CN114091816A - 基于数据融合的门控图神经网络的配电网状态估计方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的门控图神经网络的配电网状态估计方法。该方法首先基于MLP和ARIMA模型进行伪量测和量测变换，提出了一种针对PMU/SCADA混合量测的融合方法；然后提出了一种基于GGNN网络结构的配电网快速状态估计方法，该方法从时空两个维度提取配电网状态信息，以历史数据构造融合数据集作为输入，节点电压相量作为输出，利用图网络结构提取电网拓扑结构信息，利用门控单元捕捉时序信息的变动趋势，以深层架构拟合量测量到状态量的映射关系，基于训练得到的GGNN网络可以高效地进行配电网状态估计。本发明以IEEE33系统和IEEE118系统为例给出了详细的算法描述，设计了映射实验和鲁棒性实验验证了算法的有效性。

Description

基于数据融合的门控图神经网络的配电网状态估计方法

技术领域

本发明涉及电力系统中配电网的状态估计，尤其是涉及一种基于数据融合的门控图神经网络的配电网状态估计方法。

背景技术

随着分布式发电的渗透率逐渐提升以及大量用户侧可调资源的不断接入，配电网中源荷互动行为日益增加。由于分布式发电出力主要由天气因素决定(光照强度，风速等)，导致其具有较强的间歇性，波动性，从而导致配电网双向功率频发，配电网的运行与控制方式变得更为复杂，提升了配电网的运行控制难度。

为了保证配电网运行可靠、安全和经济，提高用户的用电质量，对配电网运行状态进行精确感知是关键且迫切的。状态估计是配电网进行状态感知的核心功能之一，配电网需求响应，暂态和电压稳定性分析，运行优化都建立在状态估计结果的基础上。因此提高状态估计的精确性和估计速度，对保证配电网实时安全稳定运行是关键且迫切的。为了充分挖掘海量配电网数据的信息和价值，采用数据驱动方法对配电网量测数据进行分析，以提高对配电网状态感知的能力是关键而迫切的。

(1)量测装置

目前电力系统中配置了2套量测系统，分别是数据监控采集系统(SupervisoryControl and Data Acquisition,SCADA)和基于相量测量单元(Phasor MeasurementUnits,PMU)的广域测量系统(Wide-Area Measurement System,WAMS)。SCADA系统的数据刷新频率通常为0.5～5Hz，通信延时较大，数据准确度低；PMU量测精确度高、延时小，PMU更新周期通常为毫秒级^[3]。同时，作为状态量的节点电压相量和支路电流相量可以由PMU直接量测得到。由于技术、经济条件的限制，虽然PMU相比SCADA量测性能在时效性、精确性、全面性等诸多维度上都有更好的表现，但在当下阶段，PMU无法彻底取代SCADA，PMU与SCADA两套量测系统将在未来相当一段时期内共存。当前我国配电网只在关键节点配置了PMU，仅仅基于PMU进行量测无法满足可观性的要求，因此将PMU数据与SCADA数据有效融合，充分利用量测数据以提高状态估计精度是现阶段较为合理的方法。然而由于两套量测数据具有较大差异，不经处理地直接混合应用两套数据不仅无法提高状态估计的精度，反而会导致精度降低。因此，如何提出有效的量测数据融合策略，应对数据的差异性，是状态估计前期的关键性工作。

(2)基于数据驱动的状态估计算法

当下智能电网建设正面临着向数字化转型的关键时期，将数据驱动方法应用于传统电力领域已成为当下研究热点之一。基于海量历史数据和深度学习、机器学习，数据驱动方法有望为新能源渗透率提高的电力系统态势感知提供新的解决方案，提高状态估计的精度和鲁棒性。在电力智能化发展的今天，传统算法在智能电网数据爆炸式增长的新形势下具有较大的局限性。相比传统浅层的机器学习模型，深度学习的精度已经得到较大的提高，也可以弥补工程应用中数据不足、算法泛化能力差等问题。

