CN116484740A - 一种基于挖掘电网空间拓扑特征的线路参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于挖掘电网空间拓扑特征的线路参数辨识方法，涉及电力系统中电网支路的参数辨识技术领域，具体是一种基于图卷积神经网络和自注意力机制的电网支路参数辨识方法，包括：获取电网运行的历史数据，根据电力线路功率平衡关系计算出支路电导作为模型训练标签值；根据物理配电系统拓扑结构计算邻接矩阵和度矩阵，构造图数据集；构建图卷积自注意力神经网络模型；将图数据集输入模型训练，不断更新模型参数权重，使结果输出准确；再获取电网运行的实测数据，构造成图数据集；将图数据集输入训练好的模型中，进行参数辨识预测。本发明不仅可以提高电网支路参数辨识的精度，还可以应对局部噪声干扰和数据异常的问题。

Description

一种基于挖掘电网空间拓扑特征的线路参数辨识方法

技术领域

本发明涉及电力系统中电网支路的参数辨识技术领域，具体涉及一种基于挖掘电网空间拓扑特征的线路参数辨识方法。

背景技术

电力系统输电线路的运行参数，是电力系统的基础数据。由于电力系统日益复杂，且受到周围环境等因素的干扰，线路参数辨识面临较大的挑战，传统的辨识方法已不能满足当前的需要。

公式计算法利用线路的物理参数，计算结果与实际情况不符。测量法主要是人工注入电压、电流信号，通过线路建模计算参数，与公式计算法相比，该方法更为精确，但也存在依赖测量设备、忽略运行工况、抗干扰能力不足等问题。基于实测数据的线路参数辨识主要利用数据采集与监控系统(SCADA)或相量测量单元(PMU)，结合参数辨识算法消除或减小偏差。

随着人工智能的发展，神经网络等机器学习算法考虑电力系统的历史数据进行建模。基于机器学习的参数识别方法主要是单个模型驱动的计算，只关注目标节点的量测信息，不考虑电网全局拓扑，一旦测量有误，预测结果将产生较大的偏差。

图卷积神经网络可以处理电网拓扑结构这种非欧几里得数据，通过融合相邻节点的特征，丰富了节点的语义信息。而自注意力机制具有查询-键-值(Q-K-V)的特点，关注信息的重要性。切比雪夫图卷积选取高阶K近邻的节点信息，对不同节点的高阶邻接关系建模。自适应图卷积着重于相邻节点的直接关系建模。

发明内容

发明目的：针对以上问题，本发明提出一种基于挖掘电网空间拓扑特征的线路参数辨识方法，提高模型参数辨识的精度和鲁棒性。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于挖掘电网空间拓扑特征的线路参数辨识方法，利用图卷积神经网络和自注意力机制挖掘电网空间拓扑特征，包括如下步骤：

S1、获取电网运行的历史数据，计算支路电导，然后对线路两端点的有功功率、无功功率、电压，以及对地导纳组成的多维数据特征进行标准化处理；

S2、根据物理配电系统拓扑结构计算邻接矩阵和度矩阵，构造图数据集；图结构中每个节点表示线路两端点的多维数据特征；

S3、将数据集划分为训练集、测试集和验证集，构建基于图结构数据的图卷积自注意力神经网络模型；模型的输入为构造的图数据集，输出预测的电导；

S4、将图数据集输入模型训练，更新模型参数权重，预测标签支路电导，使误差达到最小值，直达收敛，保存模型；

S5、再获取电网运行的实测数据，将数据进行标准化处理，然后构造成图数据集；将图数据集输入训练好的模型中，预测电网支路参数辨识结果。

优选的，在S1中，根据集中参数模型π型等效电路和输电线路功率平衡关系，计算支路电导g，对多维数据进行标准化处理，具体包括：

使用Z-score标准化方法，对获取的数据在特征维度上进行标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，公式如下：

其中X'表示标准化后的数据，X是原始数据，X.mean()是对数据特征求均值，X.std()是对数据特征求方差。

优选的，在S2中，所有的输入特征集中在输电线路上，将物理配电系统拓扑结构中的边即每条传输线路视为图结构中的节点，变电站视为节点连接的边，也是线路连接的无权重的边，则每个节点包含线路两端点的有功功率、无功功率、电压，以及对地导纳组成的七维特征，构造出无向图结构；

