CN116908619A - 一种基于时空图注意力卷积网络的谐波源定位方法 - Google Patents

Abstract

本发明公开了一种基于时空图注意力卷积网络的谐波源定位方法，属于电力大数据处理技术领域。本发明用以解决现有技术中谐波源定位依靠传统数学公式方程方法不易建立，适应新型电网环境困难的问题。本发明可以集成节点信息和拓扑结构空间信息的特点，通过模型的时空图注意力模块可以有效提取节点间强时空耦合关系并进行全网谐波状态估计，精准估计全网谐波状态，并引入统计学中的皮尔逊相关系数计算每个节点谐波电流与谐波电压的相关性，有效区分谐波源节点。本发明完全基于数据驱动，克服了复杂电网环境下仅依靠基于机理的单一公式或方程无法精确求解的局限性。

Description

一种基于时空图注意力卷积网络的谐波源定位方法

技术领域

本发明涉及一种基于时空图注意力卷积网络的谐波源定位方法，属于电力大数据处理技术领域。

背景技术

随着现代电力系统和智能电网的发展，电力电子设备的应用越来越广泛，发电、可再生能源储能单元转换、交直流电网互联、灵活的电力双向流动、谐波和无功功率的动态补偿都依赖于电力电子器件。由于高压大功率电子器件的发展，变换器单元模块化和智能控制策略的进步水平的提高，电力电子器件将在电力系统中发挥更大的作用。然而，电力电子设备作为非线性时变负载必定会产生非正弦波形污染电气环境，使得供电质量恶化，导致信号干扰、过电压、数据丢失、设备故障、设备发热、损坏等一系列问题。为了抑制谐波产生的危害、保证电力系统安全运行，进行准确的谐波源定位具有重要意义。

综合国内外相关研究文献，目前主要有两大类谐波源定位方法：第一类为基于等效电路的定位法，此方法原理简单，但只针对单一谐波源，不能解决系统内存在多谐波源的定位问题，在实际电力系统应用中受到限制；第二类为基于谐波状态估计的谐波源定位法，此类方法能够以较小量测成本实现系统内全部谐波源定位，是当前的研究热门。

着分布式新能源的接入，引起谐波的因素和类型多且复杂，谐波源之间的关联性也增大，节点间的关系仅依靠传统的单一方程或公式不能准确拟合，因此基于数据驱动的深度学习方法为谐波状态估计提供了新的思路。深度学习技术的优势在于能由数据驱动，对具体数学模型依赖程度低，具有强大的数据特征提取能力。普通的深度神经网络只依赖于历史数据，未考虑到电网的拓扑结构信息，而时空图卷积网络近期获得了很大关注，它在建模时自然的集成拓扑结构空间信息和数据的时序特征，能够挖掘出数据背后存在的深层隐含的时空关系。本文提出了基于时空图注意力卷积网络的谐波状态估计模型，并利用此模型估计的谐波状态完成了谐波源定位。首先利用图注意力卷积网络获取电网各节点的拓扑结构信息，并通过空间注意力机制，建立空间相关性模型，然后利用门控循环单元捕捉谐波数据的动态变化，建立时间相关性模型。通过PSCAD搭建IEEE14节点标准配电网仿真模型证明了时空图注意力卷积网络模型在谐波状态估计上的优越性，最终通过引入统计学中的皮尔逊相关系数值求得了谐波源的位置。模型克服了传统谐波状态估计方法谐波阻抗难以获得、量测方程不易建立和难以准确测量谐波电压及电流相位以及估计精确度不高的难题，具有极高的泛化能力和稳定性。

发明内容

本发明的目的在于，针对传统谐波状态估计及谐波源定位方法谐波阻抗难以获得、量测方程不易建立和难以准确测量谐波电压及电流相位以及估计精确度不高的弊端，造成谐波状态估计及定位精度不高等问题，提供一种基于时空图注意力卷积网络的谐波源定位方法。

本发明采用具有强大时空维度特征提取能力的时空图注意力卷积网络作为主要架构，依据此模型完成谐波状态估计，结合皮尔逊相关系数进行谐波源位置判定。这种时空维度特征的提取，依靠图注意力机制更新未知节点谐波状态，完全克服了依靠传统数学公式方程方法不易建立，且在适应新型电网环境、精确度等方面面临的缺陷。本发明的方法同时具有良好的抗噪性能和泛化能力。

