CN117254446A - 电力系统的异常源节点的确定方法和确定装置 - Google Patents

电力系统的异常源节点的确定方法和确定装置 Download PDF

Info

Publication number
CN117254446A
CN117254446A CN202310610404.1A CN202310610404A CN117254446A CN 117254446 A CN117254446 A CN 117254446A CN 202310610404 A CN202310610404 A CN 202310610404A CN 117254446 A CN117254446 A CN 117254446A
Authority
CN
China
Prior art keywords
node
history
nodes
graph
power system
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
CN202310610404.1A
Other languages
English (en)
Inventor
李辉
席荣军
刘文慧
黄信标
彭群葆
关富敏
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.)
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Shanwei Power Supply Bureau of Guangdong Power Grid 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 Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202310610404.1A priority Critical patent/CN117254446A/zh
Publication of CN117254446A publication Critical patent/CN117254446A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供了一种电力系统的异常源节点的确定方法和确定装置。该方法包括：获取电力系统的网络拓扑结构的历史传播关系图；获取电力系统的网络拓扑结构的当前传播关系图；将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点，其中，异常源节点为导致电力系统故障的源头节点，图注意力模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：历史传播关系图和各历史节点对应的特征，特征表征历史节点是否为异常源节点。该方法解决了现有技术中通过感染模型和传播模型预测异常源节点的方法不能反映电力系统的真实情况的问题。

Description

电力系统的异常源节点的确定方法和确定装置
技术领域
本申请涉及电力系统领域，具体而言，涉及一种电力系统的异常源节点的确定方法、确定装置、计算机可读存储介质和电子装置。
背景技术
电力系统中，当某个节点或某些节点产生异常状况时，会快速在其所在的拓扑结构中传递，进而导致整个电网出现数据异常。此外，配电网中节点的异常也会在网络拓扑中传播。这些情况为电网系统带来了大量的潜在风险，若能根据当前电网的异常状态预测拓扑结构发生异常的源节点并及时对其干预，则可以有效的排查事故风险，提高电网检修的效率。
随着电网数字化发展，在电力系统中可以实时的记录和检测电网中各个节点的状态，并通过溯源算法解决大部分拓扑结构中异常节点的检测和溯源任务。然而现有技术中的方法都是基于一种假设，即网络中异常节点的产生和异常信息的传播是基于感染模型和传播模型这两个基础模型的，在电力系统中，异常节点的产生和信息传播往往更为复杂，因此基于感染模型和传播模型的溯源方法往往效果有限。
因此，亟需一种异常源节点的确定方法可以解决现有技术中不能真实反映电力系统的实际情况的问题。
发明内容
本申请的主要目的在于提供一种电力系统的异常源节点的确定方法、确定装置、计算机可读存储介质和电子装置，以至少解决现有技术中不能真实反映电力系统的实际情况的问题。
根据本申请的一方面，提供了一种电力系统的异常源节点的确定方法，包括：获取所述电力系统的网络拓扑结构的历史传播关系图，其中，所述网络拓扑结构包括多个历史节点，所述历史传播关系图表征在当前时刻前所述网络拓扑结构中的各所述历史节点之间的邻接关系和各所述历史节点的状态，所述状态包括正常工作状态和异常工作状态；获取所述电力系统的所述网络拓扑结构的当前传播关系图，其中，所述网络拓扑结构包括多个当前节点，所述当前传播关系图表征在所述当前时刻所述网络拓扑结构中的各所述当前节点之间的邻接关系和各所述当前节点的状态；将所述当前传播关系图输入至图注意力模型，确定所述当前传播关系图中的节点是否为所述电力系统的异常源节点，其中，所述异常源节点为导致所述电力系统故障的源头节点，所述图注意力模型为使用多组数据通过机器学习训练出的，多组所述数据中的每组数据均包括：所述历史传播关系图和各所述历史节点对应的特征，所述特征表征所述历史节点是否为所述异常源节点。
可选地，获取所述电力系统的网络拓扑结构的历史传播关系图，包括：获取所述当前时刻前的所述电力系统的网络拓扑结构的第一无向图G1＝(V1，E1，Y1)，其中，V1为所述历史节点组成的集合，E1为各所述历史节点之间的连线组成的边集，Y1为所述历史节点的状态值组成的集合；计算所述第一无向图的第一拉普拉斯矩阵，其中，所述第一拉普拉斯矩阵用于所述电力系统的网络拓扑结构的历史传播关系图。
可选地，获取所述电力系统的所述网络拓扑结构的当前传播关系图，包括：获取所述当前时刻的所述电力系统的网络拓扑结构的第二无向图G2＝(V2，E2，Y2)，其中，V2所述当前节点组成的集合，E2为各所述当前节点之间的连线组成的集合，Y2为所述当前节点的状态值组成的集合；计算所述第二无向图的第二拉普拉斯矩阵，其中，所述第二拉普拉斯矩阵用于所述电力系统的网络拓扑结构的当前传播关系图。
可选地，在将所述当前传播关系图输入至图注意力模型之前，所述方法还包括：确定所述历史节点对应的特征。
可选地，确定所述历史节点对应的特征，包括：获取所述历史节点的状态和所述历史节点的相邻节点的状态；根据所述历史节点的状态和所述历史节点的相邻节点的状态，确定所述历史节点与所述历史节点的相邻节点之间的相似系数，其中，所述相邻节点为与所述历史节点相连接的点；对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数；根据所述注意力系数，确定所述历史节点对应的特征。
可选地，根据所述历史节点的状态和所述历史节点的相邻节点的状态，确定所述历史节点与所述历史节点的相邻节点之间的相似系数，包括：根据公式similarityij＝Neural(Wfi,Wfj)，确定所述历史节点与所述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为所述单层前馈神经网络模型学习的权重系数，fi为所述历史节点的状态，fj为所述历史节点的相邻节点的状态。
可选地，对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数，包括：采用公式aij＝softmax(similarityij)对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为所述历史节点与所述历史节点的相邻节点之间的相似系数。
