CN117833208A - 配电网状态推演方法、装置、电子设备和存储介质 - Google Patents
配电网状态推演方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117833208A CN117833208A CN202311660480.XA CN202311660480A CN117833208A CN 117833208 A CN117833208 A CN 117833208A CN 202311660480 A CN202311660480 A CN 202311660480A CN 117833208 A CN117833208 A CN 117833208A
- Authority
- CN
- China
- Prior art keywords
- state
- distribution network
- power distribution
- node
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 103
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000005259 measurement Methods 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 78
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 239000010410 layer Substances 0.000 claims description 18
- 238000002347 injection Methods 0.000 claims description 13
- 239000007924 injection Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了一种配电网状态推演方法、装置、电子设备和存储介质。具体实现方案为：获取配电网的状态向量；基于配电网的状态向量，构建配电网的观测矩阵；在高斯泊松混合分布的假设下，对观测矩阵进行求解，得到配电网的概率密度函数；利用概率密度函数，确定状态向量中各个节点的状态变量的置信区间；在状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对配电网的量测向量进行状态推演，得到配电网的当前运行状态。采用本公开的技术方案，可以在配电网的可观测状态下对其进行状态推演。
Description
技术领域
本公开涉及电力技术领域，尤其涉及配电网管理领域。本公开具体涉及一种配电网状态推演方法、装置、电子设备和存储介质。
背景技术
随着可再生能源的快速增长和分布式能源资源的广泛部署，配电网的复杂性大幅增加。传统的配电网监测方法已经无法满足对这些新能源资源的高效集成和管理需求，因此，更全面的状态感知和推演变得至关重要。电力系统的数字化转型在全球范围内迅猛发展，现代配电网已经采用了高密度的传感器和智能设备，以实时监测电力系统的运行状态，这为配电网状态推演提供了大量的高质量数据，为新方法的研究和应用创造了机会。电力系统的稳定性和可操作性对于现代社会的正常运行至关重要。因此，配电网状态推演的研究具有广泛的应用前景，不仅可以提高电力系统的稳定性和效率，还可以支持电力系统的智能化管理和清洁能源的大规模集成，促进可持续能源的发展和利用，这些因素共同推动了配电网状态推演技术的快速发展和应用。
在此背景下，国网在配电网状态推演方面采取了一系列重要措施以保障电力系统的稳定运行。首先，通过加强配电网数据采集和传输技术，建设智能计量系统，实现了对配电网各节点状态的实时监测，为状态估计提供了高质量的数据支持。其次，引入了先进的电力系统模型和算法，通过融合拓扑结构、线路参数和节点量测数据，显著提高了配电网的可观测性，从而实现了对系统状态的准确估计。此外，国网还加强了对配电网的实时监控和远程控制能力，通过先进的自动化设备和远程通信技术，及时响应系统异常，并进行相应的调节与控制，保障了电力系统的稳定性。综上所述，国网在配电网状态推演方面通过数据采集技术、先进模型算法、实时监控与控制手段以及清洁能源政策等多方面的措施，有效提升了配电网的可观测性与稳定性，为电力系统的安全可靠运行提供了坚实保障。
然而，传统的配电网状态推演通常依赖于有限数量的节点量测数据，在大规模或复杂的配电网中，很多节点的状态无法准确推演。此外，由于量测配置过少、数据传输丢失等问题导致的配电网的低可观测性，也给配电网的状态推演带来难题。针对此问题，利用给定的配电网的拓扑结构、线路参数和节点量测数据，采用数值概率判别法对配电网进行可观性分析，判断配电网是否可观。其次，使用图卷积注意力神经网络提取量测数据的时间、空间和节点的特征信息，实现特征信息的整合，建立基于图卷积注意力神经网络的配电网状态推演模型。最后，将配电网潮流约束加入到图卷积注意力神经网络的训练过程中，挖掘量测数据状态间的关联性，提高了推演生成数据的精度，实现配电网的全面感知与推演，确保电力系统的稳定运行，促进清洁能源的应用和电力系统的智能化管理，对于满足未来能源需求和可持续发展目标至关重要。
