CN116956017A - 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统 - Google Patents

基于图彩票假设理论的电网暂态失稳子结构定位方法和系统 Download PDF

Info

Publication number
CN116956017A
CN116956017A CN202310499258.XA CN202310499258A CN116956017A CN 116956017 A CN116956017 A CN 116956017A CN 202310499258 A CN202310499258 A CN 202310499258A CN 116956017 A CN116956017 A CN 116956017A
Authority
CN
China
Prior art keywords
graph
matrix
mask
power grid
model weight
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
CN202310499258.XA
Other languages
English (en)
Inventor
宋明黎
汪雨雯
刘顺宇
陈凯旋
李文达
苏运
田英杰
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.)
Zhejiang University ZJU
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
State Grid Shanghai Electric Power Co Ltd
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 Zhejiang University ZJU, State Grid Shanghai Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202310499258.XA priority Critical patent/CN116956017A/zh
Publication of CN116956017A publication Critical patent/CN116956017A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于图彩票假设理论的电网暂态失稳子结构定位方法和系统，包括：首先本发明将电网暂态数据处理为带有暂态稳定性标签的图结构数据，引入图卷积神经网络对图的表示特征进行提取。然后通过基于幅值的联合稀疏化方法，实现对电网图中冗余信息的丢弃，并且考虑到稀疏化过程中，元素的重要性会随着模型结构和图结构的动态改变而发生变化的问题，在每次进行进一步稀疏之前，重新考虑被丢弃元素的重要性，并设计对抗互补擦除框架对识别的关键子结构进行修正。本发明能明确造成电网暂态失稳的原因，为电网暂态失稳的调控提供准确和高效的解决方案。