图上的深度学习，特别是图卷积神经网络，最近在机器学习领域引起了极大的关注。图卷积网络(Graph Convolutional Network，GCN)是传统卷积网络(ConvolutionalNeural Network,CNN)。在非欧式空间的一种拓展，GCN背后的基本思想是将关于节点图邻域的高维信息提取为降维的相量表示。

GCN已经被证明在各种各样的应用领域对图分析任务非常有用，如知识图学习，文本分类和推荐系统预测。GCN在蛋白质分类、药物合成、链路预测以及跨域行人重识别等领域具有较好的应用效果。当前电力领域的数据驱动尝试大多仅限于浅层模型，上述所有模型都不是专门用于探索具有显式拓扑图相关性的观察，而电力系统是一个发电机和负荷的互联网络，是一个天然的非欧几里得图结构。因此，如何利用图神经网络进一步挖掘电力网络拓扑结构中的信息，对电力系统进行分析和推理引起了学者们的广泛关注。有鉴于此，GCN最近也被应用于电力系统领域，基于GCN的方法已经在智能电网的多个领域进行了探索，包括故障定位、停电预测和潮流计算等。

门控图神经网络(Gated Graph Neural Network,GGNN)是一种基于类GRU单元的端到端网络架构，它通过循环迭代更新节点，以学习任意图形结构化数据的特征。门控图神经网络利用类似递归神经网络(Recurrent Neural Network,RNN)的信息传递原理实现了信息在非欧式图结构中迭代地传播节点消息，学习节点级或图形级表示和最有效、最直观地表达出图形之间的关联^[47]。本发明本发明基于GGNN结构中类GRU单元对时序信息的处理能力，在GGNN模型的传播阶段做出修改，使用门控递归单元并在固定数量的步骤T中重复出现，从而将T个时刻的量测断面进行融合，进而针对融合了T个时刻时序信息的图数据，利用图卷积层提取时空高维特征，并使用反向传播来计算梯度，从而有效提取数据的时空关系与因果关系。

发明内容

本发明的目的在于解决具有问题，针对现有电力配电网规模日益庞大、可再生能源渗透率上升增加不确定性，导致传统物理模型驱动的状态估计方法出现精度较低、迭代次数多且不稳定收敛等问题，提出了完善的分析方法；生成的基于数据融合的门控图神经网络状态估计模型对智能配电网的状态估计与态势感知具有较大意义。

本发明的目的可以通过以下技术方案来实现：

本发明首先提供了一种基于数据融合的门控图神经网络的配电网状态估计方法，其包括以下步骤：

1)利用已安装PMU的节点的量测数据，预测未安装PMU的节点的PMU量测数据，从而对原有部分可观的PMU量测进行补充，使PMU量测全网可观；

2)针对如何提高低频量测的SCADA刷新频率问题，首先对SCADA和PMU初始量测断面，通过伪量测技术，生成与PMU量测数据同一刷新频率的SCADA伪量测数据，与虚拟量测的PMU数据融合，形成同一时间尺度、全网可观的融合量测；

3)利用SCADA量测节点注入功率与节点电压，生成等效节点注入电流相量，进行量测变换，增加融合量测的冗余度；

4)设计GGNN网络结构，以PMU/SCADA混合量测的融合数据集作为GGNN网络的输入，节点电压相量作为输出，利用训练集数据对网络进行训练，建立基于门控图神经网络的配电网状态估计模型；

5)将训练好的基于门控图神经网络的配电网状态估计模型用于在线状态估计，作为实时状态估计器；实时运行数据经过数据融合后，输入基于门控图神经网络的配电网状态估计模型中，利用网络进行前向计算，得到电网实时状态量。

作为本发明的优选方案，所述的步骤1)具体为：

(a)电力系统的线路潮流是由每个节点的有功和无功负载所决定的；在输电网中，节点电压相量的幅值的大小主要取决于节点注入无功功率量，电压相角主要取决于节点注入有功功率量；但对于配电网，由于电阻和电抗之间的差异不大，电压相量的幅值和相位角与每个节点注入的功率有关；伪量测公式如下：

