CN114861874A - 模型驱动图卷积神经网络潮流计算方法 - Google Patents

模型驱动图卷积神经网络潮流计算方法 Download PDF

Info

Publication number
CN114861874A
CN114861874A CN202210409057.1A CN202210409057A CN114861874A CN 114861874 A CN114861874 A CN 114861874A CN 202210409057 A CN202210409057 A CN 202210409057A CN 114861874 A CN114861874 A CN 114861874A
Authority
CN
China
Prior art keywords
node
model
neural network
graph convolution
driven
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
Application number
CN202210409057.1A
Other languages
English (en)
Inventor
余娟
高茂胜
杨知方
姜润泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202210409057.1A priority Critical patent/CN114861874A/zh
Publication of CN114861874A publication Critical patent/CN114861874A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开模型驱动图卷积神经网络潮流计算方法，步骤包括：1)建立电力系统线性潮流方程；2)对电力系统线性潮流方程进行去中心化处理，得到节点特征状态更新方程；3)根据节点特征状态更新方程建立模型驱动的图卷积方程；4)根据所述模型驱动的图卷积方程建立模型驱动的图卷积神经网络；5)获取电力系统基本数据，并输入到模型驱动的图卷积神经网络中，得到电力系统潮流。本发明能够适应拓扑与新能源不确定性。