Description

基于图彩票假设理论的电网暂态失稳子结构定位方法和系统
技术领域
本发明属于电网暂态失稳子结构定位和图结构学习领域，通过结合电网拓扑结构和各元器件属性将电网数据建模为图结构数据，提出基于图彩票假设理论学习电网暂态图结构中导致暂态失稳的子结构的方法，并设计了一种对抗互补擦除框架提高电网暂态失稳子结构定位的精确性，明确造成电网暂态失稳的原因，为电网暂态失稳的调控提供更准确和高效的解决方案。
背景技术
电网的暂态稳定性一般是指正常运行的电力系统在运行过程中受到外部的一些干扰之后，能否达到新的稳定运行状态或恢复到原来运行状态的能力。而当电力系统局部发生严重故障时，会造成电力系统暂态稳定性被破坏，进而产生一系列的连锁反应，如果不能及时采取针对性的安全防控措施，则会导致暂态故障的传递和扩散，危及整个系统的安全运行，引起重大的经济和社会损失。因此对系统进行高效的稳定性判别并精准识别发生故障的子结构，对保障电力系统安全稳定运行至关重要。
时域仿真方法是对电网暂态稳定性进行评估的一种重要研究手段，它根据系统的拓扑结构对电网进行建模，建立相应的代数和微分方程描述系统的暂态运行过程，通过求解这组方程判断和分析系统的暂态稳定性。时域仿真方法较为简单而且计算精度高，但是这种方法在大规模电力系统中，计算量会显著增大，影响计算效率。随着计算机技术的逐渐发展，一些新的研究开始尝试将人工智能相关研究进展与电网暂态稳定性判别相结合。图神经网络是近年来兴起的一种人工智能方法，与传统的深度学习方法相比，图神经网络能处理像电网拓扑信息这样的非欧式数据，因此在有关电力系统的研究中得到了广泛的应用。同样地，通过将电网数据转化为图结构数据，电网暂态稳定性判别问题也可以转化为图神经网络上的二分类任务。
而不论是传统的时域仿真方法还是基于图神经网络的人工智能方法，虽然能够对电网的暂态稳定性进行判别，但是仍然缺少对导致电网暂态失稳的子结构进行定位的方法。对导致电网暂态失稳的子结构进行定位可以明确暂态故障发生的原因，进而指导后续电网调控和检修方案的制定。因此，如何对造成大规模电网暂态失稳的子结构进行快速、准确的定位，是保证电网安全稳定运行亟待解决的问题。
图结构学习(Graph Structure Leaning)指的是在实际应用中由于噪声或数据收集方式使得图结构并不是正确或最优的，因此在学习图神经网络参数的同时也要学习优化的图结构，获得与下游任务有关的最精简的信息，同时保证下游任务的预测准确性，避免与下游任务无关的冗余信息或者噪音信息。图彩票假设理论是其中一个重要的分支，其主要内容是通过在模型训练过程中迭代应用基于幅值的剪枝算法，从原始图神经网络模型和稠密图中联合识别稀疏子模型和关键子结构的组合。而电网暂态失稳子结构定位需要解决的问题实际上是丢弃对于电网暂态失稳无关的结构并且寻找导致电网暂态失稳的最精简的子结构，因此，电网暂态失稳子结构的定位问题本质上是一个图结构学习问题。
发明内容
为解决现有技术存在的上述问题，本发明提供一种基于图彩票假设理论的电网暂态失稳子结构定位方法和系统。
本发明结合电网拓扑结构和各元器件属性，将电网暂态数据建模为图结构数据，在现有的图神经网络的基础上，提出了一种基于图彩票假设理论对电网暂态失稳子结构进行定位的方法。本发明的技术方案是：
一种基于图彩票假设理论的电网暂态失稳子结构定位方法，包含如下步骤：
步骤1.根据电网拓扑结构构建电网图结构数据并修改各项参数的数值，使用时域仿真的结果作为标签，迭代得到电网暂稳数据集；
步骤2.使用图卷积神经网络计算电网暂稳数据集中电网图结构数据的节点嵌入矩阵，随后通过读出层对节点嵌入矩阵进行拼接，得到图表示特征；
步骤3.构建邻接矩阵掩码和模型权重矩阵掩码分别表示电网暂稳数据集中电网图结构数据的邻接矩阵以及图卷积神经网络的模型权重矩阵中元素的重要性，根据训练后的掩码的幅值大小对邻接矩阵和模型权重矩阵进行稀疏；
步骤4.通过对抗互补擦除框架，移除被保留子结构中的干扰性元素，并将被采样出的重要元素添加到被保留子结构；
步骤5.反复迭代执行步骤3和步骤4，并在下一次迭代之前将模型权重矩阵重新设置为初始化权重，直至达到所需的稀疏度；
步骤6.根据优化后的掩码得到关键子图结构并学习图表示特征，利用图表示特征进行电网暂态稳定性判别任务，对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