可选地，所述方法还包括：根据公式Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算所述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为所述图注意力模型的输出值y′的Sigmoid激活函数，y为所述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为所述超参数的权重系数。
根据本申请的另一方面，提供了一种电力系统的异常源节点的确定装置，包括：第一获取单元，用于获取所述电力系统的网络拓扑结构的历史传播关系图，其中，所述网络拓扑结构包括多个历史节点，所述历史传播关系图表征在当前时刻前所述网络拓扑结构中的各所述历史节点之间的邻接关系和各所述历史节点的状态，所述状态包括正常工作状态和异常工作状态；第二获取单元，用于获取所述电力系统的所述网络拓扑结构的当前传播关系图，其中，所述网络拓扑结构包括多个当前节点，所述当前传播关系图表征在所述当前时刻所述网络拓扑结构中的各所述当前节点之间的邻接关系和各所述当前节点的状态；确定单元，用于将所述当前传播关系图输入至图注意力模型，确定所述当前传播关系图中的节点是否为所述电力系统的异常源节点，其中，所述异常源节点为导致所述电力系统故障的源头节点，所述图注意力模型为使用多组数据通过机器学习训练出的，多组所述数据中的每组数据均包括：所述历史传播关系图和各所述历史节点对应的特征，所述特征表征所述历史节点是否为所述异常源节点。
根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
根据本申请的又一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任一种所述的方法。
应用本申请的技术方案，首先，获取电力系统的网络拓扑结构的历史传播关系图；再获取电力系统的网络拓扑结构的当前传播关系图；最后，将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点。根据电力系统的网络拓扑信息构建图结构即历史传播关系图，图中的节点表示电网中的节点信息，表示节点正常或异常；在图结构的基础上对节点进行监督信息的标注非源节点和异常的源节点，再根据标记信息和图结构构建图注意力模型；最后，输入每个节点的状态值和图表达，即可输出对每个节点是否为异常源头节点的预测。解决了现有技术中通过感染模型和传播模型预测异常源节点的方法不能反映电力系统的真实情况的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例中提供的一种执行电力系统的异常源节点的确定方法的移动终端的硬件结构框图；
图2示出了根据本申请的实施例提供的一种电力系统的异常源节点的确定方法的流程示意图；
图3示出了根据本申请的实施例提供的一种电力系统的异常源节点的确定方法的具体流程示意图；
图4示出了根据本申请的实施例提供的一种电力系统的异常源节点的确定装置的结构框图。
其中，上述附图包括以下附图标记：
102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所介绍的，现有技术中通过感染模型和传播模型预测异常源节点的方法不能反映电力系统的真实情况，为解决上述问题，本申请的实施例提供了一种电力系统的异常源节点的确定方法、确定装置、计算机可读存储介质和电子装置。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种电力系统的异常源节点的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的电力系统的异常源节点的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network InterfaceController，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的电力系统的异常源节点的确定方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的电力系统的异常源节点的确定方法的流程图。如图2所示，该方法包括以下步骤：
步骤S202，获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
具体地，电力系统主要包括发电机、变压器、传输线路、负荷以及开关装置等，通过上述各组成部分之间有机的组合及复杂的互相依存关系，组成一个庞大而又稳定的电力系统。其中，发电机用于提供电力系统的动力来源，包括水力发电、燃煤发电等。变压器用于降低或提高电压，从而实现不同子电网间的连接。交流/直流传输线路用于在子电网内部传输电能。负荷作为电力系统的使用终端，包括工业/商业/民用等各类负荷。开关装置用于控制和保护电路，如隔离开关、遮断开关、闸带等。而网络拓扑结构是一种表征节点和节点之间的连接关系的网络结构。根据节点和连通关系的不同，网络拓扑结构主要分为四种：1.总线式：所有节点均直接连接到同一总线上。2.星型：所有节点均连接到中央节点。3.环形：每个节点均连接到相邻的两个节点，形成环形拓扑。4.不规则网：节点的连接呈现复杂无序的形式。
步骤S204，获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
具体地，与步骤S202中不同的是，当前传播关系图中的异常源节点是未知，而上述步骤S202中的网络拓扑结构中的异常源节点是确认已知的。
步骤S206，将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
具体地，电力系统中，当某个节点或某些节点产生异常状况时，会快速在其所在的拓扑结构中传递，进而导致整个电网出现数据异常。此外，配电网中节点的异常也会在网络拓扑中传播。导致上述异常的节点即为异常源节点。电力系统故障通常包括线路故障即短路、开路和接触不良等问题，发电机故障，如转子断裂、绕组损坏等问题，变压器故障如油漏、绝缘老化等问题，开关设备故障：如接触不良、弹簧断裂等问题，保护装置故障如误动作或未动作导致的系统失稳或过载等问题。图注意力模型(Graph Attention Networks，简称为GAT)是一种改进的图形神经网络模型，使用注意力算法来学习节点之间的关系和依赖。与传统的图神经网络模型不同，GAT不仅考虑了节点之间的连接结构，还考虑了连接的重要程度(通过计算节点间的注意力权重来实现)。进一步地，GAT工作原理如下：首先，GAT为每个节点编码一个向量表示；然后，对每个节点，GAT计算与其连接节点的注意力分数，注意力分数越高表示依赖关系越大。通过注意力分数来加权连接节点的向量表示，得到最终的节点表示。重复上述过程多次，获取多层次的节点表示。最后，基于节点表示执行任务，如节点分类、链接预测等。通过学习注意力权重，GAT可以自动找到哪些节点对当前节点最关键，体现出节点间非对称的关系。这使得GAT可以学习更微妙的图结构表示。
通过本实施例，首先，获取电力系统的网络拓扑结构的历史传播关系图；再获取电力系统的网络拓扑结构的当前传播关系图；最后，将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点。根据电力系统的网络拓扑信息构建图结构即历史传播关系图，图中的节点表示电网中的节点信息，表示节点正常或异常；在图结构的基础上对节点进行监督信息的标注非源节点和异常的源节点，再根据标记信息和图结构构建图注意力模型；最后，输入每个节点的状态值和图表达，即可输出对每个节点是否为异常源头节点的预测。解决了现有技术中通过感染模型和传播模型预测异常源节点的方法不能反映电力系统的真实情况的问题。
