CN114221334A - 一种基于图神经网络的快速状态估计方法 - Google Patents
一种基于图神经网络的快速状态估计方法 Download PDFInfo
- Publication number
- CN114221334A CN114221334A CN202111518433.2A CN202111518433A CN114221334A CN 114221334 A CN114221334 A CN 114221334A CN 202111518433 A CN202111518433 A CN 202111518433A CN 114221334 A CN114221334 A CN 114221334A
- Authority
- CN
- China
- Prior art keywords
- graph
- data
- node
- neural network
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 83
- 230000006870 function Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于图神经网络的快速状态估计方法,该状态估计方法利用全网已有的量测数据,对全网的节点进行实时的高精度的测量;同时,本发明的状态估计方法通过将数据采集与监视控制和广域测量系统的状态估计值输入到图神经网络模型中训练,可以得到预测精度高的网络模型,该图神经网络模型可以直接处理电力系统的节点信息和拓扑结构信息,通过端对端的任务学习实现对全网状态的实时估计。
Description
技术领域
本发明涉及电力系统技术领域,具体涉及一种基于图神经网络的快速状态估计方法。
背景技术
近年来,新能源供电在电网中所占的比例越来越大,对电网的稳定性提出了更高的要求,随着输电技术的不断成熟,跨区送电的情况变得越来越多,还有电力电子元器件的使用,使得电网的结构变得越来越复杂,所以就对电网的动态运行实时监测提出了更高的要求。目前的电力系统状态估计主要采用的是数据采集与监视控制系统和广域测量系统,俩个系统都难以做到全网的实时状态估计,所以需要利用人工智能的方法,去利用已有的数据进行全网的实时状态估计。
发明内容
为解决现有技术中存在的问题,本发明提出了一种基于图神经网络的快速状态估计方法。
为了达到上述目的,本发明是通过以下技术方案来实现的:
本发明是一种基于图神经网络的快速状态估计方法,包括如下步骤:
步骤1,将电力系统量测数据转化成图数据的形式:
步骤1.1,把SCADA数据转化成图数据形式;
步骤1.2,把WAMS数据转化成图数据形式;
步骤2,对图数据进行预处理:
步骤2.1,把WAMS图数据节点特征新增一个标志位;
步骤2.2,进行数据归一化处理;
步骤3,采用得到的图数据进行模型训练:
步骤3.1,将SCADA图数据输入图神经网络训练;
步骤3.2,将WAMS图数据输入另一个图神经网络训练;
步骤3.3,将步骤3.1与步骤3.2的训练结果拼接再输入新的图神经网络训练;
步骤3.4,经过全连接层输出;
步骤3.5,进行反向传播。
本发明的进一步改进在于:步骤1.1的具体操作为:根据电力系统的拓扑结构和线路节点数据,将SCADA数据转化成邻接矩阵和节点特征矩阵的形式,并得到边特征矩阵。
本发明的进一步改进在于:步骤1.2的具体操作为:根据电力系统的拓扑结构和线路节点数据,将WAMS数据转化成邻接矩阵和节点特征矩阵的形式,并得到边特征矩阵。
本发明的进一步改进在于:所述邻接矩阵的公式为:
Aij表示邻接矩阵的第i行第j列的元素的值,vi,vj表示顶点。
步骤2.1具体为:根据电力系统中布置的PMU信息,将WAMS图数据中安装PMU的节点标志位置为1,其他未安装PMU的节点标志位置为0,并将该节点的电压和相角数据置为0。
步骤3的具体操作为:
步骤3.1,将SCADA图数据输入到一个含有两层图卷积的图神经网络模型中去,其中第一层为图卷积层,第二层为含有边权值的图卷积层,得到一个含有新的节点特征的特征矩阵;
步骤3.2,将WAMS图数据输入到一个含有俩层图卷积的图神经网络模型中去,其中第一层为图卷积层,第二层为含有边权值的图卷积层,最后可以得到一个含有新的节点特征的特征矩阵;
步骤3.3,将得到的两个含有新的节点特征的节点特征矩阵拼接起来,输入到一个图卷积层中去,得到含有新的节点特征的节点特征矩阵;
步骤3.4,步骤3.3所得到的节点特征矩阵经过一层全连接神经网络得到模型的预测结果;
步骤3.5,将步骤3.4的预测结果与真实值进行误差训练,选取的损失函数为均方根值误差函数,反向传播使用Adam优化器,设置学习速率与训练轮次,最后得到训练好的模型。
所述步骤3.1、步骤3.2和步骤3.3中的图卷积层的公式为:
所述步骤3.1和步骤3.2中的含有边权值的图卷积层的公式为:
其中,L(j,i)表示j节点到i节点的边特征,Fl(L(j,i);wl)表示边的过滤器,Xl-1(j)表示节点j的特征矩阵,bl是偏置量,是神经网络中一个可训练的参数。
步骤3.5中均方根值误差函数为:
