118316033A (zh) | 基于cnn-gru与arima模型的电力负荷预测方法 | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| Wang et al. | A review of deep reinforcement learning applications in power system parameter estimation | |
| Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
| CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
| CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
| CN115936303A (zh) | 基于机器学习模型进行暂态电压安全分析方法 | |
| CN112651628A (zh) | 一种基于胶囊神经网络的电力系统暂态稳定评估方法 | |
| CN111798049B (zh) | 一种基于集成学习与多目标规划的电压稳定评估方法 | |
| Zhang et al. | Fast Shapelet Learning for Power System Dominant Instability Mode Identification | |
| CN118378553B (zh) | 一种数字孪生模型构建方法及系统 |
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 |