CN117650533B - 基于图网络大数据模型的电力系统潮流分析方法及装置 - Google Patents

基于图网络大数据模型的电力系统潮流分析方法及装置 Download PDF

Info

Publication number
CN117650533B
CN117650533B CN202410109782.6A CN202410109782A CN117650533B CN 117650533 B CN117650533 B CN 117650533B CN 202410109782 A CN202410109782 A CN 202410109782A CN 117650533 B CN117650533 B CN 117650533B
Authority
CN
China
Prior art keywords
node
power
representation
power system
power line
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.)
Active
Application number
CN202410109782.6A
Other languages
English (en)
Other versions
CN117650533A (zh
Inventor
那琼澜
李信
邢宁哲
杨艺西
王艺霏
张实君
李欣怡
温馨
陈重韬
来骥
马跃
邢海瀛
彭柏
杨峰
梁东
于蒙
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.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jibei 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 State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202410109782.6A priority Critical patent/CN117650533B/zh
Publication of CN117650533A publication Critical patent/CN117650533A/zh
Application granted granted Critical
Publication of CN117650533B publication Critical patent/CN117650533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提供了一种基于图网络大数据模型的电力系统潮流分析方法及装置，该方法包括：基于泊松过程的电力系统时空生成模型生成电力系统的电网拓扑结构、节点状态和线路状态；基于线路老化程度估计模型生成电力系统的电力线路老化程度；以电网拓扑结构、节点状态、线路状态和电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；采集目标电力系统的电网拓扑结构、节点状态和线路状态，并将其输入至已训练的图神经网络模型中，以预测目标电力系统的节点电压和节点相位角位。本说明书实施例可提高基于神经网络模型的潮流分析的泛化性及可解释性。