具体实现过程中，上述步骤S202可以通过以下步骤实现：步骤S2021，获取上述当前时刻前的上述电力系统的网络拓扑结构的第一无向图G1＝(V1，E1，Y1)，其中，V1为上述历史节点组成的集合，E1为各上述历史节点之间的连线组成的边集，Y1为上述历史节点的状态值组成的集合；步骤S2022，计算上述第一无向图的第一拉普拉斯矩阵，其中，上述第一拉普拉斯矩阵用于上述电力系统的网络拓扑结构的历史传播关系图。该方法通过确定第一无向图的第一拉普拉斯矩阵，可以快速确定上述历史传播关系图。
具体地，无向图是一种没有方向的图模型，与有向图不同，无向图的边不区分方向。简单来说，无向图包含一组节点和无向的边(边没有方向)。两个节点之间的边为无方向的连接，信息或流动可以是双向的。两个节点之间可以有多条边，表示这两个节点高度关联。正常情况下，同一个节点不会与自身连接。比如说家庭关系可以用无向图表示，父母和子女之间的关系是双向的，没有先后顺序。同理，社交网络中人与人的关系也可以用无向图模拟。无向图的优点是简单直观，易于理解；无需考虑边的方向。因此，当关系具有对称性和可互连性时，使用无向图是很好的选择。无向图的拉普拉斯矩阵主要用于图特征分析、聚类等任务，其主对角元素表示顶点的度，其他元素表示两个顶点间的关系。计算无向图的拉普拉斯矩阵主要分为以下步骤：计算邻接矩阵，对于无向图中任意两个有连接的顶点i和j，其邻接矩阵A对应的(i，j)和(j，i)位置为1，否则为0。计算度矩阵：对角线元素D(i，i)为顶点i的度(周围有多少条边)，其他元素为0。计算拉普拉斯矩阵：L＝D-A，即计算度矩阵D与邻接矩阵A的差。
本申请的上述步骤S204可以通过以下步骤实现：步骤S2041，获取上述当前时刻的上述电力系统的网络拓扑结构的第二无向图G2＝(V2，E2，Y2)，其中，V2上述当前节点组成的集合，E2为各上述当前节点之间的连线组成的集合，Y2为上述当前节点的状态值组成的集合；步骤S2042，计算上述第二无向图的第二拉普拉斯矩阵，其中，上述第二拉普拉斯矩阵用于上述电力系统的网络拓扑结构的当前传播关系图。该方法通过确定第二无向图的第二拉普拉斯矩阵，可以快速确定上述当前传播关系图。
具体地，无向图是一种没有方向的图模型，与有向图不同，无向图的边不区分方向。简单来说，无向图包含一组节点和无向的边(边没有方向)。两个节点之间的边为无方向的连接，信息或流动可以是双向的。两个节点之间可以有多条边，表示这两个节点高度关联。正常情况下，同一个节点不会与自身连接。比如说家庭关系可以用无向图表示，父母和子女之间的关系是双向的，没有先后顺序。同理，社交网络中人与人的关系也可以用无向图模拟。无向图的优点是简单直观，易于理解；无需考虑边的方向。因此，当关系具有对称性和可互连性时，使用无向图是很好的选择。无向图的拉普拉斯矩阵主要用于图特征分析、聚类等任务，其主对角元素表示顶点的度，其他元素表示两个顶点间的关系。计算无向图的拉普拉斯矩阵主要分为以下步骤：计算邻接矩阵，对于无向图中任意两个有连接的顶点i和j，其邻接矩阵A对应的(i，j)和(j，i)位置为1，否则为0。计算度矩阵：对角线元素D(i，i)为顶点i的度(周围有多少条边)，其他元素为0。计算拉普拉斯矩阵：L＝D-A，即计算度矩阵D与邻接矩阵A的差。
在上述步骤S206之前，还包括步骤S205，确定上述历史节点对应的特征。该方法可以进一步帮助上述图注意力模型进行训练，进而提升其预测精度。
具体地，在模型训练过程中，如何确定准确的特征是关键的一个步骤。可以通过不同的方式确定特征，例如，基于理论知识和经验。根据问题背景和相关理论知识，对模型中可能相关的特征进行初始筛选。或基于特征重要性排序，使用特征选择或筛选算法，比如递归特征消除、随机森林等，对特征进行重要性排序，选择最重要的特征。再尝试不同组合的特征集，看哪组特征能获得最好的模型效果。也可以使用线性回归等方法，找出影响目标值的主要特征。或者，计算特征与目标变量之间的相关系数，筛选相关系数高的特征。以上方法可单独使用，也可以综合使用获取更好的结果。关键的是需要不断测试，分析不同特征集下模型效果的变化，通过比较和消除冗余，找到决策过程中真正重要的特征。
在一些实施例上，上述步骤S205具体可以通过以下步骤实现：步骤S2051，获取上述历史节点的状态和上述历史节点的相邻节点的状态；步骤S2052，根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，其中，上述相邻节点为与上述历史节点相连接的点；步骤S2053，对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数；步骤S2054，根据上述注意力系数，确定上述历史节点对应的特征。该方法通过确定注意力系数确定上述历史节点对应的特征，可以进一步使特征更加准确。
具体地，上述历史节点和相邻节点的状态实际上就是正常工作状态或异常工作状态。上述注意力系数实际上表示上述历史节点和上述历史节点的相邻节点之间的重要性和关联程度。
在一些实施例上，上述步骤S2052可以通过其他方式实现，例如：根据公式：similarityij＝Neural(Wfi,Wfj)，确定上述历史节点与上述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为上述单层前馈神经网络模型学习的权重系数，fi为上述历史节点的状态，fj为上述历史节点的相邻节点的状态。该方法可以快速确定上述历史节点与上述历史节点的相邻节点之间的相似系数。
具体地，上述单层前馈神经网络模型是最简单的一种神经网络模型，只包含输入层、单个隐藏层和输出层，通过输入数据输入到输入层。输入层将数据传递到隐藏层。隐藏层将数据应用激活函数，然后传递给输出层。输出层对隐藏层的输出应用激活函数，输出最终结果。与多层前馈神经网络相比，单层网络参数少，计算量小。大多数实际问题需要多层网络来获得更好的性能。但是对于一些线性可分的问题，单层网络已经足够。上述单层前馈神经网络模型主要用于学习上述权重系数W。
在一些实施例上，上述步骤S2053可以通过其他方式实现，例如：采用公式：aij＝softmax(similarityij)对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为上述历史节点与上述历史节点的相邻节点之间的相似系数。该方法可以快速确定上述历史节点和上述历史节点的相邻节点的注意力系数。
具体地，softmax函数的主要作用是：将输入转化为概率分布softmax函数将任何一个向量通过指数运算和归一化，映射为一个概率分布。概率和均保持总和为1。在多分类问题中输出类别概率softmax函数经常用在多分类问题中，将模型的原始输出转化为各类别的概率。从而能表示不同样本属于各个类别的可能性。提高分类准确率概率输出可以更有效地反映各类别的差异。有利于下游任务提高准确率。在上述方法中softmax函数用于实现归一化，可以将原始的函数映射到0-1之间，通过减小数字之间的差异，有助于稳定模型输出。
在一些实施例上，还包括步骤S208，根据公式：Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算上述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为上述图注意力模型的输出值y′的Sigmoid激活函数，y为上述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为上述超参数的权重系数。该方法可以快速确定上述图注意力模型的损失函数。
具体地，损失函数是衡量模型预测精度的一个关键指标。它不仅可以量化预测误差，通过预测值和真实值的差异来计算一个值，这个值反应了模型的“损失”，也即预测误差。还可以指导模型优化通过最小化损失函数值，可以不断地优化模型的参数，从而让模型的预测更加准确。简单说来，损失函数就是一个评估模型好坏的标准。损失值越低，表示模型效果越好。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的电力系统的异常源节点的确定方法的实现过程进行详细说明。