本发明的有益效果是:本发明的状态估计方法利用已有的SCADA数据和 WAMS数据训练图神经网络模型,利用传统物理方法与数据驱动结合建模的方法,既具有可解释性强,机理明确的特点,又能从数据中挖掘特征。电力系统图是一个非欧结构图,传统的神经网络只能处理欧式结构图,并不能考虑图的拓扑关系。而图神经网络可以把图数据建模成矩阵的形式,不仅考虑了电力系统自身的节点,还考虑了节点与节点之间的位置关系。可以更加有效的处理图数据。
附图说明
图1为本发明状态估计方法的流程图。
图2为将电力系统建模成图数据的原理图。
图3为图卷积网络。
图4为含有边权值的图神经网络图。
具体实施方案
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明是一种基于图神经网络的快速状态估计方法,利用Matpower进行 57节点的仿真,生成SCADA数据和WAMS数据进行网络训练并应用到网络模型中,具体如下:
步骤1,生成电力系统量测样本数据,并将数据转化成图数据的形式;首先生成样本数据,即:
SCADA数据:通过潮流计算,得出不同负荷情况下的SCADA的节点电压、相角数据,其中,SCADA每15min出一次全网辨识结果,负荷变动较大。
WAMS数据:找出电力系统中所有布置PMU的电力节点,获取PMU节点的WAMS量测数据,为电压,相角数据。
本实施例给57节点的负荷加一个大的噪声通过潮流计算来得到SCADA 数据,为各个节点的电压和相角数据。此外,WAMS数据0.01S即可出一次结果,所以在加大噪声的基础上,再加一个小的噪声来模拟WAMS产生的数据,为安装PMU节点的电压和相角数据。然后记录各个电力线路的电阻,电压,电纳。
由于WAMS只有在布置PMU节点上才有量测数据,所以为了考虑经济性,需要安装的PMU节点的数量尽可能少,同时还要包含尽可能多的信息。由于各大发电厂对电力系统的本身影响较大,所以需要在各大发电厂安装PMU,也就是在所有的PV节点安装PMU,同时还需要考虑电力系统中的那些较为重要的电力负荷节点,本实施例选取的PMU节点为度数大于四的节点,由于该节点连接数较多,所以可以根据该节点测得耕读的节点信息。
其次,把上述得到的SCADA数据、WAMS数据分别转换成图数据的形式;画出电力系统的拓扑图,根据电力系统的拓扑图将电力系统的节点建模成顶点,电力线路建模成边,得到图数据。公式为G=(V,E)。G表示图,V表示图中顶点的集合,E表示图中边的集合;
其中,本实施例中将SCADA数据转化成图数据的形式时,将节点电压和相角转化成特征矩阵维度为(57,2)同时根据电力系统拓扑结构得到邻接矩阵(57,57),并得到边特征矩阵,维度为(57,57,3)。
步骤2,对图数据进行预处理;
本实施例中将WAMS数据转化成图数据的形式,并对图数据进行了预处理,即,在节点特征矩阵中新增一个标志位,若该节点安装了PMU,则标志位置为1,否则置为0。将节点电压和相角转化成特征矩阵维度为(57,3),同时根据电力系统拓扑结构得到邻接矩阵(57,57)。并得到边特征矩阵,维度为(57,57, 3)。
步骤3,训练模型;
根据得到的SCADA图数据、WAMS图数据计算邻接矩阵,公式为把得到的SCADA数据、WAMS数据分别建模成节点特征矩阵,其中,在SCADA数据构建的节点特征矩阵中,其中节点的每一行表示电力系统中的一个负荷节点,每一行包含该电力节点自身的特征,为该节点的电压和相角。WAMS数据构建的节点特征矩阵中节点的每一行表示电力系统中的一个负荷节点,每一行包含该电力节点自身的特征,为该节点的电压、相角和一个标志位,如果该节点安装了PMU,则标志位置为1,如果没有安装,则置为0,把电压和相角置为0。
将SCADA数据得到的节点特征矩阵和邻接矩阵输入到图神经网络层中去,其中,节点特征矩阵中,节点的每一行表示电力系统中的一个负荷节点,每一行包含该电力节点自身的特征,为该节点的电压和相角。首先进行邻接矩阵的预处理
X表示特征矩阵,维度为(57,2),W(0)表示权值矩阵,是一个可训练的参数,本次设置的维度为(57,32)。最后用激活函数输出。
将得到的新的特征矩阵和邻接矩阵,边特征矩阵输入到ECC层,公式为
其中L(j,i)表示j节点到i节点的边特征,Fl(L(j,i);wl)表示边的过滤器,Xl-1(j)表示节点j的特征矩阵,bl是偏置量,也是神经网络中一个可训练的参数。本次设置的输出的节点特征维度为32。
将WAMS数据得到的节点特征矩阵和邻接矩阵输入到图神经网络层中去,首先进行邻接矩阵的预处理:
输入GCN层,公式为:
X表示特征矩阵,维度为(57,3),W(0)表示权值矩阵,是一个可训练的参数,本次设置的维度为(57,32)。最后用激活函数输出。
将得到的新的特征矩阵和邻接矩阵,边特征矩阵输入到ECC层,公式为
本次设置的输出的节点特征维度为32。
将SCADA图数据输出的图神经网络结果和WAMS图数据输出的图神经网络结果拼接在一起,组成一个包含SCADA和WAMS数据的节点特征的新的节点特征矩阵记为D矩阵。
将D矩阵和邻接矩阵输入到GCN层中,首先进行邻接矩阵的预处理
然后输入GCN层,公式为