其中Z是真实功率，

是伪量测功率，e是伪量测功率与真实功率的残差；

为了使伪量测功率尽可能减小与真实功率间的误差，基于多层感知机MLP利用智能变电站通信流量数据训练伪量测模型，利用已配置PMU的节点的历史PMU量测数据作为输入，以未配置PMU节点的电压相量作为输出，通过梯度下降优化伪量测与真实值的残差：

式中，

代表MLP第L层第k个神经元激活前的输出，

代表MLP第L层第k个神经元激活后的输出，物理意义为经过MLP第L层第k个神经元映射得到的伪量测电压，

代表

前向传播函数的偏离常数，

代表

到

的线性传递系数。f(·)为MLP第L层第k个神经元激活后的前向计算。

作为本发明的优选方案，所述的步骤2)具体为：

为了提高低频量测的SCADA刷新频率，对SCADA量测进行超短期滚动预测。即在SCADA和PMU初始量测断面对齐的基础上，基于ARIMA模型进行伪量测，生成与PMU量测数据同一刷新频率的SCADA伪量测数据；基于ARIMA模型的伪量测具体步骤如下：

(a)基于MATLAB对SCADA量测数据进行KPSS单位根检验，分析数据平稳性，若不平稳，则进行差分运算；

(b)采用AIC信息准则对步骤(a)处理后的序列进行ARMA(p,q)模型定阶，AIC信息准则定义如下：

(c)定义预测步长和数据窗口长度，使用ARIMA(p,d,q)进行超短期预测。

作为本发明的优选方案，所述步骤3)具体为：

在直角坐标系下，电流相量与电压相量呈线性关系，为此，应用量测变换技术将SCADA系统量测的节点注入功率和节点电压转换为等效的节点注入电流相量量测，变换公式如式：

式中：i为节点编号，

分别为节点i的注入电流相量的实部和虚部；P_i ^m、

分别为节点i注入有功功率量测和注入无功功率量测；

分别为节点i电压相量的实部和虚部。

作为本发明的优选方案，所述步骤4)具体为：

所述GGNN网络结构如下：第一层是门控图神经网络层，输入元素数目n×M(n是节点数目，M是节点量测特征的维度)，输出元素数目也是n×M；第二层、第三层和第四层均为全连接神经网络，作用为重塑元素维度；

具体地，因为状态量的变化具有较为明确的时序变动趋势，为了提取时序上的信息，利用第二层的全连接神经网络将12个时刻的特征空间连接并压缩重塑，第二层网络输出的元素维度仍为n×M，并输入第三层网络，由第三层网络将特征空间映射到状态量，使用tanh作为激活函数，最终输出元素数目为n×N(N是节点状态量的维度)；

第一层的门控神经网络G＝(V,E)，其中V为节点，E为描述配电网拓扑结构的双向边，依据对应配电网拓扑结构建图，每个节点都占有一个类GRU单元；

第二层、第三层的全连接网络的输出可以由下式给出：

h_i＝tanh(W_ih_i-1+b_i),i＝1,2

其中，W_i,b_i,h_i-1和h_i分别是第i层全连接的权值矩阵、偏置相量、输入和输出。

作为本发明的优选方案，所述步骤5)具体为：

训练好的基于门控图神经网络的配电网状态估计模型可用于在线状态估计，作为状态估计计算器，实时运行数据经过数据融合后，输入基于门控图神经网络的配电网状态估计模型中，计算电网实时状态量；门控图神经网络在进行快速状态估计时只需进行前向计算，而不需要进行将物理模型的迭代，从而加快算法的计算速度。解决了由于大型电网的雅可比矩阵庞大复杂，传统WLS方法迭代时间长而导致状态估计时效性差的问题。

本发明针对电力配电网的特点和配电网状态估计的技术难点提出的基于数据驱动的状态估计方法，其创新性以及技术贡献主要体现在以下几个方面：

(1)本发明针对PMU和SCADA量测数据的差异性，基于多层感知机和时间序列预测进行伪量测建模，结合量测变换技术，提出了一种能充分利用和挖掘历史数据价值的量测融合策略。