根据图卷积运算中图的定义，节点之间有连接的邻接状态设为1，无连接的邻接状态设为0，得到图中n个节点的邻接矩阵A∈R^n×n，再由公式D_ii＝∑_jA_ij得到度矩阵，D_ii为对角矩阵，对角元素为各个顶点的度，即表示与目标节点相关联边的数量，A_ij为邻接矩阵A的矩阵元素。

优选的，在S3中，所述图卷积自注意力神经网络模型分为三个模块，前两个模块组成特征编码器，最后一个为特征解码器；

第一个模块为切比雪夫图卷积层，使用切比雪夫多项式逼近卷积核，选择K层相邻节点的卷积核提取特征，并执行线性叠加；

对于切比雪夫图卷积层，归一化图拉普拉斯矩阵表示为其中L为拉普拉斯矩阵，I为单位矩阵，/>为邻接矩阵，/>为度矩阵；切比雪夫图卷积被定义为

其中T_k(x)＝2xT_k-1(x)-T_k-2(x)表示K阶切比雪夫多项式，T₀(x)＝1,T₁(x)＝x；表示经过伸缩变换的拉普拉斯矩阵，/>λ_max为L最大的特征值；X^l为图卷积第l层的特征向量，X^l+1为图卷积第l+1层的特征向量。

优选的，经过切比雪夫模块的特征提取，将提取后的特征输送到第二个模块GraphFormer中，此模块使用多头注意力机制和自适应图卷积层构成；

注意力机制来源于Transformer编码层，采用具有查询Q-键K-值V模型的注意力机制；通过自适应地学习图结构中节点的嵌入，促进邻接矩阵对图形的表示能力，重新定义自适应邻接矩阵为：

其中E₁,E₂∈R^n×d是通过随机初始化的可学习参数，α∈(0,1)表示学习到的邻接矩阵的权重；E₁为源节点嵌入，E₂为目标节点嵌入，它们之间的乘积值表示两个节点的相关权重；ReLU激活函数消除弱连接，SoftMax激活函数用于归一化可学习的邻接矩阵；是通过加权可学习邻接矩阵和固定邻接矩阵后的自适应邻接矩阵，将使用/>的图卷积命名自适应图卷积AGConv；自适应图卷积直接地对节点邻居关系建模。

优选的，经过特征编码层，将提取到的特征向量输送到第三个模块中进行解码预测；解码器由全连接神经网络组成，使用Sigmoid函数作为激活函数；Dropout为0.1。

优选的，在S4中，以均方根误差RMSE作为损失函数，计算公式如下：

其中y是标签的真实值，y'是模型预测值，N表示数据集的数量；设置初始学习率和迭代次数，采用Adam优化器，通过计算误差和反向传播算法不断更新模型的参数权重；

在训练过程中，通过加入信噪比不同的高斯白噪声和丢掉节点数据来模拟在实际生活中遇到的噪声和干扰；当模型预测值与真实值的误差达到最小值，趋于收敛时，输出训练好的模型用于电网支路参数辨识实际预测。

有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：

其一、本发明在基于图结构数据上使用切比雪夫图卷积对数据进行预处理，使用不同大小的卷积核来扩大感受野并提取不同尺度的特征图，让单个节点包含不同尺度的语义信息，这带来了更大的感受野，而不会导致节点信息过平滑。使用切比雪夫图卷积还可以用来建模隐式高阶图结构信息。

其二、本发明嵌入了具有查询-键-值(Q-K-V)自注意力机制，并采用掩码多头注意力，促进图中所有节点的信息交互。在图结构数据的基础上，Transformer中的位置编码只能对线性拓扑结构关系编码，而图中节点的空间拓扑关系未被编码，它与整体的拓扑结构关系不一致，因此去除它能够避免在后续空间拓扑关系建模中引入噪声。

其三、本发明在Graph Former中使用自适应图卷积层替换了位置编码模块。在不确定固定邻接矩阵的情况下，通过重新定义自适应邻接矩阵，使得自适应图卷积也可以直接地对节点邻居关系建模。