为达到上述目的，发明一种基于时空图注意力卷积网络的谐波源定位方法，包括以下步骤：

S1、构建谐波源定位数据库：

S1.1：需对谐波电流与谐波电压数据进行线性归一化处理，将所有数据规范化至区间[0,1]，以加速谐波状态估计模型的收敛，公式为：

其中，x_max为数据样本的最大值，x_min为数据样本的最小值，x为样本数据原始值，x′为样本数据归一化处理后的值，同时进行数据划分，将80％的数据作为训练集，20％的数据作为测试集；

S1.2：设有共有N个节点，其中M个为监测点，N-M个为预估计节点，同步采集T时间内N个节点的谐波电流与谐波电压数据τ组，将T时间内τ个时间点的N-M个预估计节点的谐波电流与谐波电压状态置空，并且与M个监测点的谐波状态合并为矩阵X，其中X＝(X₁,X₂,...,X_τ)^T∈R^N×2×τ，将采集的所有节点的谐波状态转为真实值矩阵Y，其中Y＝(Y₁,Y₂,...,Y_τ)^T∈R^N×2×τ，将输入矩阵X中预估计节点的初始谐波状态置0。

S2、构建时空图注意力卷积网络提取数据的空间特征和时间特征：

S2.1：将S1.2中的X矩阵通过图注意力卷积层进行数据时间特征的提取更新获取空间特征后的矩阵X；

根据图的连接结构，计算图注意力系数a_ij，构建图注意力矩阵，图注意力系数的计算方式是：

其中，a_ij为图注意力系数，w为权重系数，h_i为i节点的谐波状态，h_j为j节点的谐波状态，a^T∈R⁴为可学习的参数；

S2.1输入的矩阵X中预估计节点的初始谐波状态是置0的，在图卷积层中通过图注意力机制更新预估节点状态，矩阵状态更新的传播方式是：

H^k+1＝σ(AH^kW),H⁰＝X (3)

其中，H^k为节点在k层的状态，A为由注意力系数a_ij组成的注意力矩阵，W为由权重系数w组成的权重矩阵，σ是sigmoid非线性激活函数；

S2.2：将S2.1中更新的X矩阵通过门控循环单元层进行数据时间特征的提取并再次更新获取时间特征后的矩阵X；

门控循环单元层包括一个候选隐藏状态和两个门：更新门和重置门；

R_t是重置门，用于控制上一时刻状态有多少信息可以写入候选隐藏状态上，重置门公式为：

R_t＝σ(W_r[H_t-1,X_t]+b_r) (4)

候选隐藏状态为：

Z_t是更新门，用于控制前一时刻的谐波状态信息传递到当前时刻的程度：

Z_t＝σ(W_z[H_t-1,X_t]+b_z) (6)

因此更新后的当前时刻状态为：

其中，W和b分别为各自的权重和偏执，X_t为当前时刻的输入，σ为sigmoid非线性激活函数。

S3、对S2的网络模型进行训练至达到纳什均衡，评估模型性能：

S3.1：通过S1中的真实值矩阵指导模型参数的学习，重复S2训练模型至达到纳什均衡，使得估计值与真实值之间的误差达到最小，损失函数为均方根误差损失函数L_RMSE；

训练完毕的模型已提取了电力拓扑中的时空耦合关系，最终达到通过模型输入的初始矩阵X能输出极度接近真实值矩阵Y的目的，此时模型训练完毕，模型已提取了电力拓扑中的时空耦合关系并可以只输入监测节点的谐波状态准确估计全网的谐波状态；

S3.2：用均方根误差(RMSE)来衡量估计值同真实值之间的偏差，其值越小说明估计效果越好。

S4、通过皮尔逊相关系数公式计算谐波电压及谐波电流相关性，确定谐波源位置：

S4：将检测点的谐波状态输入至时空图注意力卷积网络模型，得到全网谐波状态数据，将所有节点的谐波电流和谐波电压输入皮尔逊相关系数ρ_X,Y，计算每个节点的相关性，公式为：

其中，X为谐波电流序列，Y为谐波电压序列，为序列X、Y的平均值，观察所有节点相关性系数值，皮尔逊相关系数会将计算结果会落到[-1,1]之间，数值接近1的确定为谐波源。