Description

模型驱动图卷积神经网络潮流计算方法
技术领域
本发明涉及电力系统及其自动化领域，具体是模型驱动图卷积神经网络潮流计算方法。
背景技术
发展可再生能源的最新趋势以及未来几年的预期变化将为电力系统的运行带来巨大挑战。为了考虑可再生能源和间歇性负荷的不确定性，概率分析方法被大量学者研究，例如概率潮流。概率分析方法可以通过求解在给定分布下随机生成的大量样本来获得对系统风险的合理统计评估。但是传统数值求解方法累积的计算负担繁重，无法在有限的时间获得计算结果，限制了概率分析的实际应用。
随着人工智能技术的发展，神经网络凭借其计算高精度、快速度的优势被大量的应用于潮流计算。基于深度神经网络、卷积神经网络、极限学习机和图卷积神经网络的潮流计算方法被大量提出。神经网络通过学习大量潮流样本中输入与输出的映射分布，实现对潮流映射的学习。但是其对于训练数据的强依赖性，导致如果实际场景与训练集数据分布出现差异时，训练得到的神经网络不能准确地对于潮流结果进行预测。与此同时，当电力系统拓扑发生改变时，系统潮流分布将会发生剧烈变化。为保证神经网络预测的精度，将需要收集新拓扑下的海量样本并对神经网络进行再次训练。但是在实际工程中，由于检修或者故障等因素导致系统拓扑经常发生改变。现有数据驱动潮流计算方法无法适应拓扑改变与不确定新能源的实际情况。
综上所述，亟需研究一种能够适应拓扑与新能源不确定性的数据驱动潮流计算方法。
发明内容
本发明的目的是提供模型驱动图卷积神经网络潮流计算方法，包括以下步骤：
1)建立电力系统线性潮流方程。
电力系统线性潮流方程如下所示：
Figure BDA0003602993950000011
式中，Vi、Vj为节点i和节点j的电压幅值；Gij，Bij分别为电导矩阵和电纳矩阵中的第i行j列元素；Pi，Qi分别为节点注入有功和无功；Gi，shunt、Bi，shunt分别为节点i的对地电导与电纳；N(i)表示与节点i相连的节点集合；θij为节点i和节点j之间的电压相角差。
电力系统线性潮流方程中的状态变量包括电压幅值和相角。
2)对电力系统线性潮流方程进行去中心化处理，得到节点特征状态更新方程。
对电力系统线性潮流方程进行去中心化处理的步骤包括：
2.1)以电力系统线性潮流方程中的参数
Figure BDA0003602993950000024
为节点独立变量，建立状态更新方程，即
Figure BDA0003602993950000021
式中，N(i)表示与节点i相连的节点集合；θi、θj为节点i和节点j的电压相角；
2.2)引入中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi，并对公式(2)进行简化，得到：
Figure BDA0003602993950000022
其中，中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi分别如下所示：
Figure BDA0003602993950000023
式中，Gii、Bii分别为电导矩阵和电纳矩阵中的第i行j列元素；
2.3)建立节点特征状态更新方程，即：
Figure BDA0003602993950000031
3)根据节点特征状态更新方程建立模型驱动的图卷积方程。
模型驱动的图卷积方程如下所示：
Figure BDA0003602993950000032
式中，
Figure BDA0003602993950000033
分别为电压幅值和相角的图卷积核。
Figure BDA0003602993950000034
分别为电压幅值向量和相角向量；σ()为图卷积函数；
其中，参数
Figure BDA0003602993950000035
参数
Figure BDA0003602993950000036
分别如下所示：
Figure BDA0003602993950000037
式中，
Figure BDA0003602993950000038
分别为电压幅值向量和相角向量。Pi，Qi分别为节点注入有功和无功。
4)根据所述模型驱动的图卷积方程建立模型驱动的图卷积神经网络。
所述模型驱动的图卷积神经网络包括特征提取模块和预测模块。
所述特征提取模块的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。
所述特征提取模块包括K层模型驱动图卷积层和池化层。第一层模型驱动图卷积层的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。第K层模型驱动图卷积层的输出包括电压幅值VK∈RN×n和相角θK∈RN×n。N×n为维度。
其中，第l层模型驱动图卷积层的输出如下所示：
Figure BDA0003602993950000039
式中，Vl、θl为第l层模型驱动图卷积层输出的电压幅值和相角。
其中，参数αl-1、参数βl-1、参数δ、参数ζ、参数λ、参数γ分别如下所示：
Figure BDA0003602993950000041
式中，Gndiag、Bndiag为去除对角元素的节点电导和电纳矩阵；
池化层的输入为第K层模型驱动图卷积层的输出，输出如下所示：
H＝VK||pool(VK)||θK||pool(θK) (10)
式中，pool(·)表示在特征通道的均值池化。||表示对特征进行拼接。