Description

基于图网络大数据模型的电力系统潮流分析方法及装置
技术领域
本说明书涉及电力系统潮流分析技术领域，尤其是涉及一种基于图网络大数据模型的电力系统潮流分析方法及装置。
背景技术
潮流分析主要用于分析电力系统中节点电压、功率和电流的分布情况。通过潮流分析可以评估电力系统的稳定性和可靠性；因此，潮流分析在电网规划、电网运行状态分析、电网故障分析等中均有广泛的应用。随着电网的发展，电力系统规模快速扩大，结构日益复杂，传统的潮流计算方法在进行求解的时候会出现病态潮流、求解速度慢等问题，无法满足诸如实时在线潮流分析、电网安全性校核等需要大批量快速潮流计算的场景。
随着人工智能技术的快速发展，基于数据驱动的神经网络模型也开始应用于电力系统的潮流分析。然而，在实现本申请的过程中，本申请的发明人发现：传统的基于神经网络模型的潮流分析忽略了电力系统潮流数据作为图结构数据的实质，缺乏可解释性，并且由于其对训练数据的强依赖性，在缺乏足够训练数据的前提下无法做到足够的泛化性。因此，如何提高基于神经网络模型的潮流分析的泛化性及可解释性已成为目前亟待解决的技术问题。
发明内容
本说明书实施例的目的在于提供一种基于图网络大数据模型的电力系统潮流分析方法及装置，以提高基于神经网络模型的潮流分析的泛化性及可解释性。
为达到上述目的，一方面，本说明书实施例提供了一种基于图网络大数据模型的电力系统潮流分析方法，包括：
基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；
基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度；
以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；
采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，包括：
获取电力系统所处物理平面；
在电力系统所处物理平面中生成满足泊松分布的随机点集合；
以所述随机点集合中的每个点为切点，分别作以所述物理平面中心为圆心的同心圆的切线，以获得作为电力线路可铺设路径集合的随机线集合；
生成所述随机线集合中每个随机线上的满足泊松分布且随时间扩增的随机点集合，以作为电力系统节点；
基于电力线路节点连接度概率密度函数，分配新增电力系统节点与已有电力系统节点的连接关系，以生成电力系统的电网拓扑结构；
基于电力线路约束条件生成电力系统满足指定规则的节点状态和线路状态。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述电力线路节点连接度概率密度函数包括：
其中，表示新增电力系统节点连接度概率密度函数；d B 表示新增电力系统节点的连接度；/>表示已有电力系统节点的平均连接度；d Bk 表示第k个已有电力系统节点的连接度；η k 表示已有电力系统节点的连接度中与d Bk 数值相等的连接度所占比例，e表示自然常数。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述基于电力线路约束条件生成电力系统满足指定规则的节点状态，包括：
生成一个随机的PQ节点有功负荷集合，并将其总有功负荷调整至与电力系统总有功负荷相匹配；
将调整后的PQ节点有功负荷集合的有功负荷，以及电力系统所有节点的连接度分别做标准化处理；
获取与调整后的PQ节点有功负荷集合具有相同PQ节点占比的，实际电力系统中的PQ节点的有功负荷及其连接度，并分别做标准化处理；
根据所述实际电力系统中标准化处理的PQ节点的连接度进行对应PQ节点有功负荷的分配；
基于上述方式分别生成电力系统中的PV节点状态和平衡节点状态。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述基于电力线路约束条件生成电力系统满足指定规则的线路状态，包括：
根据所述电网拓扑结构及所述随机线集合，获取电力系统所处物理平面内连接各电力系统节点的电力线路长度集合；
根据电力线路长度集合生成各电力线路的电阻值、电导值、电抗值和电纳值；
根据实际环境中不同位置的温度以及湿度状况，分配对应位置电力线路的表面温度以及湿度参数。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述线路老化程度估计模型包括：
其中，表示当前T时刻时电力线绝缘老化程度；/>表示0时刻时的电力线绝缘老化程度；/>表示t+1时刻时的电力线绝缘老化程度；/>表示任意t时刻时的电力线绝缘老化程度；T(t)表示t时刻时的电力线路表面温度；T(t+1)表示t+1时刻时的电力线路表面温度；W(t)表示t时刻时的电力线路表面湿度；W(t+1)表示t+1时刻时的电力线路表面湿度；P(t)表示t时刻时的电力线路负载；P(t+1)表示t+1时刻时的电力线路负载；/>表示电力线路的表面平均温度；/>表示电力线路的表面平均湿度；P e 表示电力线路的额定负载；g 1表示t时刻时电力线路表面温度、电力线路表面湿度、电力线路负载对于电力线路老化程度变化的影响系数函数；g 2表示t+1时刻与t时刻电力线路表面温度变化、电力线路表面湿度变化、电力线路负载变化对于电力线路老化程度变化的影响系数函数；Δt表示单位时刻的时间长度；σ l (t)表示在t时刻时电力线路的电导率；σ l (∞)表示电力线路完全绝缘失效时的电导率；σ 0 表示全新电力线路的理论电导率。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述图神经网络模型包括多个依次串接的图网络层；每个所述图网络层包括：
编码MLP，用于基于外部或上一图网络层输入的节点状态和线路状态，以及节点输出特性方程和电力线路输出特性方程，生成电力线路特征向量及各类节点特征向量；
信息传递MLP，用于基于编码MLP输出的电力线路特征向量及各类节点特征向量，以及电网拓扑结构，向接收节点传递与该接收节点连接的节点或者电力线路的邻接信息；
更新MLP，用于基于传递MLP输出的邻接信息，更新编码MLP输出的电力线路特征向量及各类节点特征向量；
解码MLP，用于基于更新MLP输出的电力线路特征向量及各类节点特征向量，生成各类节点的节点电压和节点相位角位。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述节点输出特性方程包括：
其中，ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；P PQ (t)表示t时刻PQ节点的有功负荷；表示t时刻PQ节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该PQ节点的复电流总和；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；Q PQ (t)表示t时刻PQ节点的无功负荷；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；P PV (t)表示t时刻PV节点的输出有功功率；/>表示t时刻PV节点输出到电力线路上的复电流总和；表示t时刻从电力线路输入到该PV节点的复电流总和；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔQ PV (t)表示t时刻PV节点的无功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；ΔP S (t)表示t时刻平衡节点的有功功率平衡误差；P S (t)表示t时刻平衡节点的输出有功功率；/>表示t时刻平衡节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该平衡节点的复电流总和；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；ΔQ S (t)表示t时刻平衡节点的无功功率平衡误差；Q S (t)表示t时刻平衡节点的输出无功功率。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述电力线路输出特性方程包括：