本实施例涉及一种具体的电力系统的异常源节点的确定方法，如图3所示，包括如下步骤：
步骤S1：构建图表达；
步骤S2：构建图自注意力神经网络；
步骤S3：训练模型并预测异常源节点。
本申请实施例还提供了一种电力系统的异常源节点的确定装置，需要说明的是，本申请实施例的电力系统的异常源节点的确定装置可以用于执行本申请实施例所提供的用于电力系统的异常源节点的确定方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的电力系统的异常源节点的确定装置进行介绍。
图4是根据本申请实施例的电力系统的异常源节点的确定装置的示意图。如图4所示，该装置包括：
第一获取单元10，用于获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
具体地，电力系统主要包括发电机、变压器、传输线路、负荷以及开关装置等，通过上述各组成部分之间有机的组合及复杂的互相依存关系，组成一个庞大而又稳定的电力系统。其中，发电机用于提供电力系统的动力来源，包括水力发电、燃煤发电等。变压器用于降低或提高电压，从而实现不同子电网间的连接。交流/直流传输线路用于在子电网内部传输电能。负荷作为电力系统的使用终端，包括工业/商业/民用等各类负荷。开关装置用于控制和保护电路，如隔离开关、遮断开关、闸带等。而网络拓扑结构是一种表征节点和节点之间的连接关系的网络结构。根据节点和连通关系的不同，网络拓扑结构主要分为四种：1.总线式：所有节点均直接连接到同一总线上。2.星型：所有节点均连接到中央节点。3.环形：每个节点均连接到相邻的两个节点，形成环形拓扑。4.不规则网：节点的连接呈现复杂无序的形式。
第二获取单元20，用于获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
具体地，与第一获取单元中不同的是，当前传播关系图中的异常源节点是未知，而上述第一获取单元中的网络拓扑结构中的异常源节点是确认已知的。
确定单元30，用于将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
具体地，电力系统中，当某个节点或某些节点产生异常状况时，会快速在其所在的拓扑结构中传递，进而导致整个电网出现数据异常。此外，配电网中节点的异常也会在网络拓扑中传播。导致上述异常的节点即为异常源节点。电力系统故障通常包括线路故障即短路、开路和接触不良等问题，发电机故障，如转子断裂、绕组损坏等问题，变压器故障如油漏、绝缘老化等问题，开关设备故障：如接触不良、弹簧断裂等问题，保护装置故障如误动作或未动作导致的系统失稳或过载等问题。图注意力模型(Graph Attention Networks，简称为GAT)是一种改进的图形神经网络模型，使用注意力算法来学习节点之间的关系和依赖。与传统的图神经网络模型不同，GAT不仅考虑了节点之间的连接结构，还考虑了连接的重要程度(通过计算节点间的注意力权重来实现)。进一步地，GAT工作原理如下：首先，GAT为每个节点编码一个向量表示；然后，对每个节点，GAT计算与其连接节点的注意力分数，注意力分数越高表示依赖关系越大。通过注意力分数来加权连接节点的向量表示，得到最终的节点表示。重复上述过程多次，获取多层次的节点表示。最后，基于节点表示执行任务，如节点分类、链接预测等。通过学习注意力权重，GAT可以自动找到哪些节点对当前节点最关键，体现出节点间非对称的关系。这使得GAT可以学习更微妙的图结构表示。
通过本实施例，第一获取单元获取电力系统的网络拓扑结构的历史传播关系图；第二获取单元获取电力系统的网络拓扑结构的当前传播关系图；最后，将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点。根据电力系统的网络拓扑信息构建图结构即历史传播关系图，图中的节点表示电网中的节点信息，表示节点正常或异常；在图结构的基础上对节点进行监督信息的标注非源节点和异常的源节点，再根据标记信息和图结构构建图注意力模型；最后，输入每个节点的状态值和图表达，即可输出对每个节点是否为异常源头节点的预测。解决了现有技术中通过感染模型和传播模型预测异常源节点不能反映电力系统的真实情况的问题。
具体实现过程中，上述第一获取单元包括第一获取模块和第一计算模块，其中，第一获取模块用于获取上述当前时刻前的上述电力系统的网络拓扑结构的第一无向图G1＝(V1，E1，Y1)，其中，V1为上述历史节点组成的集合，E1为各上述历史节点之间的连线组成的边集，Y1为上述历史节点的状态值组成的集合；第一计算模块用于计算上述第一无向图的第一拉普拉斯矩阵，其中，上述第一拉普拉斯矩阵用于上述电力系统的网络拓扑结构的历史传播关系图。该装置通过确定第一无向图的第一拉普拉斯矩阵，可以快速确定上述历史传播关系图。
具体地，无向图是一种没有方向的图模型，与有向图不同，无向图的边不区分方向。简单来说，无向图包含一组节点和无向的边(边没有方向)。两个节点之间的边为无方向的连接，信息或流动可以是双向的。两个节点之间可以有多条边，表示这两个节点高度关联。正常情况下，同一个节点不会与自身连接。比如说家庭关系可以用无向图表示，父母和子女之间的关系是双向的，没有先后顺序。同理，社交网络中人与人的关系也可以用无向图模拟。无向图的优点是简单直观，易于理解；无需考虑边的方向。因此，当关系具有对称性和可互连性时，使用无向图是很好的选择。无向图的拉普拉斯矩阵主要用于图特征分析、聚类等任务，其主对角元素表示顶点的度，其他元素表示两个顶点间的关系。计算无向图的拉普拉斯矩阵主要分为以下步骤：计算邻接矩阵，对于无向图中任意两个有连接的顶点i和j，其邻接矩阵A对应的(i，j)和(j，i)位置为1，否则为0。计算度矩阵：对角线元素D(i，i)为顶点i的度(周围有多少条边)，其他元素为0。计算拉普拉斯矩阵：L＝D-A，即计算度矩阵D与邻接矩阵A的差。
本申请的上述第二获取单元包括第二获取模块和第二计算模块，其中，第二获取模块用于获取上述当前时刻的上述电力系统的网络拓扑结构的第二无向图G2＝(V2，E2，Y2)，其中，V2上述当前节点组成的集合，E2为各上述当前节点之间的连线组成的集合，Y2为上述当前节点的状态值组成的集合；第二计算模块用于计算上述第二无向图的第二拉普拉斯矩阵，其中，上述第二拉普拉斯矩阵用于上述电力系统的网络拓扑结构的当前传播关系图。该装置通过确定第二无向图的第二拉普拉斯矩阵，可以快速确定上述当前传播关系图。
具体地，无向图是一种没有方向的图模型，与有向图不同，无向图的边不区分方向。简单来说，无向图包含一组节点和无向的边(边没有方向)。两个节点之间的边为无方向的连接，信息或流动可以是双向的。两个节点之间可以有多条边，表示这两个节点高度关联。正常情况下，同一个节点不会与自身连接。比如说家庭关系可以用无向图表示，父母和子女之间的关系是双向的，没有先后顺序。同理，社交网络中人与人的关系也可以用无向图模拟。无向图的优点是简单直观，易于理解；无需考虑边的方向。因此，当关系具有对称性和可互连性时，使用无向图是很好的选择。无向图的拉普拉斯矩阵主要用于图特征分析、聚类等任务，其主对角元素表示顶点的度，其他元素表示两个顶点间的关系。计算无向图的拉普拉斯矩阵主要分为以下步骤：计算邻接矩阵，对于无向图中任意两个有连接的顶点i和j，其邻接矩阵A对应的(i，j)和(j，i)位置为1，否则为0。计算度矩阵：对角线元素D(i，i)为顶点i的度(周围有多少条边)，其他元素为0。计算拉普拉斯矩阵：L＝D-A，即计算度矩阵D与邻接矩阵A的差。
上述确定单元还用于确定上述历史节点对应的特征。该装置可以进一步帮助上述图注意力模型进行训练，进而提升其预测精度。