Figure BDA0003602993950000042
表示电力系统潮流特征。
所述预测模块包括全连接层。预测模块的输入包括电力系统潮流特征H，输出如下所示：
Figure BDA0003602993950000043
式中，
Figure BDA0003602993950000044
分别为全连接神经网络中与节点电压幅值有关的权重与偏置；Wθ、Bθ分别为全连接神经网络中与节点电压相角有关的权重与偏置；Vout，θout分别为预测的节点电压幅值和相角；PFout，QFout分别为预测的支路有功与无功。A为节点支路连接矩阵；WPF、BPF分别为与支路有功有关的权重与偏置；WQF、BQF分别为与支路无功有关的权重与偏置；
所述模型驱动的图卷积神经网络由历史历史潮流样本或模拟生成的样本训练得到。所述样本包括不同拓扑下不同新能源分布的训练样本。
5)获取电力系统基本数据，并输入到模型驱动的图卷积神经网络中，得到电力系统潮流。
所述电力系统基本数据包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。
本发明的技术效果是毋庸置疑的，本发明能够适应拓扑与新能源不确定性，对于未知的负荷分布具有良好的适应能力。同时，利用本发明计算得到的潮流具有更高的精度。
附图说明
图1为模型驱动的图卷积内嵌图卷积神经网络。左边是基于潮流方程的邻域聚集的计算过程，右边是图卷积神经网络的前向传播过程；
图2为模型驱动图卷积神经网络整体架构；
图3为神经网络训练的损失值；
图4为负荷分布改变之后模型的测试精度；图4(a)为负荷分布均值改变之后模型的测试精度；图4(b)为负荷分布标准差改变之后模型的测试精度。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图2，模型驱动图卷积神经网络潮流计算方法，包括以下步骤：
1)建立电力系统线性潮流方程。
电力系统线性潮流方程如下所示：
Figure BDA0003602993950000051
式中，Vi、Vj为节点i和节点j的电压幅值；Gij，Bij分别为电导矩阵和电纳矩阵中的第i行j列元素；Pi，Qi分别为节点注入有功和无功；Gi，shunt、Bi，shunt分别为节点i的对地电导与电纳；N(i)表示与节点i相连的节点集合；θij为节点i和节点j之间的电压相角差。
电力系统线性潮流方程中的状态变量包括电压幅值和相角。
2)对电力系统线性潮流方程进行去中心化处理，得到节点特征状态更新方程。
对电力系统线性潮流方程进行去中心化处理的步骤包括：
2.1)以电力系统线性潮流方程中的参数
Figure BDA0003602993950000065
为节点独立变量，建立状态更新方程，即
Figure BDA0003602993950000061
式中，N(i)表示与节点i相连的节点集合；θi、θj为节点i和节点j的电压相角；
2.2)引入中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi，并对公式(2)进行简化，得到：
Figure BDA0003602993950000062
其中，中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi分别如下所示：
Figure BDA0003602993950000063
式中，Gii、Bii分别为电导矩阵和电纳矩阵中的第i行j列元素；
2.3)建立节点特征状态更新方程，即：
Figure BDA0003602993950000064
3)根据节点特征状态更新方程建立模型驱动的图卷积方程。
模型驱动的图卷积方程如下所示：
Figure BDA0003602993950000071
式中，
Figure BDA0003602993950000072
分别为电压幅值和相角的图卷积核。
Figure BDA0003602993950000073
分别为电压幅值向量和相角向量；σ()为图卷积函数；
其中，参数
Figure BDA0003602993950000074
参数
Figure BDA0003602993950000075
分别如下所示：
Figure BDA0003602993950000076
式中，
Figure BDA0003602993950000077
分别为电压幅值向量和相角向量。Pi，Qi分别为节点注入有功和无功。
4)根据所述模型驱动的图卷积方程建立模型驱动的图卷积神经网络。
所述模型驱动的图卷积神经网络包括特征提取模块和预测模块。
所述特征提取模块的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。
所述特征提取模块包括K层模型驱动图卷积层和池化层。第一层模型驱动图卷积层的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。第K层模型驱动图卷积层的输出包括电压幅值VK∈RN×n和相角θK∈RN×n。N×n为维度。
其中，第l层模型驱动图卷积层的输出如下所示：
Figure BDA0003602993950000078
式中，Vl、θl为第l层模型驱动图卷积层输出的电压幅值和相角。
其中，参数αl-1、参数βl-1、参数δ、参数ζ、参数λ、参数γ分别如下所示：