发明内容
本公开提供了一种配电网状态推演方法、装置、电子设备和存储介质，能够解决上述问题。
根据本公开的一方面，提供了一种配电网状态推演方法，包括：
获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
基于所述配电网的状态向量，构建所述配电网的观测矩阵；
在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
根据本公开的另一方面，提供了一种配电网状态推演装置，包括：
状态向量获取模块，用于获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
观测矩阵构建模块，用于基于所述配电网的状态向量，构建所述配电网的观测矩阵；
观测矩阵求解模块，用于在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
置信区间确定模块，用于利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
状态推演模块，用于在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器，以及与该至少一个处理器通信连接的存储器；
其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一配电网状态推演方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使计算机执行本公开实施例中任一配电网状态推演方法。
根据本公开的技术，利用配电网的状态向量各个节点的状态变量，状态变量包括电压幅值和电压相角，构建配电网的观测矩阵，然后在高斯-泊松混合分布的假设下，对观测矩阵进行求解，得到配电网的概率密度函数，利用概率密度函数，确定状态向量中各个节点的状态变量的置信区间，通过各个节点的置信区间来分析配电网是否可观测，如果其满足状态推演的条件，则认为配电网可观测，进而，基于配电网状态推演模型，对配电网的量测向量进行状态推演，得到配电网的当前运行状态。因此，本公开实施例可以通过各个节点的电压幅值和电压相角进行可观测分析，如果可观测，则可以利用配电网的现有量测数据进行状态推演，得到配电网的当前运行状态。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开一实施例的配电网状态推演方法的流程图；
图2是本公开另一实施例的配电网状态推演方法的流程图；
图3是本公开一实施例的配电网数据处理装置的结构框图；
图4是本公开一实施例的配电网状态推演方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是本公开一实施例的配电网状态推演方法的流程图。
如图1所示，该配电网状态推演方法，可以包括：
S110，获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
S120，基于所述配电网的状态向量，构建所述配电网的观测矩阵；
S130，在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
S140，利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
S150在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
可以理解地，量测向量可以包括各个节点在某一时刻的注入有功功率、注入无功功率、电压幅值、电压相角、电流幅值以及电流相角等。量测向量也可称为量测数据。
可以理解地，配电网的当前运行状态可以包括配电网中各个节点的预测电压幅值和预测电压相角。
根据上述实施方式，利用配电网的状态向量各个节点的状态变量，状态变量包括电压幅值和电压相角，构建配电网的观测矩阵，然后在高斯-泊松混合分布的假设下，对观测矩阵进行求解，得到配电网的概率密度函数，利用概率密度函数，确定状态向量中各个节点的状态变量的置信区间，通过各个节点的置信区间来分析配电网是否可观测，如果其满足状态推演的条件，则认为配电网可观测，进而，基于配电网状态推演模型，对配电网的量测向量进行状态推演，得到配电网的当前运行状态。因此，本公开实施例可以通过各个节点的电压幅值和电压相角进行可观测分析，如果可观测，则可以利用配电网的现有量测数据进行状态推演，得到配电网的当前运行状态。
在实际应用中，配电网的量测配置过少、数据传输丢失等问题导致量测稀疏，配电网的稀疏量测可能会造成低可观测性问题，针对此问题开展可观测性分析。通过可观测性分析，判断能否利用已有的量测数据进行状态推演，如果可以，则利用已有的量测数据确定配电网的当前运行状态。根据配电网的拓扑结构、线路参数和节点量测数据，包括智能量测装置采集到的有功、电压等数据，以及新能源接入点的实时产出功率、发电机状态等数据，状态推演的量测方程可以表示为：