具体地，在模型训练过程中，如何确定准确的特征是关键的一个步骤。可以通过不同的方式确定特征，例如，基于理论知识和经验。根据问题背景和相关理论知识，对模型中可能相关的特征进行初始筛选。或基于特征重要性排序，使用特征选择或筛选算法，比如递归特征消除、随机森林等，对特征进行重要性排序，选择最重要的特征。再尝试不同组合的特征集，看哪组特征能获得最好的模型效果。也可以使用线性回归等，找出影响目标值的主要特征。或者，计算特征与目标变量之间的相关系数，筛选相关系数高的特征。以上可单独使用，也可以综合使用获取更好的结果。关键的是需要不断测试，分析不同特征集下模型效果的变化，通过比较和消除冗余，找到决策过程中真正重要的特征。
在一些实施例上，上述确定单元包括第三获取模块、第一确定模块、处理模块以及第二确定模块，其中，第三获取模块用于获取上述历史节点的状态和上述历史节点的相邻节点的状态；第一确定模块用于根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，其中，上述相邻节点为与上述历史节点相连接的点；处理模块用于对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数；第二确定模块用于根据上述注意力系数，确定上述历史节点对应的特征。该装置通过确定注意力系数确定上述历史节点对应的特征，可以进一步使特征更加准确。
具体地，上述历史节点和相邻节点的状态实际上就是正常工作状态或异常工作状态。上述注意力系数实际上表示上述历史节点和上述历史节点的相邻节点之间的重要性和关联程度。
在一些实施例上，上述第一确定模块还用于根据公式：similarityij＝Neural(Wfi,Wfj)，确定上述历史节点与上述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为上述单层前馈神经网络模型学习的权重系数，fi为上述历史节点的状态，fj为上述历史节点的相邻节点的状态。该装置可以快速确定上述历史节点与上述历史节点的相邻节点之间的相似系数。
具体地，上述单层前馈神经网络模型是最简单的一种神经网络模型，只包含输入层、单个隐藏层和输出层，通过输入数据输入到输入层。输入层将数据传递到隐藏层。隐藏层将数据应用激活函数，然后传递给输出层。输出层对隐藏层的输出应用激活函数，输出最终结果。与多层前馈神经网络相比，单层网络参数少，计算量小。大多数实际问题需要多层网络来获得更好的性能。但是对于一些线性可分的问题，单层网络已经足够。上述单层前馈神经网络模型主要用于学习上述权重系数W。
在一些实施例上，上述处理模块还用于采用公式aij＝softmax(similarityij)对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为上述历史节点与上述历史节点的相邻节点之间的相似系数。该装置可以快速确定上述历史节点和上述历史节点的相邻节点的注意力系数。
具体地，softmax函数的主要作用是：将输入转化为概率分布softmax函数将任何一个向量通过指数运算和归一化，映射为一个概率分布。概率和均保持总和为1。在多分类问题中输出类别概率softmax函数经常用在多分类问题中，将模型的原始输出转化为各类别的概率。从而能表示不同样本属于各个类别的可能性。提高分类准确率概率输出可以更有效地反映各类别的差异。有利于下游任务提高准确率。在上述装置中softmax函数用于实现归一化，可以将原始的函数映射到0-1之间，通过减小数字之间的差异，有助于稳定模型输出。
在一些实施例上，还包括计算单元，用于根据公式：Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算上述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为上述图注意力模型的输出值y′的Sigmoid激活函数，y为上述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为上述超参数的权重系数。该装置可以快速确定上述图注意力模型的损失函数。
具体地，损失函数是衡量模型预测精度的一个关键指标。它不仅可以量化预测误差，通过预测值和真实值的差异来计算一个值，这个值反应了模型的“损失”，也即预测误差。还可以指导模型优化通过最小化损失函数值，可以不断地优化模型的参数，从而让模型的预测更加准确。简单说来，损失函数就是一个评估模型好坏的标准。损失值越低，表示模型效果越好。
上述电力系统的异常源节点的确定装置包括处理器和存储器，上述第一获取单元、第二获取单元以及确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来确定电力系统的异常源节点。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述电力系统的异常源节点的确定方法。
具体地，电力系统的异常源节点的确定方法包括：
步骤S202，获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
具体地，电力系统主要包括发电机、变压器、传输线路、负荷以及开关装置等，通过上述各组成部分之间有机的组合及复杂的互相依存关系，组成一个庞大而又稳定的电力系统。其中，发电机用于提供电力系统的动力来源，包括水力发电、燃煤发电等。变压器用于降低或提高电压，从而实现不同子电网间的连接。交流/直流传输线路用于在子电网内部传输电能。负荷作为电力系统的使用终端，包括工业/商业/民用等各类负荷。开关装置用于控制和保护电路，如隔离开关、遮断开关、闸带等。而网络拓扑结构是一种表征节点和节点之间的连接关系的网络结构。根据节点和连通关系的不同，网络拓扑结构主要分为四种：1.总线式：所有节点均直接连接到同一总线上。2.星型：所有节点均连接到中央节点。3.环形：每个节点均连接到相邻的两个节点，形成环形拓扑。4.不规则网：节点的连接呈现复杂无序的形式。
步骤S204，获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
具体地，与步骤S202中不同的是，当前传播关系图中的异常源节点是未知，而上述步骤S202中的网络拓扑结构中的异常怨源节点是确认已知的。
步骤S206，将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
具体地，图注意力模型(Graph Attention Networks，简称为GAT)是一种改进的图形神经网络模型，使用注意力算法来学习节点之间的关系和依赖。与传统的图神经网络模型不同，GAT不仅考虑了节点之间的连接结构，还考虑了连接的重要程度(通过计算节点间的注意力权重来实现)。进一步地，GAT工作原理如下：首先，GAT为每个节点编码一个向量表示；然后，对每个节点，GAT计算与其连接节点的注意力分数，注意力分数越高表示依赖关系越大。通过注意力分数来加权连接节点的向量表示，得到最终的节点表示。重复上述过程多次，获取多层次的节点表示。最后，基于节点表示执行任务，如节点分类、链接预测等。通过学习注意力权重，GAT可以自动找到哪些节点对当前节点最关键，体现出节点间非对称的关系。这使得GAT可以学习更微妙的图结构表示。
可选地，获取上述电力系统的网络拓扑结构的历史传播关系图，包括：获取上述当前时刻前的上述电力系统的网络拓扑结构的第一无向图G1＝(V1，E1，Y1)，其中，V1为上述历史节点组成的集合，E1为各上述历史节点之间的连线组成的边集，Y1为上述历史节点的状态值组成的集合；计算上述第一无向图的第一拉普拉斯矩阵，其中，上述第一拉普拉斯矩阵用于上述电力系统的网络拓扑结构的历史传播关系图。
可选地，获取上述电力系统的上述网络拓扑结构的当前传播关系图，包括：获取上述当前时刻的上述电力系统的网络拓扑结构的第二无向图G2＝(V2，E2，Y2)，其中，V2上述当前节点组成的集合，E2为各上述当前节点之间的连线组成的集合，Y2为上述当前节点的状态值组成的集合；计算上述第二无向图的第二拉普拉斯矩阵，其中，上述第二拉普拉斯矩阵用于上述电力系统的网络拓扑结构的当前传播关系图。