附图说明

图1是基于时空图注意力卷积的谐波源定位方法结构示意图；

图2是基于时空图注意力卷积网络模型图。

具体实施方式

为了更好的凸现本发明申请的优点，下面结合申请附图对本申请的研究方案进行详细的描述。如图1所示，展示了基于时空图注意力卷积网络进行谐波状态估计方法，主要步骤详细介绍如下：

S1、构建谐波源定位数据库：

S1.1：需对谐波电流与谐波电压数据进行线性归一化处理，将所有数据规范化至区间[0,1]，以加速谐波状态估计模型的收敛，公式为：

其中，x_max为数据样本的最大值，x_min为数据样本的最小值，x为样本数据原始值，x′为样本数据归一化处理后的值，同时进行数据划分，将80％的数据作为训练集，20％的数据作为测试集；

S1.2：设有共有N个节点，其中M个为监测点，N-M个为预估计节点，同步采集T时间内N个节点的谐波电流与谐波电压数据τ组，将T时间内τ个时间点的N-M个预估计节点的谐波电流与谐波电压状态置空，并且与M个监测点的谐波状态合并为矩阵X，其中X＝(X₁,X₂,...,X_τ)^T∈R^N×2×τ，将采集的所有节点的谐波状态转为真实值矩阵Y，其中Y＝(Y₁,Y₂,...,Y_τ)^T∈R^N×2×τ，将输入矩阵X中预估计节点的初始谐波状态置0。

S2、构建时空图注意力卷积网络提取数据的空间特征和时间特征：

S2.1：将S1.2中的X矩阵通过图注意力卷积层进行数据时间特征的提取更新获取空间特征后的矩阵X；

根据图的连接结构，计算图注意力系数a_ij，构建图注意力矩阵，图注意力系数的计算方式是：

其中，a_ij为图注意力系数，w为权重系数，h_i为i节点的谐波状态，h_j为j节点的谐波状态，a^T∈R⁴为可学习的参数；

S2.1输入的矩阵X中预估计节点的初始谐波状态是置0的，在图卷积层中通过图注意力机制更新预估节点状态，矩阵状态更新的传播方式是：

H^k+1＝σ(AH^kW),H⁰＝X (3)

其中，H^k为节点在k层的状态，A为由注意力系数a_ij组成的注意力矩阵，W为由权重系数w组成的权重矩阵，σ是sigmoid非线性激活函数；

S2.2：将S2.1中更新的X矩阵通过门控循环单元层进行数据时间特征的提取并再次更新获取时间特征后的矩阵X；

门控循环单元层包括一个候选隐藏状态和两个门：更新门和重置门；

R_t是重置门，用于控制上一时刻状态有多少信息可以写入候选隐藏状态上，重置门公式为：

R_t＝σ(W_r[H_t-1,X_t]+b_r) (4)

候选隐藏状态为：

Z_t是更新门，用于控制前一时刻的谐波状态信息传递到当前时刻的程度：

Z_t＝σ(W_z[H_t-1,X_t]+b_z) (6)

因此更新后的当前时刻状态为：

其中，W和b分别为各自的权重和偏执，X_t为当前时刻的输入，σ为sigmoid非线性激活函数。

S3、对S2的网络模型进行训练至达到纳什均衡，评估模型性能：

S3.1：通过S1中的真实值矩阵指导模型参数的学习，重复S2训练模型至达到纳什均衡，使得估计值与真实值之间的误差达到最小，损失函数为均方根误差损失函数L_RMSE；

训练完毕的模型已提取了电力拓扑中的时空耦合关系，最终达到通过模型输入的初始矩阵X能输出极度接近真实值矩阵Y的目的，此时模型训练完毕，模型已提取了电力拓扑中的时空耦合关系并可以只输入监测节点的谐波状态准确估计全网的谐波状态；

S3.2：用均方根误差(RMSE)来衡量估计值同真实值之间的偏差，其值越小说明估计效果越好。

S4、通过皮尔逊相关系数公式计算谐波电压及谐波电流相关性，确定谐波源位置：

S4：将检测点的谐波状态输入至时空图注意力卷积网络模型，得到全网谐波状态数据，将所有节点的谐波电流和谐波电压输入皮尔逊相关系数ρ_X,Y，计算每个节点的相关性，公式为：