其中，z为量测向量；h(x)为非线性量测函数向量；x为状态向量；v为量测误差；θ1,…,θn为第i个节点至第n个节点的电压相角；V1,…,V为第i个节点至第n个节点的电压幅值，n为配电网的节点数量。
在一种实施方式中，所述观测矩阵为：
其中，GC(x)为观测矩阵；H(x)为雅可比矩阵；R为由第1节点至第n个节点的状态向量的量测方差组成的协方差矩阵；h(x)为非线性量测函数向量；x为所述状态向量；为第1节点至第n个节点的状态向量的量测方差，n为所述配电网中的节点数量。
在一种实施方式中，所述概率密度函数为：
其中，Φi为第i个节点的状态变量的可能取值；Si为第i个节点的状态变量的估计值；σi 2为第i个节点的状态变量的方差，由所述观测矩阵的逆矩阵的对角线元素表示；α为新能源出力的权重；λ为泊松分布的强度参数。
在一种实施方式中，所述置信区间的计算公式为：
其中，hi_max、hi_min分别为所述置信区间的上限、下限；Si为第i个节点的状态变量的估计值；W(Φi)为权重函数，用于表示第i个节点的状态变量的信任程度；ZXi表示第i个节点的状态变量的置信度；n表示所述状态向量中状态变量的个数。
根据上述实施方式，通过各个节点的电压幅值和电压相角进行可观测分析，如果可观测，则可以利用配电网的现有量测数据进行状态推演，得到配电网的当前运行状态。
在一种实施方式中，所述配电网状态推演模型的训练过程，包括：
获取所述配电网中各个节点在各个时刻的量测向量；其中，所述节点的量测向量包括注入有功功率、注入无功功率、电压幅值、电压相角、电流幅值和电流相角；
将所述量测向量输入图卷积注意力神经网络，以使所述图卷积注意力神经网络提取所述量测向量的时间特征、空间特征以及节点特征，得到时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，并利用时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，确定并输出各个所述节点的预测状态向量，其中，所述预测状态向量包括预测电压幅值和预测电压相角；
基于各个所述节点的预测电压幅值和预测电压相角，确定所述图卷积注意力神经网络的损失函数；
基于所述图卷积注意力神经网络的损失函数，对所述图卷积注意力神经网络的网络参数进行调整，以得到配电网状态推演模型，其中，所述配电网状态推演模型用于预测各个所述节点的预测电压幅值和预测电压相角。
根据上述实施方式，对于上述配电网状态推演模型可以采用图卷积注意力神经网络。使用图卷积注意力神经网络分别提取量测数据的时间、空间和节点的特征信息，实现特征信息的整合，建立基于图卷积注意力神经网络的配电网状态推演模型。
在一种实施方式中，第i个节点在时刻t的量测向量为：
其中，Xt,i表示第i个节点在时刻t的量测向量，Pi t表示第i个节点在时刻t的注入有功功率，表示第i个节点在时刻t的注入无功功率，Vi t表示第i个节点在时刻t的电压幅值，/>表示第i个节点在时刻t的电压相角，/>表示第i个节点在时刻t的电流幅值，/>表示第i个节点在时刻t的电流相角。
由各个节点的量测向量构成的神经网络的输入矩阵为：
Xt＝[Xt,1,Xt,2,…,Xt,i…,Xt,n]∈Rn×1。
所述图卷积注意力神经网络的隐藏层的层间传递关系为：
其中，N(L)为所述图卷积注意力神经网络的第L个隐藏层，σ(·)为激活函数，为输入第L个隐藏层的时间特征信息矩阵，/>为输入第L个隐藏层的空间特征信息矩阵，为输入第L个隐藏层的节点特征信息矩阵，B(L)为第L个隐藏层的偏置参数矩阵。
其中，第i个节点的预测状态向量为：
其中，Yt,i表示第i个节点在时刻t的预测状态向量，Vi t表示第i个节点在时刻t的预测电压幅值，表示第i个节点在时刻t的预测电压相角。
根据上述实施方式，图卷积注意力神经网络将自动提取量测数据的时间、空间和节点的特征信息，融合配电网的历史状态信息和缺失量测节点的状态信息，输出当前时刻电压幅值和相角的估计值，得到节点的状态推演值，即节点的预测状态向量。
在一种实施方式中，基于各个所述节点的预测电压幅值和预测电压相角，确定所述图卷积注意力神经网络的损失函数，包括：
基于各个所述节点在时刻t的预测电压幅值和预测电压相角，确定各个所述节点在时刻t的预测注入有功功率和预测注入无功功率；
基于各个所述节点在时刻t的注入有功功率与预测注入有功功率的差值，以及注入无功功率与预测注入无功功率的差值，构建功率差值矩阵；
基于所述功率差值矩阵中各个元素的绝对值平均值，确定第一损失函数；
对各个节点在时刻t的电压幅值与预测电压幅值的差值的绝对值求取均值，得到第二损失函数；
基于所述配电网中新能源接入功率的预测值与实际值的差值的绝对值，确定第三损失函数；
基于所述第一损失函数、所述第二损失函数以及所述第三损失函数，确定所述图卷积注意力神经网络的损失函数。