可选地，在将上述当前传播关系图输入至图注意力模型之前，上述方法还包括：确定上述历史节点对应的特征。
可选地，确定上述历史节点对应的特征，包括：获取上述历史节点的状态和上述历史节点的相邻节点的状态；根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，其中，上述相邻节点为与上述历史节点相连接的点；对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数；根据上述注意力系数，确定上述历史节点对应的特征。
可选地，根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，包括：根据公式similarityij＝Neural(Wfi,Wfj)，确定上述历史节点与上述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为上述单层前馈神经网络模型学习的权重系数，fi为上述历史节点的状态，fj为上述历史节点的相邻节点的状态。
可选地，对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数，包括：采用公式aij＝softmax(similarityij)对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为上述历史节点与上述历史节点的相邻节点之间的相似系数。
可选地，上述方法还包括：根据公式Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算上述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为上述图注意力模型的输出值y′的Sigmoid激活函数，y为上述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为上述超参数的权重系数。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述电力系统的异常源节点的确定方法。
具体地，电力系统的异常源节点的确定方法包括：
步骤S202，获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
具体地，电力系统主要包括发电机、变压器、传输线路、负荷以及开关装置等，通过上述各组成部分之间有机的组合及复杂的互相依存关系，组成一个庞大而又稳定的电力系统。其中，发电机用于提供电力系统的动力来源，包括水力发电、燃煤发电等。变压器用于降低或提高电压，从而实现不同子电网间的连接。交流/直流传输线路用于在子电网内部传输电能。负荷作为电力系统的使用终端，包括工业/商业/民用等各类负荷。开关装置用于控制和保护电路，如隔离开关、遮断开关、闸带等。而网络拓扑结构是一种表征节点和节点之间的连接关系的网络结构。根据节点和连通关系的不同，网络拓扑结构主要分为四种：1.总线式：所有节点均直接连接到同一总线上。2.星型：所有节点均连接到中央节点。3.环形：每个节点均连接到相邻的两个节点，形成环形拓扑。4.不规则网：节点的连接呈现复杂无序的形式。
步骤S204，获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
具体地，与步骤S202中不同的是，当前传播关系图中的异常源节点是未知，而上述步骤S202中的网络拓扑结构中的异常怨源节点是确认已知的。
步骤S206，将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
具体地，图注意力模型(Graph Attention Networks，简称为GAT)是一种改进的图形神经网络模型，使用注意力算法来学习节点之间的关系和依赖。与传统的图神经网络模型不同，GAT不仅考虑了节点之间的连接结构，还考虑了连接的重要程度(通过计算节点间的注意力权重来实现)。进一步地，GAT工作原理如下：首先，GAT为每个节点编码一个向量表示；然后，对每个节点，GAT计算与其连接节点的注意力分数，注意力分数越高表示依赖关系越大。通过注意力分数来加权连接节点的向量表示，得到最终的节点表示。重复上述过程多次，获取多层次的节点表示。最后，基于节点表示执行任务，如节点分类、链接预测等。通过学习注意力权重，GAT可以自动找到哪些节点对当前节点最关键，体现出节点间非对称的关系。这使得GAT可以学习更微妙的图结构表示。
可选地，获取上述电力系统的网络拓扑结构的历史传播关系图，包括：获取上述当前时刻前的上述电力系统的网络拓扑结构的第一无向图G1＝(V1，E1，Y1)，其中，V1为上述历史节点组成的集合，E1为各上述历史节点之间的连线组成的边集，Y1为上述历史节点的状态值组成的集合；计算上述第一无向图的第一拉普拉斯矩阵，其中，上述第一拉普拉斯矩阵用于上述电力系统的网络拓扑结构的历史传播关系图。
可选地，获取上述电力系统的上述网络拓扑结构的当前传播关系图，包括：获取上述当前时刻的上述电力系统的网络拓扑结构的第二无向图G2＝(V2，E2，Y2)，其中，V2上述当前节点组成的集合，E2为各上述当前节点之间的连线组成的集合，Y2为上述当前节点的状态值组成的集合；计算上述第二无向图的第二拉普拉斯矩阵，其中，上述第二拉普拉斯矩阵用于上述电力系统的网络拓扑结构的当前传播关系图。
可选地，在将上述当前传播关系图输入至图注意力模型之前，上述方法还包括：确定上述历史节点对应的特征。
可选地，确定上述历史节点对应的特征，包括：获取上述历史节点的状态和上述历史节点的相邻节点的状态；根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，其中，上述相邻节点为与上述历史节点相连接的点；对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数；根据上述注意力系数，确定上述历史节点对应的特征。
可选地，根据上述历史节点的状态和上述历史节点的相邻节点的状态，确定上述历史节点与上述历史节点的相邻节点之间的相似系数，包括：根据公式similarityij＝Neural(Wfi,Wfj)，确定上述历史节点与上述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为上述单层前馈神经网络模型学习的权重系数，fi为上述历史节点的状态，fj为上述历史节点的相邻节点的状态。
可选地，对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数，包括：采用公式aij＝softmax(similarityij)对上述相似系数进行行归一化处理，得到上述历史节点和上述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为上述历史节点与上述历史节点的相邻节点之间的相似系数。
可选地，上述方法还包括：根据公式Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算上述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为上述图注意力模型的输出值y′的Sigmoid激活函数，y为上述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为上述超参数的权重系数。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S202，获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