其中，i from,j (t)表示t时刻电力线路j发送侧的复电流；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值；B l,j (t)表示t时刻时电力线路j的电纳值；v from,j (t)表示t时刻电力线路j发送侧的复电压；表示t时刻时电力线路j上的变压器抽头比；v to,j (t)表示t时刻电力线路j接收侧的复电压；e表示自然常数；θ shift,j (t)表示t时刻时电力线路j上的变压器相移；i为虚数单位；i to,j (t)表示t时刻电力线路j接收侧的复电流。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述电力线路特征向量包括：
其中，X E,j (t)表示t时刻电力线路j的特征向量；γ E,j (t)表示t时刻电力线路j的导纳大小；δ E,j (t)表示t时刻电力线路j的导纳相位角；B l,j (t)表示t时刻时电力线路j的电纳值；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述各类节点特征向量包括：
其中，X PQ (t)表示t时刻PQ节点的特征向量；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；X PV (t)表示t时刻PV节点的特征向量；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；X Slack (t)表示t时刻平衡节点的特征向量；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；P S (t)表示t时刻平衡节点的输出有功功率；Q S (t)表示t时刻平衡节点的输出无功功率。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述图神经网络模型的邻接矩阵包括：
其中，A i,j 表示节点i与电力线路j的邻接矩阵；P i (t)表示t时刻的第i节点，E j (t)表示t时刻的第j条电力线路。
本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中，所述考虑基尔霍夫电流定律的损失函数包括：
其中，Loss为考虑基尔霍夫电流定律的损失函数；N s 表示图神经网络模型的训练数据集总数；T s 表示第s个训练数据集中的电力系统发展总时刻数；N PV,s (t)表示第s个训练数据集中的电力系统t时刻时的PV节点总数；N PQ,s (t)表示第s个训练数据集中的电力系统t时刻时的PQ节点总数；ΔP PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的有功功率平衡误差；ΔQ PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的无功功率平衡误差；ΔP PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的有功功率平衡误差；ΔQ PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的无功功率平衡误差。
另一方面，本说明书实施例还提供了一种基于图网络大数据模型的电力系统潮流分析装置，包括：
第一生成模块，用于基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；
第二生成模块，用于基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度；
模型训练模块，用于以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；
参数预测模块，用于采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位。
另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
由以上本说明书实施例提供的技术方案可见，在本说明书实施例中，基于泊松过程的电力系统时空生成模型生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，不仅可以满足电力系统各部件的物理约束和边界，同时还能够随时间持续发展扩大电网拓扑结构的规模，匹配了现实电力系统的发展特征，从而保证了模型训练时所需数据的全面性和多样性，从而提高了训练出的图神经网络模型的泛化能力，进而提高了基于图神经网络模型的潮流分析的泛化性。不仅如此，在进行模型训练时还使用了考虑基尔霍夫电流定律的损失函数，并且图神经网络中的信息传递过程与电力系统的能量传递过程相似，从而使得训练出的图神经网络模型具有更强的可解释性，进而提高了基于图神经网络模型的潮流分析的可解释性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本说明书一些实施例中基于图网络大数据模型的电力系统潮流分析方法的流程图；
图2示出了图1所示方法中基于泊松过程的电力系统时空生成模型生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态的流程图；
图3示出了图1所示方法中基于电力线路约束条件生成电力系统满足指定规则的节点状态的流程图；
图4示出了图1所示方法中基于电力线路约束条件生成电力系统满足指定规则的线路状态的流程图；
图5示出了本说明书一些实施例中图神经网络模型的结构原理示意图；
图6示出了本说明书一些实施例中基于图网络大数据模型的电力系统潮流分析装置的结构框图；
图7示出了本说明书一些实施例中计算机设备的结构框图。
【附图标记说明】
61、第一生成模块；
62、第二生成模块；
63、模型训练模块；
64、参数预测模块；
702、计算机设备；
704、处理器；
706、存储器；
708、驱动机构；
710、输入/输出接口；
712、输入设备；
714、输出设备；
716、呈现设备；
718、图形用户接口；
720、网络接口；
722、通信链路；
724、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例涉及基于图网络大数据模型的电力系统潮流分析方案，以提高基于神经网络模型的潮流分析的泛化性及可解释性，进而可以为电网规划、电网运行状态分析、电网故障分析等提供数据参考。
本说明书实施例提供了一种基于图网络大数据模型的电力系统潮流分析方法，可以应用于计算机设备上，参考图1所示，在本说明书一些实施例中，基于图网络大数据模型的电力系统潮流分析方法可以包括以下步骤：
步骤101、基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态。
步骤102、基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度。
步骤103、以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值。
步骤104、采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位。
在本说明书实施例中，基于泊松过程的电力系统时空生成模型生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，不仅可以满足电力系统各部件的物理约束和边界，同时还能够随时间持续发展扩大电网拓扑结构的规模，匹配了现实电力系统的发展特征，从而保证了模型训练时所需数据的全面性和多样性，从而提高了训练出的图神经网络模型的泛化能力，进而提高了基于图神经网络模型的潮流分析的泛化性。不仅如此，在进行模型训练时还使用了考虑基尔霍夫电流定律的损失函数，并且图神经网络中的信息传递过程与电力系统的能量传递过程相似，从而使得训练出的图神经网络模型具有更强的可解释性，进而提高了基于图神经网络模型的潮流分析的可解释性。
在本说明书的实施例中，步骤101至步骤103中涉及的电力系统是构建的虚拟电力系统（或模拟电力系统），即不是真实电力系统（或现实电力系统）。为了使构建的电力系统拓扑结构的生成能够高度匹配现实电力系统，需要考虑电网系统各部件物理约束和边界，经验证泊松线过程能够生成高度匹配现实电力系统的分布，因此，在本说明书一些实施例中，可以基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；如此，可以为后续训练图神经网络模型提供数据集。
参图2所示，在本说明书一些实施例中，基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，可以包括以下步骤：
步骤201、获取电力系统所处物理平面。
例如，在本说明书一些实施例中，可以通过极坐标定义电力系统所处物理平面：