X表示特征矩阵,维度为(57,32),W(0)表示权值矩阵,是一个可训练的参数,本次设置的维度为(57,64)。最后用激活函数输出。
最后得到特征矩阵输出,经过一层全连接神经网络得到模型的预测结果。然后进行模型的训练,模型的损失函数选取的是均方根误差,等式为
其中yi表示真实的标签,表示模型输出的预测值。采用的反向梯度传播算法为Adam算法,学习速率设置为0.001,总共进行300伦模型训练,最后得到训练好的模型。用的评价指标为平均绝对值误差函数,并设置验证集来验证模型效果。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于图神经网络的快速状态估计方法,其特征在于:包括如下步骤:
步骤1,生成电力系统量测样本数据,并将数据转化成图数据的形式:
步骤1.1,把SCADA数据转化成图数据形式;
步骤1.2,把WAMS数据转化成图数据形式;
步骤2,对图数据进行预处理:
步骤2.1,把WAMS图数据节点特征新增一个标志位;
步骤2.2,进行数据归一化处理;
步骤3,采用得到的图数据进行模型训练:
步骤3.1,将SCADA图数据输入图神经网络训练;
步骤3.2,将WAMS图数据输入另一个图神经网络训练;
步骤3.3,将步骤3.1与步骤3.2的训练结果拼接再输入新的图神经网络训练;
步骤3.4,经过全连接层输出;
步骤3.5,进行反向传播。
2.根据权利要求1所述一种基于图神经网络的快速状态估计方法,其特征在于:步骤1.1的具体操作为:根据电力系统的拓扑结构和线路节点数据,将SCADA数据转化成邻接矩阵和节点特征矩阵的形式,并得到边特征矩阵。
3.根据权利要求2所述一种基于图神经网络的快速状态估计方法,其特征在于:步骤1.2的具体操作为:根据电力系统的拓扑结构和线路节点数据,将WAMS数据转化成邻接矩阵和节点特征矩阵的形式,并得到边特征矩阵。
5.根据权利要求4所述一种基于图神经网络的快速状态估计方法,其特征在于:步骤2.1具体为:根据电力系统中布置的PMU信息,将WAMS图数据中安装PMU的节点标志位置为1,其他未安装PMU的节点标志位置为0,并将该节点的电压和相角数据置为0。
6.根据权利要求1所述一种基于图神经网络的快速状态估计方法,其特征在于:步骤3的具体操作为:
步骤3.1,将SCADA图数据输入到一个含有两层图卷积的图神经网络模型中去,其中第一层为图卷积层,第二层为含有边权值的图卷积层,得到一个含有新的节点特征的特征矩阵;
步骤3.2,将WAMS图数据输入到一个含有俩层图卷积的图神经网络模型中去,其中第一层为图卷积层,第二层为含有边权值的图卷积层,最后可以得到一个含有新的节点特征的特征矩阵;
步骤3.3,将得到的两个含有新的节点特征的节点特征矩阵拼接起来,输入到一个图卷积层中去,得到含有新的节点特征的节点特征矩阵;
步骤3.4,步骤3.3所得到的节点特征矩阵经过一层全连接神经网络得到模型的预测结果;
步骤3.5,将步骤3.4的预测结果与真实值进行误差训练,选取的损失函数为均方根值误差函数,反向传播使用Adam优化器,设置学习速率与训练轮次,最后得到训练好的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518433.2A CN114221334A (zh) | 2021-12-13 | 2021-12-13 | 一种基于图神经网络的快速状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518433.2A CN114221334A (zh) | 2021-12-13 | 2021-12-13 | 一种基于图神经网络的快速状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114221334A true CN114221334A (zh) | 2022-03-22 |
Family
ID=80701339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111518433.2A Pending CN114221334A (zh) | 2021-12-13 | 2021-12-13 | 一种基于图神经网络的快速状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114221334A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
CN107482778A (zh) * | 2017-09-13 | 2017-12-15 | 国网辽宁省电力有限公司 | 一种改进的电力系统健康状态监测的方法及系统 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
CN111797974A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 |
WO2021139175A1 (zh) * | 2020-01-09 | 2021-07-15 | 国网浙江省电力有限公司舟山供电公司 | 一种基于卷积神经网络的电力操作票文字识别方法 |