步骤S204，获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
步骤S206，将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S202，获取上述电力系统的网络拓扑结构的历史传播关系图，其中，上述网络拓扑结构包括多个历史节点，上述历史传播关系图表征在当前时刻前上述网络拓扑结构中的各上述历史节点之间的邻接关系和各上述历史节点的状态，上述状态包括正常工作状态和异常工作状态；
步骤S204，获取上述电力系统的上述网络拓扑结构的当前传播关系图，其中，上述网络拓扑结构包括多个当前节点，上述当前传播关系图表征在上述当前时刻上述网络拓扑结构中的各上述当前节点之间的邻接关系和各上述当前节点的状态；
步骤S206，将上述当前传播关系图输入至图注意力模型，确定上述当前传播关系图中的节点是否为上述电力系统的异常源节点，其中，上述异常源节点为导致上述电力系统故障的源头节点，上述图注意力模型为使用多组数据通过机器学习训练出的，多组上述数据中的每组数据均包括：上述历史传播关系图和各上述历史节点对应的特征，上述特征表征上述历史节点是否为上述异常源节点。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的电力系统的异常源节点的确定方法，首先，获取电力系统的网络拓扑结构的历史传播关系图；再获取电力系统的网络拓扑结构的当前传播关系图；最后，将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点。根据电力系统的网络拓扑信息构建图结构即历史传播关系图，图中的节点表示电网中的节点信息，表示节点正常或异常；在图结构的基础上对节点进行监督信息的标注非源节点和异常的源节点，再根据标记信息和图结构构建图注意力模型；最后，输入每个节点的状态值和图表达，即可输出对每个节点是否为异常源头节点的预测。解决了现有技术中通过感染模型和传播模型预测异常源节点的方法不能反映电力系统的真实情况的问题。
2)、本申请的电力系统的异常源节点的确定装置，第一获取单元获取电力系统的网络拓扑结构的历史传播关系图；第二获取单元获取电力系统的网络拓扑结构的当前传播关系图；最后，将当前传播关系图输入至图注意力模型，确定当前传播关系图中的节点是否为电力系统的异常源节点。根据电力系统的网络拓扑信息构建图结构即历史传播关系图，图中的节点表示电网中的节点信息，表示节点正常或异常；在图结构的基础上对节点进行监督信息的标注非源节点和异常的源节点，再根据标记信息和图结构构建图注意力模型；最后，输入每个节点的状态值和图表达，即可输出对每个节点是否为异常源头节点的预测。解决了现有技术中通过感染模型和传播模型预测异常源节点不能反映电力系统的真实情况的问题。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (11)

1.一种电力系统的异常源节点的确定方法，其特征在于，包括：
获取所述电力系统的网络拓扑结构的历史传播关系图，其中，所述网络拓扑结构包括多个历史节点，所述历史传播关系图表征在当前时刻前所述网络拓扑结构中的各所述历史节点之间的邻接关系和各所述历史节点的状态，所述状态包括正常工作状态和异常工作状态；
获取所述电力系统的所述网络拓扑结构的当前传播关系图，其中，所述网络拓扑结构包括多个当前节点，所述当前传播关系图表征在所述当前时刻所述网络拓扑结构中的各所述当前节点之间的邻接关系和各所述当前节点的状态；
将所述当前传播关系图输入至图注意力模型，确定所述当前传播关系图中的节点是否为所述电力系统的异常源节点，其中，所述异常源节点为导致所述电力系统故障的源头节点，所述图注意力模型为使用多组数据通过机器学习训练出的，多组所述数据中的每组数据均包括：所述历史传播关系图和各所述历史节点对应的特征，所述特征表征所述历史节点是否为所述异常源节点。
2.根据权利要求1所述的方法，其特征在于，获取所述电力系统的网络拓扑结构的历史传播关系图，包括：
获取所述当前时刻前的所述电力系统的网络拓扑结构的第一无向图：G1＝(V1，E1，Y1)，其中，V1为所述历史节点组成的集合，E1为各所述历史节点之间的连线组成的边集，Y1为所述历史节点的状态值组成的集合；
计算所述第一无向图的第一拉普拉斯矩阵，其中，所述第一拉普拉斯矩阵用于所述电力系统的网络拓扑结构的历史传播关系图。
3.根据权利要求1所述的方法，其特征在于，获取所述电力系统的所述网络拓扑结构的当前传播关系图，包括：
获取所述当前时刻的所述电力系统的网络拓扑结构的第二无向图：G2＝(V2，E2，Y2)，其中，V2所述当前节点组成的集合，E2为各所述当前节点之间的连线组成的集合，Y2为所述当前节点的状态值组成的集合；
计算所述第二无向图的第二拉普拉斯矩阵，其中，所述第二拉普拉斯矩阵用于所述电力系统的网络拓扑结构的当前传播关系图。
4.根据权利要求1所述的方法，其特征在于，在将所述当前传播关系图输入至图注意力模型之前，所述方法还包括：确定所述历史节点对应的特征。
5.根据权利要求4所述的方法，其特征在于，确定所述历史节点对应的特征，包括：
获取所述历史节点的状态和所述历史节点的相邻节点的状态；
根据所述历史节点的状态和所述历史节点的相邻节点的状态，确定所述历史节点与所述历史节点的相邻节点之间的相似系数，其中，所述相邻节点为与所述历史节点相连接的点；
对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数；
根据所述注意力系数，确定所述历史节点对应的特征。
6.根据权利要求5所述的方法，其特征在于，根据所述历史节点的状态和所述历史节点的相邻节点的状态，确定所述历史节点与所述历史节点的相邻节点之间的相似系数，包括：
根据公式similarityij＝Neural(Wfi,Wfj)，确定所述历史节点与所述历史节点的相邻节点之间的相似系数similarityij，其中，Neural为单层前馈神经网络模型，W为所述单层前馈神经网络模型学习的权重系数，fi为所述历史节点的状态，fj为所述历史节点的相邻节点的状态。
7.根据权利要求5所述的方法，其特征在于，对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数，包括：
采用公式aij＝softmax(similarityij)对所述相似系数进行行归一化处理，得到所述历史节点和所述历史节点的相邻节点的注意力系数aij，其中，softmax()为归一化指数函数，similarityij为所述历史节点与所述历史节点的相邻节点之间的相似系数。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据公式Loss(y′,y)＝-logσ(y′)×y-log(1-σ(y′))×(1-y)+λω，计算所述图注意力模型的损失函数Loss(y′,y)，其中，σ(y′)为所述图注意力模型的输出值y′的Sigmoid激活函数，y为所述历史节点对应的特征，λ为用于限制正则化项的超参数，ω为所述超参数的权重系数。
9.一种电力系统的异常源节点的确定装置，其特征在于，包括：
第一获取单元，用于获取所述电力系统的网络拓扑结构的历史传播关系图，其中，所述网络拓扑结构包括多个历史节点，所述历史传播关系图表征在当前时刻前所述网络拓扑结构中的各所述历史节点之间的邻接关系和各所述历史节点的状态，所述状态包括正常工作状态和异常工作状态；
第二获取单元，用于获取所述电力系统的所述网络拓扑结构的当前传播关系图，其中，所述网络拓扑结构包括多个当前节点，所述当前传播关系图表征在所述当前时刻所述网络拓扑结构中的各所述当前节点之间的邻接关系和各所述当前节点的状态；