进一步，步骤1包括：首先根据电网拓扑结构构建图结构数据，然后修改电网负荷水平、电压值、故障线路等参数得到不同样本，分别进行时域仿真，根据仿真结果获得电网暂态稳定性评估结果，用‘0’标记暂态稳定的样本，用‘1’标记暂态失稳的样本，并标注哪些电网路径会导致电网暂态失稳，如此迭代多次便可以获得具有暂态稳定性标签的电网暂稳数据集。
进一步，步骤2所述的图表示特征的提取方法是：2.1计算节点嵌入矩阵。电网数据由各种器件组成，它们可以被视为图结构数据中的节点，而各个器件的属性可以视为图结构数据中的节点特征，电网中各器件的连接关系与图结构数据中的邻接矩阵相同。因此，可以将电网暂稳数据集中的电网图结构数据定义为s＝(A,X)，其中A表示电网图结构数据中n个节点的邻接矩阵，X表示n个节点的特征矩阵，然后采取图卷积神经网络在电网图结构数据的各节点之间进行消息传递：
其中，In是单位矩阵，/>是对角度数矩阵，矩阵/>的第i个对角元素为 表示矩阵/>的第i行第j列元素，W(l-1)表示可训练的模型权重矩阵,σ表示激活函数，在本发明的设置中，采用ReLU函数，H(0)＝X是节点特征矩阵的初始值，H(l)是经过l步计算之后的节点嵌入矩阵，若一共进行L次计算，则最终生成的节点嵌入矩阵Z＝H(L)，在本发明中的设置中，L＝2。
2.2得到图表示特征。利用读出层对步骤2.1中生成的节点嵌入矩阵Z进行计算：
g＝Readout(A,Z)， (2)
其中，g是图表示特征，Readout是读出函数，如求和、求平均和拼接等，在本发明中采用拼接的方式作为读出函数，得到的图表示特征将作为分类器的输入，用于电网暂态稳定性判别任务。
进一步，步骤3具体包括：首先建立邻接矩阵掩码和模型权重矩阵掩码，分别表示电网暂稳数据集中电网图结构数据的邻接矩阵和图卷积神经网络的模型权重矩阵中元素的重要性，然后将模型权重矩阵、邻接矩阵掩码以及模型权重矩阵掩码进行端到端联合优化训练；训练完毕的邻接矩阵掩码和模型权重矩阵掩码中元素的幅值表示邻接矩阵和模型权重矩阵中元素的重要性，依据预定义的单次稀疏比例，将邻接矩阵掩码和模型权重矩阵掩码中具有较低幅值的元素设为0，得到被保留的邻接矩阵掩码和模型权重矩阵掩码，然后将两个掩码与邻接矩阵和模型权重矩阵相乘，获得被保留的邻接矩阵和模型权重矩阵，实现对两者的稀疏。
在本发明中，采用基于幅值的稀疏化方法，因此需要设置与目标矩阵形状相同的掩码，用以与目标矩阵相乘，从而决定哪些元素要被丢弃。所述的基于幅值的图稀疏包括：
3.1建立邻接矩阵掩码和模型权重矩阵掩码。由于在本发明中执行的是邻接矩阵和模型权重矩阵的联合稀疏，因此定义两个可微的掩码矩阵mA和mW分别表示电网暂稳数据集中电网图结构数据的邻接矩阵和图卷积神经网络的模型权重矩阵中元素的重要性，并对其进行初始化：
其中，W0表示模型权重的初始化矩阵。
3.2训练邻接矩阵掩码和模型权重矩阵掩码。本发明中提出一个损失函数Lr实现模型权重W、邻接矩阵掩码mA以及模型权重矩阵掩码mW的端到端联合优化：
Lr＝Lce(f({A⊙mA,X},W⊙mW),y)+λ1‖mA‖1+λ2‖mW‖1 (5)
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘运算，λ1和λ2分别控制两个l1正则项的比重。
3.3基于掩码的幅值进行稀疏。训练完毕之后的掩码的幅值表示邻接矩阵和模型权重矩阵中元素的重要性，因此本发明依据预定义的稀疏比例pA和pW，将mA和nW中具有较低幅值的元素设为0，得到被保留的邻接矩阵掩码和模型权重矩阵掩码，然后将被保留掩码mA和mW与A和W相乘，获得被保留的邻接矩阵和模型权重矩阵，用于进一步稀疏。
进一步，步骤4具体包括：首先，获取代表在之前的稀疏过程中被丢弃的邻接矩阵掩码和模型权重掩码，然后，将模型权重矩阵、被丢弃的邻接矩阵掩码以及被丢弃的模型权重矩阵掩码进行端到端联合优化训练；训练完毕后利用gumbel-softmax从被丢弃的邻接矩阵掩码和被丢弃的模型权重矩阵掩码中采样重要元素，并且对被保留的邻接矩阵掩码和模型权重矩阵掩码进行同样的采样操作，从而定位其中具有干扰性的元素，将具有干扰性的元素从被保留的部分中移除，并将从被丢弃的部分中采样的重要元素添加到被保留的部分，从而对其进行优化。