(2)本发明提出了一种基于门控图神经网络的状态估计方法，将图卷积网络应用到电力领域，利用邻居信息提取机制有效提取电网拓扑结构中的信息。同时，本发明在时域上对数据单元进行堆叠，使图网络能够处理时间序列信息，从而有效挖掘多量测断面下状态空间模型。

(3)针对电网安全及通信安全问题，本发明在网络训练时添加了正则项和白噪声，提高了算法的安全性和鲁棒性。

(4)本发明提出的数据驱动方法，使用图卷积网络在进行快速状态估计时只需进行前向计算，而不需要进行将物理模型的迭代，从而加快算法的计算速度。解决了由于大型电网的雅可比矩阵庞大复杂，传统WLS方法迭代时间长而导致状态估计时效性差的问题。

附图说明

图1是本发明的方法流程图；

图2(a)是本发明所采用的基于MLP的伪量测与真实值概率联合分布图；

图2(b)是本发明所采用的基于MLP的伪量测误差分布图；

图3是本发明所提出的基于门控图神经网络的状态估计模型结构；

图4是本发明对GGNN与MLP在测试集上的指标对比分析图；

图5(a)是本发明与WLS、MLP算法在33节点系统的拟合效果对比图；

图5(b)是本发明与WLS、MLP算法在33节点系统的残差对比图；

图6(a)是本发明与WLS、MLP算法在118节点系统的拟合效果对比图；

图6(b)是本发明与WLS、MLP算法在118节点系统的残差对比图；

图7是本发明与WLS、MLP算法在鲁棒性实验中针对IEEE33节点系统的残差对比图；

图8是本发明所提出模型与WLS、MLP算法在滤波后的波形比较图。

具体实施方式

下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。

图1是本发明的方法流程图，其首先基于伪量测和量测变换技术提出了对PMU/SCADA混合量测进行融合；然后以融合后的混合量测作为门控图卷积神经网络的输入，节点电压相量作为输出，利用训练集数据对网络进行训练从而建立基于数据驱动的配电网状态估计模型。模型训练完成后即可对配电网进行实时状态估计。方法具体步骤如下：

1)利用已安装PMU的节点的量测数据，预测未安装PMU的节点的PMU量测数据，从而对原有部分可观的PMU量测进行补充，使PMU量测全网可观；

2)针对如何提高低频量测的SCADA刷新频率问题，首先对SCADA和PMU初始量测断面，通过伪量测技术，生成与PMU量测数据同一刷新频率的SCADA伪量测数据，与虚拟量测的PMU数据融合，形成同一时间尺度、全网可观的融合量测；

3)利用SCADA量测节点注入功率与节点电压，生成等效节点注入电流相量，进行量测变换，增加融合量测的冗余度；

4)设计GGNN网络结构，以PMU/SCADA混合量测的融合数据集作为GGNN网络的输入，节点电压相量作为输出，利用训练集数据对网络进行训练，建立基于门控图神经网络的配电网状态估计模型；

5)将训练好的基于门控图神经网络的配电网状态估计模型用于在线状态估计，作为实时状态估计器；实时运行数据经过数据融合后，输入基于门控图神经网络的配电网状态估计模型中，利用网络进行前向计算，得到电网实时状态量。

在本发明的一个具体实施例中，所述的步骤1)利用已配置PMU的节点的历史PMU量测数据作为输入，以未配置PMU节点的电压相量作为输出。同时，通过拟合误差的正态分布对未配置PMU的节点进行伪量测，最后将得到的伪量测数据与PMU实时量测数据相结合，便于后续进行状态估计。

其中，基于多层感知机MLP利用智能变电站通信流量数据训练伪量测模型，利用已配置PMU的节点的历史PMU量测数据作为输入，以未配置PMU节点的电压相量作为输出，通过梯度下降优化伪量测与真实值的残差：