其中，A表示电力系统所处物理平面，属于一种二维空间；θ表示极角；r表示极径；π为弧度制表达；R为电力系统所处物理空间的最大半径。
步骤202、在电力系统所处物理平面中生成满足泊松分布的随机点集合。
在本说明书的实施例中，生成满足泊松分布（Poisson Distribution）的随机点集合，即为二维平面内的泊松点过程，其概率分布函数满足：
其中，P 2Dp 表示二维泊松点过程的概率分布函数；N 2Dp 表示生成的随机点总数；λ 2Dp 表示二维泊松点过程生成密度；为电力系统所处物理平面A的面积，即/>；e为自然常数。
步骤203、以所述随机点集合中的每个点为切点，分别作以所述物理平面中心为圆心的同心圆的切线，以获得作为电力线路可铺设路径集合的随机线集合。
在本说明书一些实施例中，随机线集合可以表示为：；其中，L表示随机线集合，l i 表示随机线集合中的第i条随机线，N 2Dp 表示生成的随机线总数。
在本说明书一些实施例中，如果电力系统所处物理平面为圆形，则该物理平面中心为圆心；对应的，以所述随机点集合中的每个点为切点，分别作以所述物理平面中心为圆心的同心圆的切线可以为：以所述随机点集合中的每个点为切点，分别作以所述物理平面圆心为圆心的同心圆的切线。
步骤204、生成所述随机线集合中每个随机线上的满足泊松分布且随时间扩增的随机点集合，以作为电力系统节点。
在本说明书的实施例中，可以在步骤203中生成的每一根随机线上，都生成满足泊松分布的随机点集合；生成的随机点即为电力系统节点，同时还可以引入时间序列t∈{1,2,…,T}以模拟电力系统随时间逐渐扩展节点数量的过程，电力系统的节点总数会随着时间逐渐增大，该随机点集合表达式如下：
其中，T表示电力系统的发展总时刻数；B(t)表示t时刻时电力系统节点集合；表示第i根随机线上在t时刻时的第j个节点；j i (t)表示t时刻时第i根随机线上的节点编号；N 1Dp,i (t)表示第i根随机线上在t时刻时已生成的随机点总数；B k (t)表示在t时刻时的第k个节点。
显然，在每根随机线上生成随机点集合属于一维泊松点过程，其概率分布函数满足：
其中，P 1Dp,i (t)表示第i根随机线上在t时刻时的一维泊松点过程的概率分布函数；λ 1Dp,i (t)表示第i根随机线上在t时刻时的一维泊松点过程生成密度；表示第i根随机线的长度。
步骤205、基于电力线路节点连接度概率密度函数，分配新增电力系统节点与已有电力系统节点的连接关系，以生成电力系统的电网拓扑结构。
在本说明书一些实施例中，可以定义电力系统节点连接度为电力系统中与某一节点通过电力线路直接连接的节点数量，考虑电力系统节点连接度的不确定性，当在电力系统中设置了一个新节点后，该新节点连接度概率密度函数可以建立为：
其中，表示新增电力系统节点连接度概率密度函数；d B 表示新增电力系统节点的连接度；/>表示已有电力系统节点的平均连接度；d Bk 表示第k个已有电力系统节点的连接度；η k 表示已有电力系统节点的连接度中与d Bk 数值相等的连接度所占比例，e表示自然常数。
根据新节点连接度概率密度函数，抽取一个新节点连接度d B ，并在电力系统所处物理平面中基于最小欧氏距离选择d B 个节点，通过步骤203生成的电力线路可铺设路径进行连接，同时更新所有现有节点的连接度，从而可以生成电力系统的电网拓扑结构。
步骤206、基于电力线路约束条件生成电力系统满足指定规则的节点状态和线路状态。
在本说明书的实施例中，电力系统节点、电力线路节点和节点等有关于节点的概念或术语，均是指电力系统中的节点。在本说明书一些实施例中，电力系统中的节点可以包括三类：PQ节点、PV节点和平衡节点（平衡节点也称为Slack节点）。其中：
PQ节点的有功功率P和无功功率Q是给定的，节点电压和相位(V，δ)是待求量。通常变电所都是这一类型的节点。由于没有发电设备，故其发电功率为零。在一些情况下，系统中某些发电厂送出的功率在一定时间内为固定时，该发电厂也作为 PQ节点，因此，电力系统中绝大多数节点属于这一类型。
PV节点的有功功率P和电压幅值V是给定的，节点的无功功率Q和电压相位δ是待求量，这类节点应具有足够的可调无功容量，用以维持给定的电压幅值，因而又称之为“电压控制节点”。一般可以选择有一定无功储备的发电厂和安装有可调无功电源设备的变电所作为 PV节点；在电力系统中PV节点的数目较少。
平衡节点的电压幅值和相位是给定的，而其注入有功功率和无功功率是待求量。平衡节点的A相电压相位是电力系统的相位基准，最后计算结果中的所有相位值都是以平衡节点的A相电压相位作为参考的，所以平衡节点在电力系统中有且只有一个，它对电力系统起到功率平衡的作用，可以向电力系统提供缺损的功率，也可以吸收电力系统中多余的功率。从理论上讲，平衡节点代表与电力系统相连的无穷大系统，实际应用中，一般选取电力系统中的主调频发电厂为平衡节点比较合理，最后计算结果中的平衡节点功率就是此发电厂必须向电力系统提供的功率。如果电力系统是与另一更大的电力系统 S相连，则也可以选取这个连接点作为平衡节点，最后计算结果中的平衡节点功率就是电力系统S通过平衡节点向电力系统提供的功率。另外，如果电力系统是一独立系统且只有一个电源点，则应选此电源点为平衡节点。
在本说明书一些实施例中，电力系统的电网拓扑结构可以包括：各节点与电力线路之间的连接关系。电力系统的节点状态包括：PQ节点的有功负荷、PQ节点的无功负荷、PV节点的输出有功功率，PV节点电压幅值、Slack节点电压幅值、Slack节点电压相位角。电力系统的线路状态可以包括：电力线路表面温度、电力线路表面湿度、电力线路初始电阻值、电力线路初始电导值、电力线路初始电抗值、电力线路初始电导值。
参考图3所示，在本说明书一些实施例中，基于电力线路约束条件生成电力系统满足指定规则的节点状态，可以包括以下步骤：
步骤301、生成一个随机的PQ节点有功负荷集合，并将其总有功负荷调整至与电力系统总有功负荷相匹配。
在本说明书一些实施例中，可以生成一个随机的PQ节点有功负荷集合：
其中P PQ,i (t)表示在t时刻时第i个PQ节点的有功负荷；N PQ (t)表示在t时刻时PQ节点的总数；99%的有功负荷满足指数分布，而1%的有功负荷则超出指数分布约2～3倍。
在本说明书一些实施例中，可以根据经验公式计算电力系统总有功负荷需求，并据此调整PQ节点有功负荷集合的总有功负荷。例如，若所生成PQ节点的总有功负荷超出了电力系统总有功负荷需求，则可以按比例缩小所生成PQ节点的总有功负荷，以获得满足电力系统总有功负荷需求的PQ节点有功负荷集合。
在本说明书一些实施例中，所生成PQ节点的总有功负荷以及电力系统总有功负荷需求的计算公式如下：
其中，表示电力系统总有功负荷需求；P PQ 表示所生成PQ节点的总有功负荷。
步骤302、将调整后的PQ节点有功负荷集合的有功负荷，以及电力系统所有节点的连接度分别做标准化处理。
即将PQ节点有功负荷集合中的有功负荷以及所有节点的连接度分别做标准化处理。
步骤303、获取与调整后的PQ节点有功负荷集合具有相同PQ节点占比的，实际电力系统中的PQ节点的有功负荷及其连接度，并分别做标准化处理。
步骤304、根据所述实际电力系统中标准化处理的PQ节点的连接度进行对应PQ节点有功负荷的分配。
步骤305、基于上述方式分别生成电力系统中的PV节点状态和平衡节点状态。
即通过类似于步骤301～304，可以进一步生成电力线路的PV节点状态和平衡节点状态。
参考图4所示，在本说明书一些实施例中，基于电力线路约束条件生成电力系统满足指定规则的线路状态，可以包括以下步骤：
步骤401、根据所述电网拓扑结构及所述随机线集合，获取电力系统所处物理平面内连接各电力系统节点的电力线路长度集合。
电力线路长度集合中的每个电力线路应位于随机线集合中的电力线路可铺设路径之上，且电力线路长度集合中各个电力线路之间的连接关系符合所述电网拓扑结构。
步骤402、根据电力线路长度集合生成各电力线路的电阻值、电导值、电抗值和电纳值。
在本说明书一些实施例中，可以参照与图3中的步骤301～304类似的方式，生成电力线路长度集合中各电力线路的电阻值、电导值、电抗值和电纳值。
步骤403、根据实际环境中不同位置的温度以及湿度状况，分配对应位置电力线路的表面温度以及湿度参数。
这里的实际环境是指对应实际电力系统（即具有类似的线路长度和拓扑结构的电力系统）的实际环境。
在本说明书一些实施例中，电力线路的绝缘老化对其电导率会产生较大影响，故基于电力线路电导率变化定义电力线路绝缘老化程度：
其中，表示任意t时刻时的电力线绝缘老化程度；σ l (t)表示在t时刻时电力线路的电导率；σ l (∞)表示电力线路完全绝缘失效时的电导率；σ 0 表示全新电力线路的理论电导率。