其四、本发明从不同的角度深度挖掘电网线路的空间特征，不仅提高了电网支路参数辨识的精度，还增强了模型的鲁棒性。

附图说明

图1为本发明电网参数辨识的流程图；

图2为本发明电网拓扑结构转化为图数据结构图；

图3为本发明中使用K＝1、2近邻的切比雪夫图卷积示意图；

图4为本发明模型中Graph Former架构图。

具体实施方式

下面对本发明进行详细说明，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，都属于本发明保护的范围。

本发明所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，如图1-图4所示，利用图卷积神经网络和自注意力机制挖掘电网空间拓扑特征，包括如下步骤：

S1、获取电网运行的历史数据，计算支路电导，然后对线路两端点的有功功率、无功功率、电压，以及对地导纳组成的多维数据特征进行标准化处理。

本发明实例采用中国电力科学研究院采集的实际电网数据，数据集由1635组数据组成，记录仪每1分钟记录一次数据。其中，选择1200组数据作为训练集，200组数据作为验证集，其余235组数据作为测试集。

为了验证本发明在实际生活中的可靠性，模拟可能会出现的几种干扰加入数据集。

1)添加噪声：实际生活中，环境噪声和电磁噪声等外部噪声干扰各线路的测量数据，将信噪比(SNR)为50dB的高斯噪声加入到数据集中模拟这种情况。

2)丢掉特征：在采集实际数据时，经常存在数据异常问题。每个分支的历史数据的部分特征随机丢失。

3)丢掉节点：整个分支的丢失，一个分支的所有历史数据都在一段时间内丢失，这通常发生在实际环境中，如线路修复。

根据集中参数模型π型等效电路和输电线路功率平衡关系，计算支路电导g，公式如下：

其中，P_i,P_j,Q_i,Q_j,U_i,U_j分别为线路两端节点i,j的有功功率、无功功率、电压，Y是0.5倍的线路对地导纳。使用Z-score标准化方法，对获取的数据在特征维度上进行标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，公式如下：

其中X'表示标准化后的数据，X是原始数据，X.mean()是对数据特征求均值，X.std()是对数据特征求方差。

S2、根据物理配电系统拓扑结构计算邻接矩阵和度矩阵，构造图数据集。

将标准化的数据集构造成图数据集，如图2所示，A,B,C分别表示三个变电站，A与B,B与C是双线连接，A与C是单线连接。ab、ba、bc、cb、ac表示传输线路，这里并不是代表线路传输的有向性，而是用于区分双连接中的两条线路。将每条传输线路视为图数据中的节点，变电站视为线路连接的无权重的边，构造出无向图结构，再根据图计算出邻接矩阵。

S3、将数据集划分为训练集、测试集和验证集，构建基于图结构数据的图卷积自注意力神经网络模型，模型的输入为构造的图数据集，输出预测的电导。

所述图卷积自注意力神经网络模型分为三个模块，前两个模块组成特征编码器，最后一个为特征解码器。

第一个模块为切比雪夫图卷积层，使用切比雪夫多项式逼近卷积核，选择K层相邻节点的卷积核提取特征，并执行线性叠加；

对于切比雪夫图卷积层，归一化图拉普拉斯矩阵表示为其中L为拉普拉斯矩阵，I为单位矩阵，/>为邻接矩阵，/>为度矩阵；切比雪夫图卷积被定义为

其中T_k(x)＝2xT_k-1(x)-T_k-2(x)表示K阶切比雪夫多项式，T₀(x)＝1,T₁(x)＝x；表示经过伸缩变换的拉普拉斯矩阵，/>λ_max为L最大的特征值；X^l为图卷积第l层的特征向量，X^l+1为图卷积第l+1层的特征向量。

多维特征数据首先输送到切比雪夫模块预处理，具体地，将切比雪夫图卷积的输入通道设为7，输出通道设为128。切比雪夫图卷积使用不同大小的卷积核来扩大感受野并提取不同尺度的特征图，让单个节点包含不同尺度的语义信息，这带来了更大的感受野，如图3所示。通过实验比较发现，选择K＝3的相邻节点，整个网络的辨识效果最好。