由于传统的基于幅值的迭代式稀疏方案忽略了元素的重要性会随着图结构和模型结构的动态变化而发生改变的问题，因此会造成一些隐式重要的信息丢失。本发明提出利用一种对抗互补擦除框架，在每次进一步稀疏之前，将历次稀疏过程中被丢弃的元素重新纳入考虑，并对所有元素在当前状态下的重要性重新进行评估，从而对稀疏后的子结构进行修正。
步骤4所述的对抗互补擦除框架包括：4.1重新评估当前状态下元素的重要性。为了对被丢弃部分在当前状态下的重要性进行评估，本发明首先需要获取表示经过数次稀疏后被丢弃子结构的邻接矩阵掩码和模型权重掩码：
其中表示按元素异或运算，～表示按元素逻辑非运算。
然后，本发明将代表被丢弃子结构的邻接矩阵掩码和模型权重矩阵掩码进行联合训练，同样地，利用损失函数Lp实现模型权重W、代表被丢弃子结构的邻接矩阵掩码以及模型权重矩阵掩码/>的端到端联合优化。
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘，λ1和λ2分别控制两个l1正则项的比重。
4.2利用被丢弃子结构中的重要元素对代表被保留子结构的邻接矩阵掩码以及模型权重矩阵掩码进行修正。由于邻接矩阵掩码和模型权重矩阵掩码的修正过程十分类似，因此以邻接矩阵掩码的修正过程为例进行说明。训练完毕的中元素的幅值大小表示在历次稀疏过程中被丢弃的邻接矩阵中的元素在当前状态下的重要性大小。因此本发明利用gumbel-softmax从/>中采样重要元素：
其中ip是一个独热向量，其维度大小与中元素的大小相同，∈k是从Gumbel分布中随机抽取的少量噪音，以避免argmax操作总是选择最大的元素。为了尽可能充分地挖掘出重要的元素，从/>中进行K次抽取，以获得K个最具判别性的元素，其中K是样本数量的上限，如果一个元素被取样超过一次，则只保留一个实例，并将从/>中采样的所有元素标记为αp。同样地，对mA进行相同的采样操作，从而定位mA中具有干扰性的元素：
将被采样的元素标记为αr。然后将αr从mA中移除，并将αp添加到mA，对其进行优化：
其中，表示按元素异或运算。
进一步，步骤5具体包括：首先运用基于幅值的稀疏方法获得被保留的邻接矩阵掩码和模型权重矩阵掩码，之后利用对抗互补擦除框架对掩码进行修正，然后将模型权重矩阵重新设置为初始化权重，并反复迭代以上步骤，直至达到所需的图稀疏度和模型稀疏度。
传统的彩票假设利用迭代式基于幅值的剪枝算法识别彩票。在本发明中，将一组经过稀疏后不影响电网暂态稳定性判别准确性的精简子图和子模型定义为图彩票。首先预定义需要达到的图稀疏度和模型稀疏度sA和sW，类比传统的彩票假设方法，运用基于幅值的稀疏方法获得稀疏子结构的邻接矩阵掩码和模型权重矩阵掩码，之后利用对抗互补擦除框架对掩码进行修正，然后将模型权重矩阵重新设置为初始化权重W0，并反复迭代以上三个步骤，直至达到所需的图稀疏度和模型稀疏度。
进一步，步骤6具体包括：将优化后的邻接矩阵掩码与原始电网图结构数据的邻接矩阵相乘，即可获得关键子图结构；利用关键子图结构重新学习节点嵌入矩阵和图表示特征，将最终的图表示特征输入分类器获得类别结果；对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
在获得优化后的邻接矩阵掩码mA后，将掩码与电网暂稳数据集中电网图结构数据的邻接矩阵相乘，获得关键子图结构Acore，计算方式如下：
Acore＝A⊙mA， (12)
其中，⊙表示按元素乘运算。
使用新的邻接矩阵Acore学习节点嵌入矩阵和图表示特征，将最终图表示特征输入分类器获得电网暂态稳定性判别结果，‘0’代表电网暂态稳定，‘1’代表电网暂态失稳。对于电网暂态失稳样本，Acore代表的即为导致电网暂态失稳的子结构。
本发明还涉及一种基于图彩票假设理论的电网暂态失稳子结构定位系统，包括：电网暂稳数据集构建模块、图表示特征计算模块、基于幅值的稀疏化模块、对抗互补擦除模块、渐进式稀疏化框架模块。
本发明还涉及一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现本发明的基于图彩票假设理论的电网暂态失稳子结构定位方法。
本发明的优点是：考虑了电网数据的结构特点，将电网数据建模为图结构数据，并在现有的利用图神经网络进行电网暂态稳定性判别的方法的基础上，通过采用基于图彩票假设理论的图结构学习方法，对电网图结构数据的邻接矩阵和模型权重矩阵进行联合稀疏化，去除电网图结构数据中的冗余信息，并且通过对抗互补擦除框架对识别出的关键子结构进行修正，在确保电网暂态稳定性判别准确性的前提下，更加精确地对导致电网暂态失稳的关键子结构进行定位。