高温、潮湿以及高负载是导致电力线路绝缘老化的主要原因，故考虑温度、湿度以及电力线路负荷构造单位时刻电力线路绝缘老化程度变化函数：
其中，表示t+1时刻时的电力线绝缘老化程度；T(t)表示t时刻时的电力线路表面温度；T(t+1)表示t+1时刻时的电力线路表面温度；W(t)表示t时刻时的电力线路表面湿度；W(t+1)表示t+1时刻时的电力线路表面湿度；P(t)表示t时刻时的电力线路负载；P(t+1)表示t+1时刻时的电力线路负载；/>表示电力线路的表面平均温度；/>表示电力线路的表面平均湿度；P e 表示电力线路的额定负载；g 1表示t时刻时电力线路表面温度、电力线路表面湿度、电力线路负载对于电力线路老化程度变化的影响系数函数；g 2表示t+1时刻与t时刻电力线路表面温度变化、电力线路表面湿度变化、电力线路负载变化对于电力线路老化程度变化的影响系数函数；Δt表示单位时刻的时间长度。
故T时刻时，可以对电力线路的绝缘老化程度进行估计：
其中，表示当前T时刻时电力线绝缘老化程度；/>表示0时刻时的电力线绝缘老化程度。
因此，在本说明书一些实施例中，线路老化程度估计模型可以表示如下：
在本说明书一些实施例中，通过考虑了时间对于电力线路的绝缘老化作用，可以有利于在应用时使图神经网络模型的输出，最大程度地逼近实际电力系统的对应输出，提高了电力系统潮流分析的精度。
参考图5所示，在本说明书一些实施例中，图神经网络模型可以包括多个依次串接的图网络层；每个图网络层可以包括：编码多层感知器（Multi-Layer Perceptron，MLP）、信息传递MLP、更新MLP和解码MLP。其中，编码MLP用于基于外部或上一图网络层输入的节点状态和线路状态，以及节点输出特性方程和电力线路输出特性方程，生成电力线路特征向量及各类节点特征向量。信息传递MLP用于基于编码MLP输出的电力线路特征向量及各类节点特征向量，以及电网拓扑结构，向接收节点传递与该接收节点连接的节点或者电力线路的邻接信息。更新MLP，用于基于传递MLP输出的邻接信息，更新编码MLP输出的电力线路特征向量及各类节点特征向量。解码MLP用于基于更新MLP输出的电力线路特征向量及各类节点特征向量，生成各类节点的节点电压和节点相位角位。
在本说明书一些实施例中，以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，无监督训练图神经网络模型，可以利用反向传播算法计算考虑基尔霍夫电流定律的损失函数，相对于每个图网络层中的编码MLP、信息传递MLP、更新MLP以及解码MLP参数的梯度，然后通过Adam优化算法进行MLP参数的优化，直到损失函数收敛到了最小值
进一步地，在本说明书一些实施例中，电力系统的电网拓扑结构表示成为一个由多个点以及连接各点的边组成的图结构数据集合：
其中，G(t)表示t时刻的电网集合；P i (t)表示电力系统t时刻的第i个节点；E j (t)表示电力系统t时刻的第j根电力线路；N P (t)表示电力系统t时刻的节点总数；N E (t)表示电力系统t时刻的电力线路总数。
传统的图神经网络模型仅将图结构数据中的点定义同一种类型，而在本说明书实施例中，考虑电力系统中存在不同类型的节点（例如PQ节点、PV节点等）并且具有不同的输出特性，将图结构数据集合中的点各点定义为三种不同的节点类型，包括直接连接发电设施的节点为PV节点；其余的非发电节点为PQ节点；进行潮流计算中用于补偿电网损耗的节点为Slack节点，在完成潮流计算后属于PV节点。
传统的图神经网络模型中的边仅作为图结构数据集合中各点连接关系的表达，而在本说明书实施例中，考虑电力线路及其绝缘老化作用在实际电力系统中对于各节点电压的影响作用，将图网络模型中的边也设定为一种图结构元素，具备对应的输入特征与输出特性。
在本说明书一些实施例中，各类节点的节点输出特性方程可以表示为：
其中，ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；P PQ (t)表示t时刻PQ节点的有功负荷；表示t时刻PQ节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该PQ节点的复电流总和；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；Q PQ (t)表示t时刻PQ节点的无功负荷；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；P PV (t)表示t时刻PV节点的输出有功功率；/>表示t时刻PV节点输出到电力线路上的复电流总和；表示t时刻从电力线路输入到该PV节点的复电流总和；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔQ PV (t)表示t时刻PV节点的无功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；ΔP S (t)表示t时刻平衡节点的有功功率平衡误差；P S (t)表示t时刻平衡节点的输出有功功率；/>表示t时刻平衡节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该平衡节点的复电流总和；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；ΔQ S (t)表示t时刻平衡节点的无功功率平衡误差；Q S (t)表示t时刻平衡节点的输出无功功率。
在本说明书一些实施例中，电力线路输出特性方程可以表示为：
其中，i from,j (t)表示t时刻电力线路j发送侧的复电流；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值；B l,j (t)表示t时刻时电力线路j的电纳值；v from,j (t)表示t时刻电力线路j发送侧的复电压；表示t时刻时电力线路j上的变压器抽头比；v to,j (t)表示t时刻电力线路j接收侧的复电压；e表示自然常数；θ shift,j (t)表示t时刻时电力线路j上的变压器相移；i为虚数单位；i to,j (t)表示t时刻电力线路j接收侧的复电流。
在本说明书一些实施例中，电力线路特征向量可以表示为：
其中，X E,j (t)表示t时刻电力线路j的特征向量；γ E,j (t)表示t时刻电力线路j的导纳大小；δ E,j (t)表示t时刻电力线路j的导纳相位角；B l,j (t)表示t时刻时电力线路j的电纳值；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值。
在本说明书一些实施例中，考虑绝缘老化作用对于电力线路电导率以及介电常数的影响，还可以建立线电力线路参数模型：
其中，R 0,j 表示电力线路j的初始电阻值；X 0,j 表示电力线路j的初始电抗值；G l,j (t)表示t时刻时电力线路j的电导值；G 0,j 表示电力线路j的初始电导值；B 0,j 表示电力线路j的初始电纳值；ε j(∞)表示电力线路j完全绝缘失效时的介电常数；ε 0,j 表示电力线路j的初始介电常数。
在本说明书一些实施例中，各类节点特征向量可以表示为：
其中，X PQ (t)表示t时刻PQ节点的特征向量；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；X PV (t)表示t时刻PV节点的特征向量；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；X Slack (t)表示t时刻平衡节点的特征向量；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；P S (t)表示t时刻平衡节点的输出有功功率；Q S (t)表示t时刻平衡节点的输出无功功率。
考虑电力系统中不同类型节点与电力线路的连接关系，根据电网拓扑结构定义的图神经网络模型的邻接矩阵可以表示为：
其中，A i,j 表示节点i与电力线路j的邻接矩阵；P i (t)表示t时刻的第i节点，E j (t)表示t时刻的第j条电力线路。
参考图5所示，在本说明书一些实施例中，每个图网络层中的编码MLP包括一层线性层，并针对不同的节点类型以及电力线路设定独立的线性层参数。编码MPL能够基于初始输入（第一图网络层）或者上一层图网络层的输出（非第一图网络层），通过电力线路输出特性方程以及节点输出特性方程，针对不同的节点类型分别输出X PV 、X Slack 、X PQ 、X E ，在非第一图网络层中，θ PV (t)、V PQ (t)、θ PQ (t)为上一层图网络层的输出，在第一图网络层中由于θ PV (t)、V PQ (t)、θ PQ (t)未知，故可以进行电压扁平化假设，即：