经过切比雪夫模块的特征提取，将提取后的特征输送到第二个模块Graph Former中，此模块使用多头注意力机制和自适应图卷积层构成；

注意力机制来源于Transformer编码层，采用具有查询-键-值(Q-K-V)模型的注意力机制；通过自适应地学习图结构中节点的嵌入，促进邻接矩阵对图形的表示能力，重新定义自适应邻接矩阵为：

其中E₁,E₂∈R^n×d是通过随机初始化的可学习参数，α∈(0,1)表示学习到的邻接矩阵的权重；E₁为源节点嵌入，E₂为目标节点嵌入，它们之间的乘积值表示两个节点的相关权重；ReLU激活函数消除弱连接，SoftMax激活函数用于归一化可学习的邻接矩阵；是通过加权可学习邻接矩阵和固定邻接矩阵后的自适应邻接矩阵，将使用/>的图卷积命名自适应图卷积(AGConv)；自适应图卷积直接地对节点邻居关系建模。

在进入Graph Former模块之前首先经过层归一化(LayerNorm)对预处理后的特征向量进行归一化，Graph Former架构如图4所示。然后，采用多头注意力机制进行自注意力计算，其中多头自注意力由h＝4个卷积自注意力组成，注意力层的输入由Q、K、V三个部分组成。具体地，X∈R^n×d为注意力层的输入，然后被并行地馈送到三个全连接层中，产生三个维度均为n×d的输出，分别为查询Q，键K，值V。用注意力函数来表示：

其中是为了在使用点积计算注意力分数时，保持数值稳定。多头注意力函数就是把h个自注意力拼接起来，整个多头注意力函数可以写成：

MultiHead(Q,K,V)＝Concat9head₁,head₂,…,head_h)W

head_i＝Attention(QW_i ^Q,KW_i ^K,VW_i ^V)

其中head_i表示第i个头的自注意力，W表示对拼接后的注意力进行线性变换的权重矩阵，W_i ^Q,W_i ^K,W_i ^V分别为针对Q，K，V不同的权重矩阵。

自适应图卷积层(AGConv)由2层网络共享，卷积层数取决于图数据结构的复杂度。通过实验可得，自邻接矩阵的超参数α＝0.8时，对邻域节点的关系建模效果最好。这两部分都包含了Dropout(设为0.1)和跳跃连接(Skip Connection)，使得训练更加容易和避免出现过拟合。

经过特征编码层，将提取到的特征向量输送到第三个模块中进行解码预测；解码器由全连接神经网络组成；在解码器模块，采用两层全连接层神经网络，每个分支隐藏层神经元分别为256和128，使用Sigmoid函数作为激活函数，dropout设为0.1。

S4、将图数据集输入模型训练，更新模型参数权重，预测标签支路电导，使误差达到最小值，直达收敛，保存模型。

在训练模型阶段，使用均方根误差RMSE和平均绝对值误差MAE作为评价指标，其公式如下：

其中y是标签的真实值，y'是模型预测值，N表示数据集的数量。初始学习率设为0.0002，dropout设为0.1，使用Adam算法作为优化函数，迭代次数设置100。通过计算误差和反向传播算法不断更新模型的参数权重，当预测结果收敛，输出训练好的模型用于电网支路参数辨识实际预测。

S5、从中国电力科学研究院获取真实的输电系统数据集，将数据进行标准化处理，然后构造成图数据集；将图数据集输入训练好的模型中，预测电网支路参数辨识结果，与电网调度中心的理想值作比较。

上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，利用图卷积神经网络和自注意力机制挖掘电网空间拓扑特征，包括如下步骤：

S1、获取电网运行的历史数据，计算支路电导，然后对线路两端点的有功功率、无功功率、电压，以及对地导纳组成的多维数据特征进行标准化处理；

S2、根据物理配电系统拓扑结构计算邻接矩阵和度矩阵，构造图数据集；图结构中每个节点表示线路两端点的多维数据特征；

S3、将数据集划分为训练集、测试集和验证集，构建基于图结构数据的图卷积自注意力神经网络模型；模型的输入为构造的图数据集，输出预测的电导；

S4、将图数据集输入模型训练，更新模型参数权重，预测标签支路电导，使误差达到最小值，直达收敛，保存模型；

S5、再获取电网运行的实测数据，将数据进行标准化处理，然后构造成图数据集；将图数据集输入训练好的模型中，预测电网支路参数辨识结果。

2.根据权利要求1所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，在S1中，根据集中参数模型π型等效电路和输电线路功率平衡关系，计算支路电导g，对多维数据进行标准化处理，具体包括：