图2(a)是本发明所采用的基于MLP的伪量测与真实值概率联合分布图；图2(b)是本发明所采用的基于MLP的伪量测误差分布图；

在本发明的一个具体实施例中，所述的步骤2)采用如下过程实施：针对低频的SCADA量测数据进行超短期预测，从而统一SCADA量测与PMU量测的数据刷新频率。电网在正常运行时，状态量波动较少且波动幅度较小，故采用经典时间序列预测分析法，差分整合移动平均自回归(ARIMA)模型，对SCADA数据进行超短期预测。对SCADA数据进行平稳性检验和残差检验，确保ARIMA(p,d,q)阶数合理。并将利用ARIMA(p,d,q)预测得到的状态值与真值比较，准确率及相对误差如下表。

表1准确率及误差分析表

使用MATLAB程序包MATPOWER进行潮流计算来生成潮流真值，针对IEEE 33节点系统和IEEE 118节点系统两个典型算例，基于MATPOWER利用纽约市用电负荷数据进行潮流计算。基于纽约2021.2.13-2021.2.27期间历史实际负载生成训练集，基于纽约2021.2.28实际负载生成测试集。由于电力系统稳态下状态量一般不会出现剧烈波动，为了让实验更加轻量化，选取时间间隔，假设两种量测数据在一定时间间隔内，已经对齐了数据断面。基于潮流真值，通过向真值添加不同精度的高斯噪声来构造SCADA与PMU的量测数据集。具体的仿真数据集情况如下表所示。

表1仿真数据集说明

图3是本发明所提出的基于门控图神经网络的状态估计模型结构；第一层是门控图神经网络层，输入元素数目n×M(n是节点数目，M是节点量测特征的维度)，输出元素数目也是n×M；第二层、第三层和第四层均为全连接神经网络，作用为重塑元素维度；

具体地，因为状态量的变化具有较为明确的时序变动趋势，为了提取时序上的信息，利用第二层的全连接神经网络将12个时刻的特征空间连接并压缩重塑，第二层网络输出的元素维度仍为n×M，并输入第三层网络，由第三层网络将特征空间映射到状态量，使用tanh作为激活函数，最终输出元素数目为n×N(N是节点状态量的维度)；

第一层的门控神经网络G＝(V,E)，其中V为节点，E为描述配电网拓扑结构的双向边，依据对应配电网拓扑结构建图，每个节点都占有一个类GRU单元；

第二层、第三层的全连接网络的输出可以由下式给出：

h_i＝tanh(W_ih_i-1+b_i),i＝1,2

其中，W_i,b_i,h_i-1和h_i分别是第i层全连接的权值矩阵、偏置相量、输入和输出。

为了验证本发明所提出模型的效果，分别设计了两种实验，并将其与现有状态估计中使用的基于物理模型的传统算法和基于数据驱动的一般神经网络进行了性能比较。第一种实验是映射实验，即从一个数据集中选取一部分作为训练状态估计器的训练集，剩余部分作为测试数据集，检验不同算法在测试集上的状态估计精度。第二种实验是鲁棒性实验，为了模拟PMU和SCADA量测精度以及网络传输中的丢包等影响，向所有节点的PMU/SCADA量测值分别添加强度不同的高斯噪声，特别地，部分节点再加高斯白噪声。

对于IEEE33系统的节点的拓扑图，在全网各节点配置SCADA系统，在第3,6,9,11,14,17,19,22,24,26,29,32号节点配置PMU系统。对于IEEE118系统的节点的拓扑图，在全网各节点配置SCADA系统，在第1,6,8,12,15,19,21,27,28,32,34,40,45,49,53,56,62,65,72,75,77,80,85,86,90,92,94,102,105,110,116号节点配置PMU系统。

在基于MLP伪量测模型得到伪量测，基于ARIMA对SCADA量测数据进行超短期预测，得到数据断面对齐的融合量测数据集后，结合量测变换得到的等效节点注入电流一起进行线性状态估计。针对状态估计精度、算法抗差能力、状态估计计算时间三个方面，将基于门控图神经网络的状态估计方法与MLP、WLS方法进行了对比。图4是本发明对GGNN与MLP在测试集上的指标对比分析图；图5(a)是本发明与WLS、MLP算法在33节点系统的拟合效果对比图；图5(b)是本发明与WLS、MLP算法在33节点系统的残差对比图。