附图说明
图1是本发明方法中的电网暂稳样本数据集生成图。
图2是本发明中的流程示意图，其中图2(a)表示计算中间节点嵌入并生成图表示特征，图2(b)表示基于幅值对电网图结构数据中的邻接矩阵和模型权重矩阵进行联合稀疏化，图2(c)表示利用对抗互补擦除框架对掩码进行修正，图2(d)表示渐进式稀疏化框架。
具体实施方式
下面结合附图，对本发明的技术方案进行清晰、完整的解释和描述。
实施例1
参照图1-图2(d)，本发明的一种基于图彩票假设理论的电网暂态失稳子结构定位方法，包含如下步骤：
1.构建电网暂稳数据集；
利用电力系统仿真软件PSASP来构建电网暂稳数据集。首先根据电网拓扑结构构建图结构数据，然后修改电网负荷水平、电压值、故障线路等参数得到不同样本，分别进行时域仿真，根据仿真结果获得电网暂态稳定性评估结果，用‘0’标记暂态稳定的样本，用‘1’标记暂态失稳的样本，并标注哪些电网路径会导致电网暂态失稳，如此迭代多次便可以获得具有暂态稳定性标签的电网暂稳数据集，如图1。
2.提取图表示特征；
2.1计算节点嵌入矩阵。电网数据由各种器件组成，它们可以被视为图结构数据中的节点，而各个器件的属性可以视为图结构数据中的节点特征，电网中各器件的连接关系与图结构数据中的邻接矩阵相同。因此，可以将电网暂稳数据集中的电网图结构数据定义为s＝(A,X)，其中A表示电网图结构数据中n个节点的邻接矩阵，X表示n个节点的特征矩阵，然后采取图卷积神经网络在电网图结构数据的各节点之间进行消息传递：
其中，In是单位矩阵，/>是对角度数矩阵，矩阵/>的第i个对角元素为表示矩阵/>的第i行第j列元素，W(l-1)表示可训练的模型权重矩阵，σ表示激活函数，在本发明的设置中，采用ReLU函数，H(0)＝X是节点特征矩阵的初始值，H(l)是经过l步计算之后的节点嵌入矩阵，若一共进行L次计算，则最终生成的节点嵌入矩阵Z＝H(L)，在本发明中的设置中，L＝2。
2.2得到图表示特征。利用读出层对步骤2.1中生成的节点嵌入矩阵Z进行计算，如图2(a)：
g＝Readout(A,Z)， (2)
其中，g是图表示特征，Readout是读出函数，如求和、求平均和拼接等，在本发明中采用拼接的方式作为读出函数，得到的图表示特征将作为分类器的输入，用于电网暂态稳定性判别任务。
3.进行基于幅值的图稀疏；
在本发明中，采用基于幅值的稀疏化方法，因此需要设置与目标矩阵形状相同的掩码，用以与目标矩阵相乘，从而决定哪些元素要被丢弃。
3.1建立邻接矩阵掩码和模型权重矩阵掩码。由于在本发明中执行的是邻接矩阵和模型权重矩阵的联合稀疏，因此定义两个可微的掩码矩阵mA和mW分别表示电网暂稳数据集中电网图结构数据的邻接矩阵和图卷积神经网络的模型权重矩阵中元素的重要性，并对其进行初始化：
其中，W0表示模型权重的初始化矩阵。
3.2训练邻接矩阵掩码和模型权重矩阵掩码。本发明中提出一个损失函数Lr实现模型权重W、邻接矩阵掩码mA以及模型权重矩阵掩码mW的端到端联合优化：
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘运算，λ1和λ2分别控制两个l1正则项的比重。
3.3基于掩码的幅值进行稀疏。训练完毕之后的掩码的幅值表示邻接矩阵和模型权重矩阵中元素的重要性，因此本发明依据预定义的稀疏比例pA和pW，将mA和mW中具有较低幅值的元素设为0，得到被保留的邻接矩阵掩码和模型权重矩阵掩码，然后将被保留掩码mA和mW与A和W相乘，获得被保留的邻接矩阵和模型权重矩阵，用于进一步稀疏,如图2(b)。
4.利用对抗互补擦除框架提高定位准确性；
由于传统的基于幅值的迭代式稀疏方案忽略了元素的重要性会随着图结构和模型结构的动态变化而发生改变的问题，因此会造成一些隐式重要的信息丢失。本发明提出利用一种对抗互补擦除框架，在每次进一步稀疏之前，将之前的稀疏过程中被丢弃的元素重新纳入考虑，并对所有元素在当前状态下的重要性重新进行评估，从而对稀疏后的子结构进行修正。
4.1重新评估当前状态下元素的重要性。为了对被丢弃部分在当前状态下的重要性进行评估，本发明首先需要获取表示经过数次稀疏后被丢弃子结构的邻接矩阵掩码和模型权重掩码：
其中表示按元素异或运算，～表示按元素逻辑非运算。