Figure BDA0003602993950000081
式中，Gndiag、Bndiag为去除对角元素的节点电导和电纳矩阵；
池化层的输入为第K层模型驱动图卷积层的输出，输出如下所示：
H＝VK||pool(VK)||θK||pool(θK) (10)
式中，pool(.)表示在特征通道的均值池化。||表示对特征进行拼接。
Figure BDA0003602993950000082
表示电力系统潮流特征。
所述预测模块包括全连接层。预测模块的输入包括电力系统潮流特征H，输出如下所示：
Figure BDA0003602993950000083
式中，
Figure BDA0003602993950000084
分别为全连接神经网络中与节点电压幅值有关的权重与偏置；Wθ、Bθ分别为全连接神经网络中与节点电压相角有关的权重与偏置；Vout，θout分别为预测的节点电压幅值和相角；PFout，QFout分别为预测的支路有功与无功。A为节点支路连接矩阵；WPF、BPF分别为与支路有功有关的权重与偏置；WQF、BQF分别为与支路无功有关的权重与偏置；
所述模型驱动的图卷积神经网络由历史历史潮流样本或模拟生成的样本训练得到。所述样本包括不同拓扑下不同新能源分布的训练样本。
5)获取电力系统基本数据，并输入到模型驱动的图卷积神经网络中，得到电力系统潮流。
所述电力系统基本数据包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。
实施例2：
模型驱动图卷积神经网络潮流计算方法，步骤包括：
首先，根据图卷积神经网络中的领域聚集方法，对电力系统线性潮流方程进行去中心化处理，形成相邻节点状态更新中心节点的状态方程。然后求解所有状态方程中相同节点耦合方程，实现状态方程解耦处理。当得到解耦的状态更新方法之后，再讲该方程应用于图卷积神经网络中的领域聚集形成模型驱动的图卷积层。最后将多个模型图卷积层依次连接并添加特征全局池化层与全连接层形成模型驱动的图卷积神经网络。通过蒙特卡洛模拟法抽取不同拓扑下不同新能源分布的训练样本对模型驱动图卷积神经网络进行训练，最后得到的该系统下的潮流计算模型。最后仿真计算在IEEE14节点系统潮流以验证本发明的有效性与准确性。
实施例3：
模型驱动图卷积神经网络潮流计算方法，步骤包括：
1)基于线性潮流模型的图卷积
本发明根据领域聚集的过程对线性潮流方程进行转化，推导得到模型驱动得到领域聚集方法，并将所推导的领域聚集方法应用于图卷积，形成模型驱动的图卷积层。最终实现系统拓扑内嵌神经网络。本发明将状态变量(电压幅值和相角)视为图中的节点特征，利用线性潮流方程进行推导。线性潮流模型表示为：
Figure BDA0003602993950000091
其中Vi，θi是节点电压幅值和相角；Gij，Bij分别是电导矩阵和电纳矩阵中的第i行j列元素。Pi，Qi分别是节点注入有功和无功。
在(1)中，将
Figure BDA0003602993950000092
视为节点独立变量，将右侧所有包含i节点的状态变量的项移动至左边，其余项移动至右边，形成状态更新方程。
Figure BDA0003602993950000093
式中，N(t)表示与节点i相连的节点集合；
在(2)的等号右侧，其主要包含节点输入特征(节点注入有功和无功)和从相邻节点获取的特征，等号左侧为节点特征的耦合关系。为了简单起见，设置右侧为αi和βi，左侧的系数分别为δi、γi、λi、ζi。公式(2)可简化为：
Figure BDA0003602993950000101
其中：
Figure BDA0003602993950000102
因此保留右侧αi和βi，并求解左侧的耦合的线性方程。得到节点特征状态更新方程，即模型驱动领域聚集方法，如：
Figure BDA0003602993950000103
将推导得到的领域聚集方法带入图卷积表达式中，最终得到模型驱动的图卷积方法，其表达式为：
Figure BDA0003602993950000104
其中：
Figure BDA0003602993950000105
在(6)中，
Figure BDA0003602993950000111
分别为电压幅值和相角的图卷积核。所提图卷积方法不仅仅将电力系统拓扑内嵌至神经网络内部，还在聚集节点特征时保留了潮流的耦合特性。通过将所提模型驱动图卷积内嵌图卷积神经网络实现电力系统拓扑与物理关系的内嵌，如图1所示。
2)模型驱动图卷积神经网络
本发明根据所提出的模型驱动图卷积方法，构建模型驱动的图卷积神经网络。该神经网络包含两部分，分别是特征提取模块和预测模块，如图2所示。
特征提取模块
其中特征提取模块主要由多层模型驱动图卷积层与池化层组成。首先将节点初始状态中节点电压幅值设置为1，相角设置为0。那么节点的输入特征包括V0，θ0，P，Q，G，B。那么第l层的模型驱动图卷积层可以用矩阵表示为：
Figure BDA0003602993950000112
其中：
Figure BDA0003602993950000113
通过将多层模型驱动图卷积连接形成模型驱动图卷积神经网络中特征提取模块第一部分。当在N节点系统中搭建拥有K层图卷积的模型驱动图卷积神经网络，且最后卷积层中包含n个特征通道，那么卷积得到的特征为VK，
Figure BDA0003602993950000114