通过算法比对，发现门控图神经网络在状态估计的精度在三种算法中最高，基于门控图神经网络的状态估计的计算结果与真值的残差在三种算法中最小。同时，在仿真过程可以观察到采用最小二乘法在特定时刻不收敛，无法获得合理的解，这是由于PMU与SCADA的量测数据之间存在精度差异。对于基于全连接神经网络的状态估计法，该方法提取的信息量低于门控图神经网络。在空间上，无法提取拓扑结构上的信息；在时间上，无法提取相邻前一时段的历史信息，导致其测试的精度低于门控图神经网络，特别是对虚部的估计误差较大。

对比不同算法在IEEE118节点系统算例的单一时间断面的状态估计效果，如图6(a)是本发明与WLS、MLP算法在118节点系统的拟合效果对比图；图6(b)是本发明与WLS、MLP算法在118节点系统的残差对比图；图7是本发明与WLS、MLP算法在鲁棒性实验中针对IEEE33节点系统的残差对比图；图8是本发明所提出模型与WLS、MLP算法在滤波后的波形比较图。由图可观察到门控图神经网络的精度在三种算法中最佳，与潮流真值的残差明显小于另外两种算法。可见尽管网络复杂程度增加，基于门控图神经网络的状态估计算法效果可靠性较高。

为了模拟PMU/SCADA量测精度差异，以及量测量在网络传输中存在的丢包现象，仿真上述因素带来的实际量测值误差，本实验采用了如下两种加噪方法：①为PMU量测量和SCADA量测量分别加不同强度的高斯白噪声。②为了检测GGNN网络的鲁棒性，在未安装PMU的节点给伪量测数据额外添加强度增强20％的误差。向未安装PMU节点的PMU伪量测值叠加20％误差后，分别计算三种状态估计算法与潮流真值的电压幅值与相角估计的残差平方，计算公式如下式。

其中x是潮流真值，x_t是状态估计值。

在含20％误差之下，分别计算三种方法状态估计电压幅值与相角的相对误差。所得结果如下表所示。

表2平均相对误差

可以看出，通过分析表2，可以发现，在采用了添加20％幅度误差的方法模拟通讯干扰后，相较于WLS与MLP方法，GGNN在状态估计任务下的抗差能力更强，电压幅值平均相对误差分别降低了约4.1％、1.2％，电压相角平均相对误差分别降低了约2.5％、1.5％。具体而言，GGNN方法在两方面优于其他方法，分别是：

(1)GGNN估计的电压幅值与相角的平均相对误差明显小于WLS估计和MLP状态估计；

(2)GGNN能通过数据学习得到电网中各个节点之间的关联关系与物理模型，能够融合多个节点之间量测数据来提高模型的鲁棒性，有一定的容错能力。对于WLS方法，该方法要求数据服从正态分布，但实际数据中存在一些坏数据，使得数据整体不满足正态分布的要求，因此该方法存在较大误差。

Claims (6)

1.一种基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，包括以下步骤：

1)利用已安装PMU的节点的量测数据，预测未安装PMU的节点的PMU量测数据；

2)对SCADA和PMU初始量测断面，通过伪量测技术，生成与PMU量测数据同一刷新频率的SCADA伪量测数据，与虚拟量测的PMU数据融合，形成同一时间尺度、全网可观的融合量测；

3)利用SCADA量测节点注入功率与节点电压，生成等效节点注入电流相量，进行量测变换，增加融合量测的冗余度；

4)设计GGNN网络结构，以PMU/SCADA混合量测的融合数据集作为GGNN网络的输入，节点电压相量作为输出，利用训练集数据对网络进行训练，建立基于门控图神经网络的配电网状态估计模型；