V PQ (t)=1p.u.,θ PV (t)=0 rad,θ PQ (t)=0 rad
参考图5所示，在本说明书一些实施例中，每个图网络层中的信息传递MLP包括一层双曲正切激活函数层以及一层线性层，可以针对五种信息传递路线设定五个独立的信息传递函数。其中，五种信息传递路线包括：PV节点向电力线路传递信息、电力线路向PV节点传递信息、PQ节点向电力线路传递信息、电力线路向PQ节点传递信息、Slack节点向电力线路传递信息。信息传递MLP能够基于A i,j 的不同取值以及不同的信息接收主体，向主体传递与该主体相连接的节点或者电力线路的邻接信息。例如，当某一个PV节点为信息接收主体时，信息传递MLP根据A i,j 找到与之相连接的电力线路，通过电力线路向PV节点传递信息的信息传递函数将目标电力线路的信息传递给该PV节点。
在本说明书一些实施例中，以PV节点向电力线路传递信息时的信息传递函数为例，该信息传递函数可以表示为：
μ PV,E( X PV)=tanh( W PV,E X PV +b PV,E)
其中，μ PV,E 表示PV节点向电力线路传递信息时的信息传递函数；X PV 表示PV节点的特征向量；tanh为双曲正切激活函数；W PV,E 表示PV节点向电力线路传递信息时的线性层权重矩阵；b PV,E 表示PV节点向电力线路传递信息时的线性层偏置向量。
参考图5所示，在本说明书一些实施例中，每个图网络层中的更新MLP包括一层双曲正切激活函数层以及一层线性层，针对PV节点、PQ节点、电力线路设定三个独立的更新函数。更新MLP能够基于对应节点或者电力线路的当前自身状态以及信息传递MLP所传递的邻接信息更新自身状态。
在本说明书一些实施例中，更新函数可以表示为：
其中，分别表示PV节点、PQ节点、电力线路的更新函数；X PQ 、X E 分别表示PQ节点、电力线路的特征向量；W PV 、W PQ 、W E 分别表示PV节点、PQ节点、电力线路进行状态更新时的线性层权重矩阵；b PV 、b PQ 、b E 分别表示PV节点、PQ节点、电力线路进行状态更新时的线性层偏置向量。
参考图5所示，在本说明书一些实施例中，可以设定图网络层传递更新迭代次数D，在每个图网络层中，都需要经过D次信息传递MLP以及更新MLP以完成节点状态以及电力线路状态的迭代更新。
参考图5所示，在本说明书一些实施例中，每个图网络层中的解码MLP包括一层线性层，针对PV节点、PQ节点设定两个独立的线性层参数。解码MLP能够根据更新MLP最终输出的PV节点以及PQ节点状态计算得到PV节点电压相位角状态更新量Δθ PQ (t)，完成图网络层的输出：
其中，表示t时刻图网络层预测PV节点电压相位角；/>表示t时刻图网络层预测PQ节点电压幅值；/>表示t时刻图网络层预测PQ节点电压相位角。
参考图5所示，在本说明书一些实施例中，可以设定图网络层层数C，在图神经网络模型中，经过C层图网络层后输出的图网络层预测PV节点电压相位角、图网络层预测PQ节点电压、图网络层预测PQ节点电压相位角为最终输出。本说明书实施例改进的图神经网络模型通过多个图网络层对电力系统各节点电压进行迭代以接近实际电压值，避免了直接修改电压值时产生的雅可比矩阵计算，降低了计算复杂度。
在本说明书一些实施例中，考虑基尔霍夫电流定律的损失函数可以包括：
其中，Loss为考虑基尔霍夫电流定律的损失函数；N s 表示图神经网络模型的训练数据集总数；T s 表示第s个训练数据集中的电力系统发展总时刻数；N PV,s (t)表示第s个训练数据集中的电力系统t时刻时的PV节点总数；N PQ,s (t)表示第s个训练数据集中的电力系统t时刻时的PQ节点总数；ΔP PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的有功功率平衡误差；ΔQ PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的无功功率平衡误差；ΔP PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的有功功率平衡误差；ΔQ PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的无功功率平衡误差。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行（例如使用并行处理器或多线程环境）。
与上述的基于图网络大数据模型的电力系统潮流分析方法对应，本说明书实施例还提供了一种基于图网络大数据模型的电力系统潮流分析装置；参考图6所示，在本说明书一些实施例中，基于图网络大数据模型的电力系统潮流分析装置可以包括：
第一生成模块61，用于基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；
第二生成模块62，用于基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度；
模型训练模块63，用于以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；
参数预测模块64，用于采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
需要说明的是，本说明书的实施例中，所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权同意且经过各方充分授权的信息和数据。
本说明书的实施例还提供一种计算机设备。如图7所示，在本说明书一些实施例中，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元（CPU）或图形处理器（GPU），每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器706上并可在处理器704上运行的计算机程序，所述计算机程序被所述处理器704运行时，可以执行上述任一实施例所述的基于图网络大数据模型的电力系统潮流分析方法的指令。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备702还可以包括输入/输出接口710（I/O），其用于接收各种输入（经由输入设备712）和用于提供各种输出（经由输出设备714）。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口718（GUI）。在其他实施例中，还可以不包括输入/输出接口710（I/O）、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。
通信链路722可以以任何方式实现，例如，通过局域网、广域网（例如，因特网）、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务端等的任何组合。
本申请是参照本说明书一些实施例的方法、设备（系统）、计算机可读存储介质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器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器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器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器上，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，计算机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。
内存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）。内存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机设备访问的信息。按照本说明书中的界定，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。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。