然后，本发明将代表被丢弃子结构的邻接矩阵掩码和模型权重矩阵掩码进行联合训练，同样地，利用损失函数Lp实现模型权重W、代表被丢弃子结构的邻接矩阵掩码以及模型权重矩阵掩码/>的端到端联合优化。
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘，λ1和λ2分别控制两个l1正则项的比重。
4.2利用被丢弃子结构中的重要元素对代表被保留子结构的邻接矩阵掩码以及模型权重矩阵掩码进行修正。由于邻接矩阵掩码和模型权重矩阵掩码的修正过程十分类似，因此以邻接矩阵掩码的修正过程为例进行说明。训练完毕的中元素的幅值大小表示历次迭代过程中被丢弃的邻接矩阵中的元素在当前状态下的重要性大小。因此本发明利用gumbel-softmax从/>中采样重要元素：
其中ip是一个独热向量，其维度大小与中元素的大小相同，∈k是从Gumbel分布中随机抽取的少量噪音，以避免argmax操作总是选择最大的元素。为了尽可能充分地挖掘出重要的元素，从/>中进行K次抽取，以获得K个最具判别性的元素，其中K是样本数量的上限，如果一个元素被取样超过一次，则只保留一个实例，并将从/>中采样的所有元素标记为αp。同样地，对mA进行相同的采样操作，从而定位mA中具有干扰性的元素：
将被采样的元素标记为αr。然后将αr从mA中移除，并将αp添加到mA，对其进行优化,如图2(c)：
其中，表示按元素异或运算。
5.构建渐进式稀疏框架；
传统的彩票假设利用迭代式基于幅值的剪枝算法识别彩票。在本发明中，将一组经过稀疏后不影响电网暂态稳定性判别准确性的精简子图和子模型定义为图彩票。首先预定义需要达到的图稀疏度和模型稀疏度sA和sW，类比传统的彩票假设方法，运用基于幅值的稀疏方法获得稀疏子结构的邻接矩阵掩码和模型权重矩阵掩码，之后利用对抗互补擦除框架对掩码进行修正，然后将模型权重矩阵重新设置为初始化权重W0，并反复迭代以上三个步骤，直至达到所需的图稀疏度和模型稀疏度,如图2(d)。
6.执行电网暂态稳定性判别与定位任务；
在获得优化后的邻接矩阵掩码mA后，将掩码与电网暂稳数据集中电网图结构数据中的邻接矩阵相乘，获得关键子图结构Acore，计算方式如下：
Acore＝A⊙mA， (12)
其中，⊙表示按元素乘运算。
使用新的邻接矩阵Acore学习节点嵌入矩阵和图表示特征，将最终图表示特征输入分类器获得电网暂态稳定性判别结果，‘0’代表电网暂态稳定，‘1’代表电网暂态失稳。对于电网暂态失稳样本，Acore代表的即为导致电网暂态失稳的子结构。
本发明还涉及一种基于图彩票假设理论的电网暂态失稳子结构定位系统，包括：电网暂稳数据集构建模块、图表示特征计算模块、基于幅值的稀疏化模块、对抗互补擦除模块、渐进式稀疏化框架模块。
实施例2
本实施例涉及用于实现实施例1的方法的基于图彩票假设理论的电网暂态失稳子结构定位方法的系统，其特征在于，包括：
电网暂稳数据集构建模块，根据电网拓扑结构构建电网图结构数据并修改各项参数的数值，使用时域仿真的结果作为标签，迭代得到电网暂稳数据集；
图表示特征计算模块，使用图卷积神经网络计算电网暂稳数据集中电网图结构数据的节点嵌入矩阵，随后通过读出层对节点嵌入矩阵进行拼接，得到图表示特征；
基于幅值的稀疏化模块，构建邻接矩阵掩码和模型权重矩阵掩码分别表示电网暂稳数据集中电网图结构数据的邻接矩阵以及图卷积神经网络的模型权重矩阵中元素的重要性，根据训练后的掩码的幅值大小对邻接矩阵和模型权重矩阵进行稀疏；
对抗互补擦除模块，利用对抗互补擦除框架，移除被保留子结构中的干扰性元素，并将被采样出的重要元素添加到被保留子结构；
渐进式稀疏化框架模块，反复迭代执行基于幅值的稀疏化模块和对抗互补擦除模块，并在下一次迭代之前将模型权重矩阵重新设置为初始化权重，直至达到所需的稀疏度；
电网失稳状态判别模块，用于根据优化后的掩码得到关键子图结构并学习图表示特征，利用图表示特征进行电网暂态稳定性判别任务，对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
实施例3
一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现实施例1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (11)