然后将得到的特征在每个特征通道进行均值池化，并将池化得到的特征向量添加到各个节点的特征向量，最终形成节点的完整特征向量，其数学表达为：
H＝VK||pool(VK)||θK||pool(θK) (10)
其中pool(.)表示在特征通道的均值池化；||表示对特征进行拼接；
Figure BDA0003602993950000115
表示特征池化之后得到的全局特征向量与输入的局部特征向量拼接得到的完整特征。
预测模块
预测模块主要由全连接层搭建。其中由于潮流计算包含节点电压幅值和相角、支路有功和无功。但是特征提取模块没有提取得到支路特征向量，无法进行支路有功无功预测。因此本发明将节点特征向量转化为支路特征向量，其中主要通过节点支路连接矩阵A进行转化。那么预测模块的输出可以表示为：
Figure BDA0003602993950000121
其中
Figure BDA0003602993950000122
分别为全连接神经网络中可训练的权重与偏置；Vout，θout分别为预测的节点电压幅值和相角；PFout，QFout分别为预测的支路有功与无功。
最终通过将特征提取模块和预测模块合并，形成模型驱动的图卷积神经网络。通过使用历史潮流样本或者模拟生成样本，所提模型驱动神经网络能够在拓扑或者新能源分布改变的情况下准确计算潮流。
实施例4：
模型驱动图卷积神经网络潮流计算方法的实验，内容包括：
本实施例中系统的基础数据参见IEEE14节点系统。在系统中增加了风电场和光伏发电场，以考虑可再生能源的不确定性。假设风速服从威布尔分布，其尺度参数为2.016，形状参数为5.089。单个风机最大出力为70MW。太阳辐照度服从贝塔分布其α＝2.06，β＝2.5。单个光伏机组最大出力为45MW。在4和11节点上各添加一个风电机组，在3和8节点上各添加一个光伏机组。假设负荷服从正态分布，其标准差为0.1，均值为系统默认负荷。为考虑不同拓扑下的情况，本实施例通过收集支路N-1和N-2故障的样本进行训练与测试。在仿真中，随机选择电力系统中的1或者2条输电线路来考虑偶发事件。通过随机抽样，收集10000个训练样本和1000个测试样本。
本实施例中，所提方法与现有深度神经网络(DNN)、图神经网络(GNN)和图卷积神经网络(GCN)进行对比。在Tensorflow深度学习框架下搭建以上三种神经网络和所提方法，使用adam优化器训练神经网络，最终得到神经网络训练的损失随训练次数的曲线，如图3。然后将训练得到神经网络模型用于预测测试集的样本，得到预测的概率精度如表一。概率精度为神经网络预测误差小于阈值的概率。在本实施例中，节点电压幅值和相角、支路有功和无功的阈值分别为0.001p.u.，0.01rad，5MW和5MWar。
表一
Figure BDA0003602993950000131
在图3中可以观察到，图卷积神经网络和模型驱动图卷积神经网络在1000次训练能够收敛。但是本发明所提模型驱动图卷积神经网络收敛性更强，能够在训练集收敛到损失更小。从表一中可以观察到，只有所提方法的预测精度能够达到95％以上。因此综上所述，所提方法计算潮流具有更高的精度。
实施例5：
模型驱动图卷积神经网络潮流计算方法的实验，内容包括：
本实施例使用IEEE30节点系统，随机选取节点添加风电机组和光伏机组(各机组设置与实施例1相同)，使新能源渗透率达到35％。假设负载服从正态分布，其标准差为[0，0.1]之间的一个随机数，均值为[Pddefault-0.5，Pddefault+0.5]区间的一个随机数。对于拓扑的变化，在抽取样本时，随机选取一条支路发生故障，最后随机抽取10000个样本用于训练。对于测试集的样本抽取，在单个样本抽取时，也随机选取一条支路发生故障，并且修改负荷分布的标准差和平均值，最后进行潮流计算得到单个样本。对于不同的标准差和平均值都收集1000个样本进行测试，最终得到所有情况的测试结果，如图4所示。
从图4中可以观察得到，在训练集包含的负荷波动时，不同神经网络的预测误差都比较低，但是当测试数据的负荷波动分布不在训练集中时，深度神经网络和图卷积神经网络的预测误差急剧上升，但是本发明所提模型驱动图卷积神经网络潮流计算方法测试五误差上升非常缓慢。由此可以证明，本发明所提模型驱动图卷积神经网络潮流计算方法对于未知的负荷分布具有良好的适应能力。
实施例6：
模型驱动图卷积神经网络潮流计算方法的实验，内容包括：
本实施例在实施例5的基础上，固定负荷分布，使其标准差为0.1，平均值为系统默认负荷。然后抽取1000个样本作为测试集，并且在单个样本的抽取过程中，随机选取两条支路发生故障来模拟与训练集不同的拓扑。最后使用实施例2中训练得到的模型，对所抽取样本进行测试，测试结果如表二。
表二
方法 P<sub>v</sub> P<sub>θ</sub> P<sub>PL</sub> P<sub>QL</sub>
DNN 43.60％ 50.28％ 78.60％ 88.18％
GCN 48.98％ 51.21％ 91.65％ 97.32％
Model-driven GCN 92.95％ 97.65％ 99.24％ 99.77％
由表二数据可知，对于训练集中没有包含拓扑的样本，深度神经网络和图卷积神经网络完全不能适应，预测精度低于50％。但是本发明的方法仍然能够保持90％以上的预测精度。由此可知本发明所提方法具有良好的拓扑适应能力。