其中，X为谐波电流序列，Y为谐波电压序列，为序列X、Y的平均值，观察所有节点相关性系数值，皮尔逊相关系数会将计算结果会落到[-1,1]之间，数值接近1的确定为谐波源。

Claims (5)

1.一种基于时空图注意力卷积网络的谐波源定位方法，其特征在于，包括如下步骤：

S1、构建谐波源定位数据库；

S2、构建时空图注意力卷积网络提取数据的空间特征和时间特征；

S3、对S2的网络模型进行训练至达到纳什均衡，评估模型性能；

S4、通过皮尔逊相关系数公式计算谐波电压及谐波电流相关性，确定谐波源位置。

2.根据权利要求1所述的一种基于时空图注意力卷积网络的谐波源定位方法，其特征在于，S1具体为：

S1.1：需对谐波电流与谐波电压数据进行线性归一化处理，将所有数据规范化至区间[0,1]，以加速谐波状态估计模型的收敛，同时进行数据划分，将80％的数据作为训练集，20％的数据作为测试集；

S1.2：设有共有N个节点，其中M个为监测点，N-M个为预估计节点，同步采集T时间内N个节点的谐波电流与谐波电压数据τ组，将T时间内τ个时间点的N-M个预估计节点的谐波电流与谐波电压状态置空，并且与M个监测点的谐波状态合并为矩阵X，其中X＝(X₁,X₂,...,X_τ)^T∈R^N×2×τ，将采集的所有节点的谐波状态转为真实值矩阵Y，其中Y＝(Y₁,Y₂,...,Y_τ)^T∈R^{N ×2×τ}，将输入矩阵X中预估计节点的初始谐波状态置0。

3.根据权利要求1所述的一种基于时空图注意力卷积网络的谐波源定位方法，其特征在于，S2具体为：

S2.1：将S1.2中的X矩阵通过图注意力卷积层进行数据时间特征的提取更新获取空间特征后的矩阵X；

根据图的连接结构，计算图注意力系数a_ij，构建图注意力矩阵，图注意力系数的计算方式是：

其中，a_ij为图注意力系数，w为权重系数，h_i为i节点的谐波状态，h_j为j节点的谐波状态，a^T∈R⁴为可学习的参数；

S2.1输入的矩阵X中预估计节点的初始谐波状态是置0的，在图卷积层中通过图注意力机制更新预估节点状态，矩阵状态更新的传播方式是：

H^k+1＝σ(AH^kW),H⁰＝X (2)

其中，H^k为节点在k层的状态，A为由注意力系数a_ij组成的注意力矩阵，W为由权重系数w组成的权重矩阵，σ是sigmoid非线性激活函数；

S2.2：将S2.1中更新的X矩阵通过门控循环单元层进行数据时间特征的提取并再次更新获取时间特征后的矩阵X；

门控循环单元层包括一个候选隐藏状态和两个门：更新门和重置门。

4.根据权利要求1所述的一种基于时空图注意力卷积网络的谐波源定位方法，其特征在于，S3具体为：

S3.1：通过S1中的真实值矩阵指导模型参数的学习，重复S2训练模型至达到纳什均衡，使得估计值与真实值之间的误差达到最小，损失函数为均方根误差损失函数L_RMSE；

训练完毕的模型已提取了电力拓扑中的时空耦合关系，最终达到通过模型输入的初始矩阵X能输出极度接近真实值矩阵Y的目的，此时模型训练完毕，模型已提取了电力拓扑中的时空耦合关系并可以只输入监测节点的谐波状态准确估计全网的谐波状态；

S3.2：用均方根误差(RMSE)来衡量估计值同真实值之间的偏差，其值越小说明估计效果越好。

5.根据权利要求1所述的一种基于时空图注意力卷积网络的谐波源定位方法，其特征在于，S4具体为：

S4：将检测点的谐波状态输入至时空图注意力卷积网络模型，得到全网谐波状态数据，将所有节点的谐波电流和谐波电压输入皮尔逊相关系数ρ_X,Y，计算每个节点的相关性，公式为：

其中，X为谐波电流序列，Y为谐波电压序列，为序列X、Y的平均值，观察所有节点相关性系数值，皮尔逊相关系数会将计算结果会落到[-1,1]之间，数值接近1的确定为谐波源。