1.基于图彩票假设理论的电网暂态失稳子结构定位方法，包含如下步骤：
步骤1.根据电网拓扑结构构建电网图结构数据并修改各项参数的数值，使用时域仿真的结果作为标签，迭代得到电网暂稳数据集；
步骤2.使用图卷积神经网络计算电网暂稳数据集中电网图结构数据的节点嵌入矩阵，随后通过读出层对节点嵌入矩阵进行拼接，得到图表示特征；
步骤3.构建邻接矩阵掩码和模型权重矩阵掩码分别表示电网暂稳数据集中电网图结构数据的邻接矩阵以及图卷积神经网络的模型权重矩阵中元素的重要性，根据训练后的掩码的幅值大小对邻接矩阵和模型权重矩阵进行稀疏；
步骤4.通过对抗互补擦除框架，移除被保留子结构中的干扰性元素，并将被采样出的重要元素添加到被保留子结构；
步骤5.反复迭代执行步骤3和步骤4，并在下一次迭代之前将模型权重矩阵重新设置为初始化权重，直至达到所需的稀疏度；
步骤6.根据优化后的掩码得到关键子图结构并学习图表示特征，利用图表示特征进行电网暂态稳定性判别任务，对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
2.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤1具体包括：首先根据电网拓扑结构构建图结构数据，然后修改电网负荷水平、电压值、故障线路等参数得到不同样本，分别进行时域仿真，根据仿真结果获得电网暂态稳定性评估结果，用‘0’标记暂态稳定的样本，用‘1’标记暂态失稳的样本，并标注哪些电网路径会导致电网暂态失稳，如此迭代多次便可以获得具有暂态稳定性标签的电网暂稳数据集。
3.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤2所述的图表示特征的提取方法是：
2.1计算节点嵌入矩阵；电网暂稳数据集中的电网图结构数据可以被定义为s＝(A,X)，其中A表示电网图结构数据中n个节点的邻接矩阵，X表示n个节点的特征矩阵，然后采取图卷积神经网络在电网图结构数据的各节点之间进行消息传递：
其中，In是单位矩阵，/>是对角度数矩阵，矩阵/>的第i个对角元素为 表示矩阵/>的第i行第j列元素,W(l-1)表示可训练的模型权重矩阵，σ表示ReLU函数，H(0)＝X是节点特征矩阵的初始值，H(l)是经过l步计算后的节点嵌入矩阵，若共进行L次计算，则最终生成的节点嵌入矩阵Z＝H(L)；
2.2利用读出层对2.1中生成的节点嵌入矩阵Z进行计算，得到图表示特征作为分类器的输入，用于电网暂态稳定性判别任务：
g＝Readout(A，Z)，(2)
其中，g是图表示特征，Readout表示以拼接的方式实现的读出函数。
4.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤3具体包括：首先建立邻接矩阵掩码和模型权重矩阵掩码，分别表示边和模型权重的重要性，然后将模型权重矩阵、邻接矩阵掩码以及模型权重矩阵掩码进行端到端联合优化训练；训练完毕的邻接矩阵掩码和模型权重矩阵掩码中元素的幅值表示邻接矩阵和模型权重矩阵中元素的重要性，依据预定义的单次稀疏比例，将邻接矩阵掩码和模型权重矩阵掩码中具有较低幅值的元素设为0，得到被保留的邻接矩阵掩码和模型权重矩阵掩码，然后将两个掩码与邻接矩阵和模型权重矩阵相乘，获得被保留的邻接矩阵和模型权重矩阵，实现对两者的稀疏。
5.如权利要求4所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤3所述的基于幅值的图稀疏包括：
3.1训练邻接矩阵掩码和模型权重矩阵掩码；定义两个可微的掩码mA和mW分别表示电网暂稳数据集中电网图结构数据的邻接矩阵和图卷积神经网络的模型权重矩阵中的元素的重要性，并对其进行初始化：
其中，W0表示模型权重的初始化矩阵；
然后训练邻接矩阵掩码和模型权重矩阵掩码；利用损失函数Lr实现模型权重W、邻接矩阵掩码mA以及模型权重矩阵掩码mW的端到端联合优化：
Lr＝Lce(f({A⊙mA，X}，W⊙mW)，y)+λ1||mA||1+λ2||mW||1 (5)
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘运算，λ1和λ2分别控制两个l1正则项的比重；
3.2基于掩码的幅值进行稀疏；训练完毕的掩码的幅值表示邻接矩阵和模型权重矩阵中元素的重要性，依据预定义的稀疏比例pA和pW，将mA和mW中具有较低幅值的元素设为0，得到被保留的邻接矩阵掩码和模型权重矩阵掩码，然后将被保留掩码mA和mW与A和W相乘，获得被保留的邻接矩阵和模型权重矩阵，用于进一步稀疏。
6.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤4具体包括：首先，获取在之前的稀疏过程中被丢弃的邻接矩阵掩码和模型权重掩码，然后，将模型权重矩阵、被丢弃的邻接矩阵掩码以及被丢弃的模型权重矩阵掩码进行端到端联合优化训练；训练完毕后利用gumbel-softmax从被丢弃的邻接矩阵掩码和被丢弃的模型权重矩阵掩码中采样重要元素，并且对被保留的邻接矩阵掩码和模型权重矩阵掩码进行同样的采样操作，从而定位其中具有干扰性的元素，将具有干扰性的元素从被保留的部分中移除，并将从被丢弃的部分中采样的重要元素添加到被保留的部分，从而对其进行优化。
7.如权利要求6所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤4所述的对抗互补擦除框架包括：
4.1重新评估当前状态下元素的重要性；首先需要获取表示经过数次稀疏后被丢弃子结构的邻接矩阵掩码和模型权重矩阵掩码：
其中表示按元素异或运算，～表示按元素逻辑非运算；
然后，将代表被丢弃子结构的邻接矩阵掩码和模型权重矩阵掩码进行联合训练，同样地，利用损失函数Lp实现模型权重W、代表被丢弃子结构的邻接矩阵掩码以及模型权重矩阵掩码/>的端到端联合优化；
其中，Lce是传统的交叉熵分类损失函数，f(·)表示分类器的预测结果，y表示真实标签，⊙表示按元素乘运算，λ1和λ2分别控制两个l1正则项的比重；
4.2利用被丢弃子结构中的重要元素对代表被保留子结构的邻接矩阵掩码以及模型权重矩阵掩码进行修正；由于邻接矩阵掩码和模型权重矩阵掩码的修正过程十分类似，因此以邻接矩阵掩码的修正过程为例进行说明；训练完毕的中元素的幅值大小表示在历次稀疏过程中被丢弃的邻接矩阵中的元素在当前状态下的重要性大小；利用gumbel-softmax从/>中采样重要元素：
其中ip是一个独热向量，其维度大小与中元素的大小相同，∈k是从Gumbel分布中随机采样的少量噪音，以避免argmax操作总是选择最大的元素；从/>中进行K次抽取，以获得K个最有判别性的元素，其中K是样本数量的上限；如果一个元素被取样超过一次，则只保留一个实例，从/>中采样的所有元素标记为αp；同样地，对mA进行采样操作，从而定位mA中具有干扰性的元素：
将被采样的元素标记为αr；然后将αr从mA中移除，并将αp添加到mA，实现对mA的优化：
其中，表示按元素异或运算。
8.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤5具体包括：首先运用基于幅值的稀疏方法获得被保留的邻接矩阵掩码和模型权重矩阵掩码，之后利用对抗互补擦除框架对掩码进行修正，然后将模型权重矩阵重新设置为初始化权重，并反复迭代以上步骤，直至达到所需的图稀疏度和模型稀疏度。
9.如权利要求1所述的基于图彩票假设理论的电网暂态失稳子结构定位方法，其特征在于：步骤6具体包括：将优化后的邻接矩阵掩码与原始电网图结构数据的邻接矩阵相乘，即可获得关键子图结构；利用关键子图结构重新学习节点嵌入矩阵和图表示特征，将最终的图表示特征输入分类器获得类别结果；对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
10.实现如权利要求1-9之一所述的基于图彩票假设理论的电网暂态失稳子结构定位方法的系统，其特征在于，包括：
电网暂稳数据集构建模块，根据电网拓扑结构构建电网图结构数据并修改各项参数的数值，使用时域仿真的结果作为标签，迭代得到电网暂稳数据集；
图表示特征计算模块，使用图卷积神经网络计算电网暂稳数据集中电网图结构数据的节点嵌入矩阵，随后通过读出层对节点嵌入矩阵进行拼接，得到图表示特征；
基于幅值的稀疏化模块，构建邻接矩阵掩码和模型权重矩阵掩码分别表示电网暂稳数据集中电网图结构数据的邻接矩阵以及图卷积神经网络的模型权重矩阵中元素的重要性，根据训练后的掩码的幅值大小对邻接矩阵和模型权重矩阵进行稀疏；
对抗互补擦除模块，利用对抗互补擦除框架，移除被保留子结构中的干扰性元素，并将被采样出的重要元素添加到被保留子结构；
渐进式稀疏化框架模块，反复迭代执行基于幅值的稀疏化模块和对抗互补擦除模块，并在下一次迭代之前将模型权重矩阵重新设置为初始化权重，直至达到所需的稀疏度；
电网失稳状态判别模块，用于根据优化后的掩码得到关键子图结构并学习图表示特征，利用图表示特征进行电网暂态稳定性判别任务，对于电网暂态失稳样本，关键子图结构即为导致电网暂态失稳的子结构。
11.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-9中任一项所述的基于图彩票假设理论的电网暂态失稳子结构定位方法。
CN202310499258.XA 2023-05-06 2023-05-06 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统 Pending CN116956017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310499258.XA CN116956017A (zh) 2023-05-06 2023-05-06 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310499258.XA CN116956017A (zh) 2023-05-06 2023-05-06 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统