Claims (15)

1.一种基于图网络大数据模型的电力系统潮流分析方法，其特征在于，包括：
基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；
基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度；
以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；
采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位；
其中，所述基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，包括：
获取电力系统所处物理平面；
在电力系统所处物理平面中生成满足泊松分布的随机点集合；
以所述随机点集合中的每个点为切点，分别作以所述物理平面中心为圆心的同心圆的切线，以获得作为电力线路可铺设路径集合的随机线集合；
生成所述随机线集合中每个随机线上的满足泊松分布且随时间扩增的随机点集合，以作为电力系统节点；
基于电力线路节点连接度概率密度函数，分配新增电力系统节点与已有电力系统节点的连接关系，以生成电力系统的电网拓扑结构；
基于电力线路约束条件生成电力系统满足指定规则的节点状态和线路状态。
2.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述电力线路节点连接度概率密度函数包括：
；
其中，表示新增电力系统节点连接度概率密度函数；d B 表示新增电力系统节点的连接度；/>表示已有电力系统节点的平均连接度；d Bk 表示第k个已有电力系统节点的连接度；η k 表示已有电力系统节点的连接度中与d Bk 数值相等的连接度所占比例，e表示自然常数。
3.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述基于电力线路约束条件生成电力系统满足指定规则的节点状态，包括：
生成一个随机的PQ节点有功负荷集合，并将其总有功负荷调整至与电力系统总有功负荷相匹配；
将调整后的PQ节点有功负荷集合的有功负荷，以及电力系统所有节点的连接度分别做标准化处理；
获取与调整后的PQ节点有功负荷集合具有相同PQ节点占比的，实际电力系统中的PQ节点的有功负荷及其连接度，并分别做标准化处理；
根据所述实际电力系统中标准化处理的PQ节点的连接度进行对应PQ节点有功负荷的分配；
基于上述方式分别生成电力系统中的PV节点状态和平衡节点状态。
4.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述基于电力线路约束条件生成电力系统满足指定规则的线路状态，包括：
根据所述电网拓扑结构及所述随机线集合，获取电力系统所处物理平面内连接各电力系统节点的电力线路长度集合；
根据电力线路长度集合生成各电力线路的电阻值、电导值、电抗值和电纳值；
根据实际环境中不同位置的温度以及湿度状况，分配对应位置电力线路的表面温度以及湿度参数。
5.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述线路老化程度估计模型包括：
；
其中，表示当前T时刻时电力线绝缘老化程度；/>表示0时刻时的电力线绝缘老化程度；/>表示t+1时刻时的电力线绝缘老化程度；/>表示任意t时刻时的电力线绝缘老化程度；T(t)表示t时刻时的电力线路表面温度；T(t+1)表示t+1时刻时的电力线路表面温度；W(t)表示t时刻时的电力线路表面湿度；W(t+1)表示t+1时刻时的电力线路表面湿度；P(t)表示t时刻时的电力线路负载；P(t+1)表示t+1时刻时的电力线路负载；/>表示电力线路的表面平均温度；/>表示电力线路的表面平均湿度；P e 表示电力线路的额定负载；g 1表示t时刻时电力线路表面温度、电力线路表面湿度、电力线路负载对于电力线路老化程度变化的影响系数函数；g 2表示t+1时刻与t时刻电力线路表面温度变化、电力线路表面湿度变化、电力线路负载变化对于电力线路老化程度变化的影响系数函数；Δt表示单位时刻的时间长度；σ l (t)表示在t时刻时电力线路的电导率；σ l (∞)表示电力线路完全绝缘失效时的电导率；σ 0 表示全新电力线路的理论电导率。
6.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述图神经网络模型包括多个依次串接的图网络层；每个所述图网络层包括：
编码MLP，用于基于外部或上一图网络层输入的节点状态和线路状态，以及节点输出特性方程和电力线路输出特性方程，生成电力线路特征向量及各类节点特征向量；
信息传递MLP，用于基于编码MLP输出的电力线路特征向量及各类节点特征向量，以及电网拓扑结构，向接收节点传递与该接收节点连接的节点或者电力线路的邻接信息；
更新MLP，用于基于传递MLP输出的邻接信息，更新编码MLP输出的电力线路特征向量及各类节点特征向量；
解码MLP，用于基于更新MLP输出的电力线路特征向量及各类节点特征向量，生成各类节点的节点电压和节点相位角位。
7.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述节点输出特性方程包括：
；
其中，ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；P PQ (t)表示t时刻PQ节点的有功负荷；表示t时刻PQ节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该PQ节点的复电流总和；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；Q PQ (t)表示t时刻PQ节点的无功负荷；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；P PV (t)表示t时刻PV节点的输出有功功率；/>表示t时刻PV节点输出到电力线路上的复电流总和；表示t时刻从电力线路输入到该PV节点的复电流总和；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔQ PV (t)表示t时刻PV节点的无功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；ΔP S (t)表示t时刻平衡节点的有功功率平衡误差；P S (t)表示t时刻平衡节点的输出有功功率；/>表示t时刻平衡节点输出到电力线路上的复电流总和；/>表示t时刻从电力线路输入到该平衡节点的复电流总和；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；ΔQ S (t)表示t时刻平衡节点的无功功率平衡误差；Q S (t)表示t时刻平衡节点的输出无功功率。
8.如权利要求6所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述电力线路输出特性方程包括：
；
其中，i from,j (t)表示t时刻电力线路j发送侧的复电流；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值；B l,j (t)表示t时刻时电力线路j的电纳值；v from,j (t)表示t时刻电力线路j发送侧的复电压；表示t时刻时电力线路j上的变压器抽头比；v to,j (t)表示t时刻电力线路j接收侧的复电压；e表示自然常数；θ shift,j (t)表示t时刻时电力线路j上的变压器相移；i为虚数单位；i to,j (t)表示t时刻电力线路j接收侧的复电流。
9.如权利要求6所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述电力线路特征向量包括：
；
其中，X E,j (t)表示t时刻电力线路j的特征向量；γ E,j (t)表示t时刻电力线路j的导纳大小；δ E,j (t)表示t时刻电力线路j的导纳相位角；B l,j (t)表示t时刻时电力线路j的电纳值；R l,j (t)表示t时刻时电力线路j的电阻值；X l,j (t)表示t时刻时电力线路j的电抗值。
10.如权利要求6所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述各类节点特征向量包括：
；
其中，X PQ (t)表示t时刻PQ节点的特征向量；V PQ (t)表示t时刻PQ节点电压幅值；θ PQ (t)表示t时刻PQ节点电压相位角；ΔP PQ (t)表示t时刻PQ节点的有功功率平衡误差；ΔQ PQ (t)表示t时刻PQ节点的无功功率平衡误差；X PV (t)表示t时刻PV节点的特征向量；V PV (t)表示t时刻PV节点电压幅值；θ PV (t)表示t时刻PV节点电压相位角；ΔP PV (t)表示t时刻PV节点的有功功率平衡误差；Q PV (t)表示t时刻PV节点的输出无功功率；X Slack (t)表示t时刻平衡节点的特征向量；V S (t)表示t时刻平衡节点电压幅值；θ S (t)表示t时刻平衡节点电压相位角；P S (t)表示t时刻平衡节点的输出有功功率；Q S (t)表示t时刻平衡节点的输出无功功率。
11.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述图神经网络模型的邻接矩阵包括：
；
其中，A i,j 表示节点i与电力线路j的邻接矩阵；P i (t)表示t时刻的第i节点，E j (t)表示t时刻的第j条电力线路。
12.如权利要求1所述的基于图网络大数据模型的电力系统潮流分析方法，其特征在于，所述考虑基尔霍夫电流定律的损失函数包括：
；
其中，Loss为考虑基尔霍夫电流定律的损失函数；N s 表示图神经网络模型的训练数据集总数；T s 表示第s个训练数据集中的电力系统发展总时刻数；N PV,s (t)表示第s个训练数据集中的电力系统t时刻时的PV节点总数；N PQ,s (t)表示第s个训练数据集中的电力系统t时刻时的PQ节点总数；ΔP PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的有功功率平衡误差；ΔQ PV,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PV节点的无功功率平衡误差；ΔP PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的有功功率平衡误差；ΔQ PQ,n,s (t)表示第s个训练数据集中的电力系统t时刻时的第n个PQ节点的无功功率平衡误差。
13.一种基于图网络大数据模型的电力系统潮流分析装置，其特征在于，包括：
第一生成模块，用于基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态；
第二生成模块，用于基于线路老化程度估计模型，生成电力系统随时间变化的电力线路老化程度；
模型训练模块，用于以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入，节点电压和节点相位角位为输出，训练图神经网络模型，直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值；
参数预测模块，用于采集目标电力系统的电网拓扑结构、节点状态、线路状态和电力线路老化程度，并将其输入至已训练的图神经网络模型中，以预测所述目标电力系统的节点电压和节点相位角位；
其中，所述基于泊松过程的电力系统时空生成模型，生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态，包括：
获取电力系统所处物理平面；
在电力系统所处物理平面中生成满足泊松分布的随机点集合；
以所述随机点集合中的每个点为切点，分别作以所述物理平面中心为圆心的同心圆的切线，以获得作为电力线路可铺设路径集合的随机线集合；
生成所述随机线集合中每个随机线上的满足泊松分布且随时间扩增的随机点集合，以作为电力系统节点；
基于电力线路节点连接度概率密度函数，分配新增电力系统节点与已有电力系统节点的连接关系，以生成电力系统的电网拓扑结构；
基于电力线路约束条件生成电力系统满足指定规则的节点状态和线路状态。
14.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-12任意一项所述方法的指令。
15.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-12任意一项所述方法的指令。
CN202410109782.6A 2024-01-26 2024-01-26 基于图网络大数据模型的电力系统潮流分析方法及装置 Active CN117650533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410109782.6A CN117650533B (zh) 2024-01-26 2024-01-26 基于图网络大数据模型的电力系统潮流分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410109782.6A CN117650533B (zh) 2024-01-26 2024-01-26 基于图网络大数据模型的电力系统潮流分析方法及装置