使用Z-score标准化方法，对获取的数据在特征维度上进行标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，公式如下：

其中X'表示标准化后的数据，X是原始数据，X.mean()是对数据特征求均值，X.std()是对数据特征求方差。

3.根据权利要求1所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，在S2中，所有的输入特征集中在输电线路上，将物理配电系统拓扑结构中的边即每条传输线路视为图结构中的节点，变电站视为节点连接的边，也是线路连接的无权重的边，则每个节点包含线路两端点的有功功率、无功功率、电压，以及对地导纳组成的七维特征，构造出无向图结构；

根据图卷积运算中图的定义，节点之间有连接的邻接状态设为1，无连接的邻接状态设为0，得到图中n个节点的邻接矩阵A∈R^n×n，再由公式D_ii＝∑_jA_ij得到度矩阵，D_ii为对角矩阵，对角元素为各个顶点的度，即表示与目标节点相关联边的数量，A_ij为邻接矩阵A的矩阵元素。

4.根据权利要求1所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，在S3中，所述图卷积自注意力神经网络模型分为三个模块，前两个模块组成特征编码器，最后一个为特征解码器；

第一个模块为切比雪夫图卷积层，使用切比雪夫多项式逼近卷积核，选择K层相邻节点的卷积核提取特征，并执行线性叠加；

对于切比雪夫图卷积层，归一化图拉普拉斯矩阵表示为其中L为拉普拉斯矩阵，I为单位矩阵，/>为邻接矩阵，/>为度矩阵；切比雪夫图卷积被定义为

其中T_k(x)＝2xT_k-1(x)-T_k-2(x)表示K阶切比雪夫多项式，T₀(x)＝1,T₁(x)＝x；表示经过伸缩变换的拉普拉斯矩阵，/>λ_max为L最大的特征值；X^l为图卷积第l层的特征向量，X^l+1为图卷积第l+1层的特征向量。

5.根据权利要求4所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，经过切比雪夫模块的特征提取，将提取后的特征输送到第二个模块Graph Former中，此模块使用多头注意力机制和自适应图卷积层构成；

注意力机制来源于Transformer编码层，采用具有查询Q-键K-值V模型的注意力机制；通过自适应地学习图结构中节点的嵌入，促进邻接矩阵对图形的表示能力，重新定义自适应邻接矩阵为：

其中E₁,E₂∈R^n×d是通过随机初始化的可学习参数，α∈(0,1)表示学习到的邻接矩阵的权重；E₁为源节点嵌入，E₂为目标节点嵌入，它们之间的乘积值表示两个节点的相关权重；ReLU激活函数消除弱连接，SoftMax激活函数用于归一化可学习的邻接矩阵；是通过加权可学习邻接矩阵和固定邻接矩阵后的自适应邻接矩阵，将使用/>的图卷积命名自适应图卷积AGConv；自适应图卷积直接地对节点邻居关系建模。

6.根据权利要求5所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，经过特征编码层，将提取到的特征向量输送到第三个模块中进行解码预测；解码器由全连接神经网络组成，使用Sigmoid函数作为激活函数；Dropout为0.1。

7.根据权利要求1所述的一种基于挖掘电网空间拓扑特征的线路参数辨识方法，其特征在于，在S4中，以均方根误差RMSE作为损失函数，计算公式如下：

其中y是标签的真实值，y'是模型预测值，N表示数据集的数量；设置初始学习率和迭代次数，采用Adam优化器，通过计算误差和反向传播算法不断更新模型的参数权重；

在训练过程中，通过加入信噪比不同的高斯白噪声和丢掉节点数据来模拟在实际生活中遇到的噪声和干扰；当模型预测值与真实值的误差达到最小值，趋于收敛时，输出训练好的模型用于电网支路参数辨识实际预测。