5)将训练好的基于门控图神经网络的配电网状态估计模型用于在线状态估计，作为实时状态估计器；实时运行数据经过数据融合后，输入基于门控图神经网络的配电网状态估计模型中，得到电网实时状态量。

2.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，所述的步骤1)具体为：

(a)电力系统的线路潮流是由每个节点的有功和无功负载所决定的；在输电网中，节点电压相量的幅值的大小主要取决于节点注入无功功率量，电压相角主要取决于节点注入有功功率量；但对于配电网，由于电阻和电抗之间的差异不大，电压相量的幅值和相位角与每个节点注入的功率有关；伪量测公式如下：

其中Z是真实功率，

是伪量测功率，e是伪量测功率与真实功率的残差；

为了使伪量测功率尽可能减小与真实功率间的误差，基于多层感知机MLP利用智能变电站通信流量数据训练伪量测模型，利用已配置PMU的节点的历史PMU量测数据作为输入，以未配置PMU节点的电压相量作为输出，通过梯度下降优化伪量测与真实值的残差：

式中，

代表MLP第L层第k个神经元激活前的输出，

代表MLP第L层第k个神经元激活后的输出，物理意义为经过MLP第L层第k个神经元映射得到的伪量测电压，

代表

前向传播函数的偏离常数，

代表

到

的线性传递系数。f(·)为MLP第L层第k个神经元激活后的前向计算。

3.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，所述的步骤2)具体为：

在SCADA和PMU初始量测断面对齐的基础上，基于ARIMA模型进行伪量测，生成与PMU量测数据同一刷新频率的SCADA伪量测数据；基于ARIMA模型的伪量测具体步骤如下：

(a)基于MATLAB对SCADA量测数据进行KPSS单位根检验，分析数据平稳性，若不平稳，则进行差分运算；

(b)采用AIC信息准则对步骤(a)处理后的序列进行ARMA(p,q)模型定阶，AIC信息准则定义如下：

(c)定义预测步长和数据窗口长度，使用ARIMA(p,d,q)进行超短期预测。

4.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，所述步骤3)具体为：

在直角坐标系下，电流相量与电压相量呈线性关系，为此，应用量测变换技术将SCADA系统量测的节点注入功率和节点电压转换为等效的节点注入电流相量量测，变换公式如式：

式中：i为节点编号，

分别为节点i的注入电流相量的实部和虚部；P_i ^m、Q_i ^m分别为节点i注入有功功率量测和注入无功功率量测；

分别为节点i电压相量的实部和虚部。

5.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，所述步骤4)具体为：

所述GGNN网络结构如下：第一层是门控图神经网络层，输入元素数目n×M(n是节点数目，M是节点量测特征的维度)，输出元素数目也是n×M；第二层、第三层和第四层均为全连接神经网络，作用为重塑元素维度；

具体地，因为状态量的变化具有较为明确的时序变动趋势，为了提取时序上的信息，利用第二层的全连接神经网络将12个时刻的特征空间连接并压缩重塑，第二层网络输出的元素维度仍为n×M，并输入第三层网络，由第三层网络将特征空间映射到状态量，使用tanh作为激活函数，最终输出元素数目为n×N(N是节点状态量的维度)；

第一层的门控神经网络G＝(V,E)，其中V为节点，E为描述配电网拓扑结构的双向边，依据对应配电网拓扑结构建图，每个节点都占有一个类GRU单元；

第二层、第三层的全连接网络的输出可以由下式给出：

h_i＝tanh(W_ih_i-1+b_i),i＝1,2

其中，W_i,b_i,h_i-1和h_i分别是第i层全连接的权值矩阵、偏置相量、输入和输出。

6.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法，其特征在于，所述步骤5)具体为：

训练好的基于门控图神经网络的配电网状态估计模型可用于在线状态估计，作为状态估计计算器，实时运行数据经过数据融合后，输入基于门控图神经网络的配电网状态估计模型中，计算电网实时状态量；门控图神经网络在进行快速状态估计时只需进行前向计算，而不需要进行将物理模型的迭代。

Images