Publications (2)

Publication Number Publication Date
CN117650533A CN117650533A (zh) 2024-03-05
CN117650533B true CN117650533B (zh) 2024-04-12

Family

ID=90049787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410109782.6A Active CN117650533B (zh) 2024-01-26 2024-01-26 基于图网络大数据模型的电力系统潮流分析方法及装置

Country Status (1)

Country Link
CN (1) CN117650533B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118381033B (zh) * 2024-06-25 2024-08-23 国网江西省电力有限公司信息通信分公司 一种基于开普勒优化算法的电网潮流计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149666A (zh) * 2018-09-27 2019-01-04 国网山东省电力公司 特高压交直流混联受端电网距离保护设计方法
CN114006370A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种电力系统暂态稳定分析评估方法及系统
CN114266349A (zh) * 2021-12-07 2022-04-01 上海电力大学 一种基于自适应神经网络的潮流计算方法
CN116316637A (zh) * 2023-03-20 2023-06-23 中国电力科学研究院有限公司 一种配电网动态拓扑辨识方法、系统、设备及存储介质
KR20230100683A (ko) * 2021-12-27 2023-07-05 한국과학기술원 준마코프 사후상태 액터-크리틱을 활용한 전력망 자동 운영 방법
CN116484740A (zh) * 2023-04-28 2023-07-25 南京信息工程大学 一种基于挖掘电网空间拓扑特征的线路参数辨识方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8498832B2 (en) * 2007-09-28 2013-07-30 Schweitzer Engineering Laboratories Inc. Method and device for assessing and monitoring voltage security in a power system
WO2019134254A1 (zh) * 2018-01-02 2019-07-11 上海交通大学 一种运用分布式神经网络的实时经济调度计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109149666A (zh) * 2018-09-27 2019-01-04 国网山东省电力公司 特高压交直流混联受端电网距离保护设计方法
CN114006370A (zh) * 2021-10-29 2022-02-01 中国电力科学研究院有限公司 一种电力系统暂态稳定分析评估方法及系统
CN114266349A (zh) * 2021-12-07 2022-04-01 上海电力大学 一种基于自适应神经网络的潮流计算方法
KR20230100683A (ko) * 2021-12-27 2023-07-05 한국과학기술원 준마코프 사후상태 액터-크리틱을 활용한 전력망 자동 운영 방법
CN116316637A (zh) * 2023-03-20 2023-06-23 中国电力科学研究院有限公司 一种配电网动态拓扑辨识方法、系统、设备及存储介质
CN116484740A (zh) * 2023-04-28 2023-07-25 南京信息工程大学 一种基于挖掘电网空间拓扑特征的线路参数辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chandezon, J .APPLICATION OF HEISENBERG'S UNCERTAINTY PRINCIPLE AND C-METHOD TO THE STUDY OF FRAUNHOFER DIFFRACTION BY A METALLIC RIBBON.2013 INTERNATIONAL KHARKOV SYMPOSIUM ON PHYSICS AND ENGINEERING OF MICROWAVES, MILLIMETER AND SUBMILLIMETER WAVES (MSMW).2014,176. *
基于网络拓扑分析的配电网潮流节点分析法;孟晓芳;刘文宇;朴在林;王力;;电网技术;20100405(第04期);全文 *

Also Published As

Publication number Publication date
CN117650533A (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
de Macêdo Braz et al. Distribution network reconfiguration using genetic algorithms with sequential encoding: Subtractive and additive approaches
CN117650533B (zh) 基于图网络大数据模型的电力系统潮流分析方法及装置
CN104835018B (zh) 中压配电网网架的可靠性评估方法及装置
CN116207739B (zh) 配电网优化调度方法、装置、计算机设备和存储介质
Rahmat et al. Differential evolution ant colony optimization (DEACO) technique in solving economic load dispatch problem
CN106033887A (zh) 一种基于改进pso-de混合算法的配电网重构方法
CN105046354A (zh) 基于多代理的配电网规划场景模拟生成方法及其系统
CN104123684A (zh) 一种计及网损和可靠性的配电网经济性重构方法
CN105305442A (zh) 基于量子遗传算法的多目标智能配电网自愈恢复方法
CN115912254A (zh) 一种配电网多目标重构策略自愈控制方法及装置
Fu et al. The distributed economic dispatch of smart grid based on deep reinforcement learning
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN111342469A (zh) 一种多电压等级网络架构优化方法
Morquecho et al. Security constrained AC dynamic transmission expansion planning considering reactive power requirements
CN107706907A (zh) 一种配电网络重构方法和装置
CN117892051A (zh) 基于线图卷积神经网络的线路故障后电网潮流计算方法
Pringles et al. Optimal transmission expansion planning using mean-variance mapping optimization
CN113627655B (zh) 一种配电网灾前故障场景模拟预测方法及装置
Kousounadis-Knousen et al. A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework
Jasmin et al. Reinforcement learning solution for unit commitment problem through pursuit method
Gandomkar Phase balancing using genetic algorithm
CN113589079A (zh) 配电网自愈系统的测试方法、电子设备及存储介质
Zhang et al. Learning-Based Real-Time Aggregate Flexibility Provision and Scheduling of Electric Vehicles
Sun et al. Physics-informed Fully Convolutional Network-based Power Flow Analysis for Multi-terminal MVDC Distribution Systems
Qin et al. Robust Dynamic Economic Dispatch in Smart Grids Using an Intelligent Learning Technology

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
GR01 Patent grant
GR01 Patent grant