Claims (8)

1.模型驱动图卷积神经网络潮流计算方法，其特征在于，包括以下步骤：
1)建立所述电力系统线性潮流方程。
2)对电力系统线性潮流方程进行去中心化处理，得到节点特征状态更新方程。
3)根据节点特征状态更新方程建立模型驱动的图卷积方程；
4)根据所述模型驱动的图卷积方程建立模型驱动的图卷积神经网络；
5)获取电力系统基本数据，并输入到模型驱动的图卷积神经网络中，得到电力系统潮流。
2.根据权利要求1所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，电力系统线性潮流方程如下所示：
Figure FDA0003602993940000011
式中，Vi、Vj为节点i和节点j的电压幅值；Gij，Bij分别为电导矩阵和电纳矩阵中的第i行j列元素；Pi，Qi分别为节点注入有功和无功；Gi，shunt、Bi，shunt分别为节点i的对地电导与电纳；N(i)表示与节点i相连的节点集合；θij为节点i和节点j之间的电压相角差。
3.根据权利要求2所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，电力系统线性潮流方程中的状态变量包括电压幅值和相角。
4.根据权利要求2所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，对电力系统线性潮流方程进行去中心化处理的步骤包括：
1)以电力系统线性潮流方程中的参数
Figure FDA0003602993940000013
为节点独立变量，建立状态更新方程，即
Figure FDA0003602993940000012
式中，N(i)表示与节点i相连的节点集合；θi、θj为节点i和节点j的电压相角；
2)引入中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi，并对公式(2)进行简化，得到：
Figure FDA0003602993940000021
其中，中间参量αi、中间参量βi、中间参量δi、中间参量γi、中间参量λi、中间参量ζi分别如下所示：
Figure FDA0003602993940000022
式中，Gii、Bii分别为电导矩阵和电纳矩阵中的第i行j列元素；
3)建立节点特征状态更新方程，即：
Figure FDA0003602993940000023
5.根据权利要求4所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，模型驱动的图卷积方程如下所示：
Figure FDA0003602993940000024
式中，
Figure FDA0003602993940000025
分别为电压幅值和相角的图卷积核；
Figure FDA0003602993940000026
分别为电压幅值向量和相角向量；σ()为图卷积函数；
其中，参数
Figure FDA0003602993940000027
参数
Figure FDA0003602993940000028
分别如下所示：
Figure FDA0003602993940000031
式中，
Figure FDA0003602993940000032
分别为电压幅值向量和相角向量。Pi，Qi分别为节点注入有功和无功。
6.根据权利要求4所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，所述模型驱动的图卷积神经网络包括特征提取模块和预测模块；
所述特征提取模块的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B；
所述特征提取模块包括K层模型驱动图卷积层和池化层；第一层模型驱动图卷积层的输入包括节点初始状态电压幅值V0、相角θ0、节点注入有功户、节点注入无功Q、电导G和电纳B；第K层模型驱动图卷积层的输出包括电压幅值VK∈RN×n和相角θK∈RN×n；N×n为维度；
其中，第l层模型驱动图卷积层的输出如下所示：
Figure FDA0003602993940000033
式中，Vl、θl为第l层模型驱动图卷积层输出的电压幅值和相角；
其中，参数αl-1、参数βl-1、参数2、参数ζ、参数λ、参数γ分别如下所示：
Figure FDA0003602993940000034
式中，Gndiag、Bndiag为去除对角元素的节点电导和电纳矩阵；
池化层的输入为第K层模型驱动图卷积层的输出，输出如下所示：
H＝VK||pool(VK)||θK||pool(θK) (10)
式中，pool(·)表示在特征通道的均值池化；||表示对特征进行拼接；
Figure FDA0003602993940000043
表示电力系统潮流特征；
所述预测模块包括全连接层；预测模块的输入包括电力系统潮流特征H，输出如下所示：
Figure FDA0003602993940000041
式中，
Figure FDA0003602993940000042
分别为全连接神经网络中与节点电压幅值有关的权重与偏置；Wθ、Bθ分别为全连接神经网络中与节点电压相角有关的权重与偏置；Vout，θout分别为预测的节点电压幅值和相角；PFout，QFout分别为预测的支路有功与无功。A为节点支路连接矩阵；WPF、BPF分别为与支路有功有关的权重与偏置；WQF、BOF分别为与支路无功有关的权重与偏置。
7.根据权利要求1所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，所述模型驱动的图卷积神经网络由历史潮流样本或模拟生成的样本训练得到；所述样本包括不同拓扑下不同新能源分布的训练样本。
8.根据权利要求1所述的模型驱动图卷积神经网络潮流计算方法，其特征在于，所述电力系统基本数据包括节点初始状态电压幅值V0、相角θ0、节点注入有功P、节点注入无功Q、电导G和电纳B。
CN202210409057.1A 2022-04-19 2022-04-19 模型驱动图卷积神经网络潮流计算方法 Pending CN114861874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210409057.1A CN114861874A (zh) 2022-04-19 2022-04-19 模型驱动图卷积神经网络潮流计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210409057.1A CN114861874A (zh) 2022-04-19 2022-04-19 模型驱动图卷积神经网络潮流计算方法