Publications (1)

Publication Number Publication Date
CN116956017A true CN116956017A (zh) 2023-10-27

Family

ID=88460863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310499258.XA Pending CN116956017A (zh) 2023-05-06 2023-05-06 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统

Country Status (1)

Country Link
CN (1) CN116956017A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872038A (zh) * 2024-03-11 2024-04-12 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置
CN117872038B (zh) * 2024-03-11 2024-05-17 浙江大学 一种基于图论的直流微电网失稳故障源定位方法及装置

Similar Documents

Publication Publication Date Title
Abdel-Basset et al. An efficient teaching-learning-based optimization algorithm for parameters identification of photovoltaic models: Analysis and validations
Du et al. Achieving 100x acceleration for N-1 contingency screening with uncertain scenarios using deep convolutional neural network
Messaoud Extraction of uncertain parameters of single and double diode model of a photovoltaic panel using Salp Swarm algorithm
Chen et al. Effective load carrying capability evaluation of renewable energy via stochastic long-term hourly based SCUC
CN102495919B (zh) 一种生态系统碳交换影响因素提取方法及系统
CN116956017A (zh) 基于图彩票假设理论的电网暂态失稳子结构定位方法和系统
CN114445634A (zh) 一种基于深度学习模型的海浪波高预测方法及系统
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN102708327A (zh) 一种基于谱优化的网络社区发现方法
CN106295908A (zh) 一种svm风电功率预测方法
Yang et al. Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment
CN106845863A (zh) 一种分布式风力发电出力与供暖负荷同步指数预测方法
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN114818548B (zh) 一种基于卷积生成对抗网络的含水层参数场反演方法
CN117201122A (zh) 基于视图级图对比学习的无监督属性网络异常检测方法及系统
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
Yousri et al. Modified interactive algorithm based on Runge Kutta optimizer for photovoltaic modeling: justification under partial shading and varied temperature conditions
CN113536508A (zh) 一种制造网络节点分类方法及系统
CN111144572B (zh) 一种基于树形贝叶斯网络的配电网灾情推断方法及系统
CN116502380A (zh) 基于可解释图神经网络的电网暂态失稳定位方法和系统
CN116316629A (zh) 一种考虑拓扑特征学习的数据驱动最优潮流计算方法
CN117540638A (zh) 一种光伏电站等值建模方法、介质及系统
Koca et al. Using genetic algorithms for estimating Weibull parameters with application to wind speed
CN112101608A (zh) 一种海上风电场选址方法及装置
CN115048857A (zh) 一种基于cnn的暂稳极限传输功率的确定方法

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