确定单元，用于将所述当前传播关系图输入至图注意力模型，确定所述当前传播关系图中的节点是否为所述电力系统的异常源节点，其中，所述异常源节点为导致所述电力系统故障的源头节点，所述图注意力模型为使用多组数据通过机器学习训练出的，多组所述数据中的每组数据均包括：所述历史传播关系图和各所述历史节点对应的特征，所述特征表征所述历史节点是否为所述异常源节点。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的方法。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至8中任一项所述的方法。
CN202310610404.1A 2023-05-26 2023-05-26 电力系统的异常源节点的确定方法和确定装置 Pending CN117254446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310610404.1A CN117254446A (zh) 2023-05-26 2023-05-26 电力系统的异常源节点的确定方法和确定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310610404.1A CN117254446A (zh) 2023-05-26 2023-05-26 电力系统的异常源节点的确定方法和确定装置

Publications (1)

Publication Number Publication Date
CN117254446A true CN117254446A (zh) 2023-12-19

Family

ID=89125361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310610404.1A Pending CN117254446A (zh) 2023-05-26 2023-05-26 电力系统的异常源节点的确定方法和确定装置

Country Status (1)

Country Link
CN (1) CN117254446A (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
AU2017100148A4 (en) A system, method, computer program and data signal for fault detection and recovery of a network
Chang et al. Hierarchical fuzzy logic system for implementing maintenance schedules of offshore power systems
Nguyen et al. Spatial-temporal recurrent graph neural networks for fault diagnostics in power distribution systems
Jacob et al. Fault diagnostics in shipboard power systems using graph neural networks
CN112561303B (zh) 基于集成学习和电网拓扑变化的电力系统动态分析方法
CN117254446A (zh) 电力系统的异常源节点的确定方法和确定装置
Nandanoori et al. Graph neural network and Koopman models for learning networked dynamics: A comparative study on power grid transients prediction
Mukherjee et al. Real-time dynamic security analysis of power systems using strategic PMU measurements and decision tree classification
Gutierrez-Rojas et al. Performance evaluation of machine learning for fault selection in power transmission lines
Chamoso et al. Agent-based tool to reduce the maintenance cost of energy distribution networks
Bush et al. Topological machine learning methods for power system responses to contingencies
Stanly Jayaprakash et al. Deep q-network with reinforcement learning for fault detection in cyber-physical systems
CN117633592B (zh) 一种新能源电站智能监盘系统
Ghaemi et al. Situational awareness and deficiency warning system in a smart distribution network based on stacking ensemble learning
De Caro et al. Review of data-driven techniques for on-line static and dynamic security assessment of modern power systems
Chen et al. Artificial Intelligence/Machine Learning Technology in Power System Applications
Jacobs et al. Leveraging graph clustering techniques for cyber‐physical system analysis to enhance disturbance characterisation
CN117458453A (zh) 电力系统暂态稳定性的预测方法、系统、设备及存储介质
Lin et al. Post-disturbance dynamic frequency features prediction based on convolutional neural network
CN113572639B (zh) 一种载波网络故障的诊断方法、系统、设备和介质
Voloshin et al. The application of artificial intelligence techniques for automatic synthesis substation configuration files in accordance with IEC 61850
CN114254470A (zh) 一种配电网可靠性提升方法、装置及存储介质
Rivera Torres et al. Reinforcement learning with probabilistic boolean network models of smart grid devices
Mohagheghi et al. Fuzzy cognitive maps for identifying fault activation patterns in automation systems
Thapa et al. High-precision transient stability assessment using convolution neural network

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