Publications (1)

Publication Number Publication Date
CN114861874A true CN114861874A (zh) 2022-08-05

Family

ID=82632524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210409057.1A Pending CN114861874A (zh) 2022-04-19 2022-04-19 模型驱动图卷积神经网络潮流计算方法

Country Status (1)

Country Link
CN (1) CN114861874A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201615A (zh) * 2022-09-15 2022-10-18 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN116316629A (zh) * 2022-12-27 2023-06-23 杭州电力设备制造有限公司 一种考虑拓扑特征学习的数据驱动最优潮流计算方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201615A (zh) * 2022-09-15 2022-10-18 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN115201615B (zh) * 2022-09-15 2022-12-20 之江实验室 基于物理约束神经网络的非侵入式负荷监测方法及装置
CN116316629A (zh) * 2022-12-27 2023-06-23 杭州电力设备制造有限公司 一种考虑拓扑特征学习的数据驱动最优潮流计算方法

Similar Documents

Publication Publication Date Title
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN114861874A (zh) 模型驱动图卷积神经网络潮流计算方法
CN112632794B (zh) 基于交叉熵参数子集模拟优化的电网可靠性评估方法
CN109842373A (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN109599872B (zh) 基于堆栈降噪自动编码器的电力系统概率潮流计算方法
CN110059737B (zh) 基于集成深度神经网络的配电变压器连接关系辨识方法
CN112990553A (zh) 使用自注意机制和双线性融合的风电超短期功率预测方法
CN110601204A (zh) 基于随机变量状态时序模拟的光伏并网系统概率潮流分析方法
CN112711902A (zh) 一种基于蒙特卡洛采样和深度学习的电网电压计算方法
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN117910826A (zh) 基于加权组合优化的碳排放预测方法及系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116722653A (zh) 一种电力系统动态状态检测方法及系统
CN115659844B (zh) 基于风电场动态模型的仿真方法、装置和计算机设备
CN110829434B (zh) 一种提高深度神经网络潮流模型扩展性的方法
CN116502024A (zh) 一种基于模型驱动的配电网线路参数辨识方法
CN113783186B (zh) 一种考虑配电网拓扑结构变化的电压预测方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
CN111061151A (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN115276067A (zh) 一种适应配电网拓扑动态变化的分布式储能电压调节方法
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统

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