CN113537821A (zh) * | 2021-07-30 | 2021-10-22 | 深圳供电局有限公司 | 一种电力系统状态的快速评估方法及系统 |
-
2021
- 2021-12-13 CN CN202111518433.2A patent/CN114221334A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
CN107482778A (zh) * | 2017-09-13 | 2017-12-15 | 国网辽宁省电力有限公司 | 一种改进的电力系统健康状态监测的方法及系统 |
WO2021139175A1 (zh) * | 2020-01-09 | 2021-07-15 | 国网浙江省电力有限公司舟山供电公司 | 一种基于卷积神经网络的电力操作票文字识别方法 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
CN111797974A (zh) * | 2020-06-01 | 2020-10-20 | 武汉大学 | 一种联合粒子滤波和卷积神经网络的电力系统状态估计方法 |
CN113537821A (zh) * | 2021-07-30 | 2021-10-22 | 深圳供电局有限公司 | 一种电力系统状态的快速评估方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
Ashraf et al. | Artificial neural network based models for forecasting electricity generation of grid connected solar PV power plant | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN107123983B (zh) | 一种基于安全域的变电站接入方案辅助评估方法 | |
Wang et al. | Wind power curve modeling with asymmetric error distribution | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
CN113612237A (zh) | 一种在海上风电场中定位谐振诱发的次同步振荡源的方法 | |
CN115146538A (zh) | 基于消息传递图神经网络的电力系统状态估计方法 | |
CN114221334A (zh) | 一种基于图神经网络的快速状态估计方法 | |
CN109255361B (zh) | 一种考虑不可行区域的潮汐流能发电场机组布局方法 | |
CN106372440A (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
Yang et al. | A new hybrid model based on fruit fly optimization algorithm and wavelet neural network and its application to underwater acoustic signal prediction | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
Shi et al. | A fault location method for distribution system based on one-dimensional convolutional neural network | |
Buccafusca et al. | Maximizing power in wind turbine arrays with variable wind dynamics | |
CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 | |
CN113468797A (zh) | 一种电-气综合能源系统状态估计方法和系统 | |
CN112001112A (zh) | 基于bp神经网络的线性约束黑箱优化问题的优化方法 | |
CN111179110A (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
Ji et al. | Probabilistic optimal power flow considering the dependence of multiple wind farms using pair diffusive kernel copula | |
CN103336427B (zh) | 一种三维输出概率密度函数的动态建模与控制器设计方法 |
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 |