示例性地，将配电网潮流约束加入到图卷积注意力神经网络的训练过程中，挖掘量测数据状态间的关联性，使得节点状态量满足潮流平衡方程。通过配电网状态推演生成的V和θ，计算得到节点i的预测注入有功功率Pi和预测注入无功功率Qi，将Pi、Qi与节点i注入有功实际值Pi t和无功实际值做差，得到功率差值矩阵R为：
示例性地，第一损失函数为潮流约束损失函数，其计算公式为：
Lpf＝(|R[1]|+|R[2]|+…|R[i]|+…+|R[2N]|)/2N；
其中，Lpf表示第一损失函数，|R[i]|表示功率差值矩阵R中第i个元素的绝对值；2N表示功率差值矩阵中元素的个数。
示例性地，第二损失函数为平均绝对误差损失函数，其计算公式为：
其中，LMAE表示第二损失函数，Vi_tui表示第i个节点在时刻t的预测电压幅值，Vi_real|表示在时刻t实际电压幅值，即上述的Vi t。
示例性地，第三损失函数为新能源接入平衡损失函数，其计算公式为：
LNE＝|Ppre-Preal|；
其中，Ppre和Preal分别为新能源接入功率的预测值与实际值。
示例性地，所述图卷积注意力神经网络的损失函数的计算公式为：
L＝C1·Lpf+C2·LMAE+C3·LNE；
其中，L表示所述图卷积注意力神经网络的损失函数，C1表示第一损失函数的权重系数，C2表示第二损失函数的权重系数，C3表示第三损失函数的权重系数。
根据上述实施方式，将配电网潮流约束加入到图卷积注意力神经网络的训练过程中，挖掘量测数据状态间的关联性，使得节点状态量满足潮流平衡方程。计算出配电网的功率差值矩阵，取功率差值矩阵的绝对平均值作为潮流损失函数加入到神经网络的训练过程中，提高配电网状态推演生成数据的精度，确保生成的数据满足电气物理规律，避免落入局部最优解，实现配电网的全面感知与推演。
以下介绍对本公开实施例的仿真验证过程，具体如下。
采用IEEE33节点配电系统进行配电网状态推演的验证，该配电系统共有4条馈线、33个节点和32条支路，每个节点均有负载或分布式电源接入。PMU和SCADA量测的量测数据包含节点的电压幅值、相角、节点注入有功功率和无功功率。将量测数据以64帧的时间长度切割作为数据样本集，然后将样本集按照8：1：1的比例划分训练集、验证集和测试集，其中，训练集有4000个样本，验证集和测试集各有500个样本。
将本公开实施例提出的基于图卷积注意力神经网络的配电网状态推演方法与线性插值、样条插值进行对比，测试不同方法的状态推演效果。以配电系统中的某节点为例，图2展示了不同方法的状态推演结果。从图中可以看出，本文所提方法的状态推演生成数据更接近真实值。
图3是本公开一实施例的配电网状态推演装置的结构框图。
如图3所示，一种配电网状态推演装置，其特征在于，包括：
状态向量获取模块310，用于获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
观测矩阵构建模块320，用于基于所述配电网的状态向量，构建所述配电网的观测矩阵；
观测矩阵求解模块330，用于在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
置信区间确定模块340，用于利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
状态推演模块350，用于在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
在一种实施方式中，所述观测矩阵为：
其中，GC(x)为观测矩阵；H(x)为雅可比矩阵；R为由第1节点至第n个节点的状态向量的量测方差组成的协方差矩阵；h(x)为非线性量测函数向量；x为所述状态向量；为第1节点至第n个节点的状态向量的量测方差，n为所述配电网中的节点数量。
在一种实施方式中，所述概率密度函数为：
其中，Φi为第i个节点的状态变量的可能取值；Si为第i个节点的状态变量的估计值；σi 2为第i个节点的状态变量的方差，由所述观测矩阵的逆矩阵的对角线元素表示；α为新能源出力的权重；λ为泊松分布的强度参数。
在一种实施方式中，所述置信区间的计算公式为：
其中，hi_max、hi_min分别为所述置信区间的上限、下限；Si为第i个节点的状态变量的估计值；W(Φi)为权重函数，用于表示第i个节点的状态变量的信任程度；ZXi表示第i个节点的状态变量的置信度；n表示所述状态向量中状态变量的个数。
在一种实施方式中，其中，上述装置还包括模型训练模块，包括：
量测向量获取单元，用于获取所述配电网中各个节点在各个时刻的量测向量；其中，所述节点的量测向量包括注入有功功率、注入无功功率、电压幅值、电压相角、电流幅值和电流相角；
模型处理单元，用于将所述量测向量输入图卷积注意力神经网络，以使所述图卷积注意力神经网络提取所述量测向量的时间特征、空间特征以及节点特征，得到时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，并利用时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，确定并输出各个所述节点的预测状态向量，其中，所述预测状态向量包括预测电压幅值和预测电压相角；
损失函数确定单元，用于基于各个所述节点的预测电压幅值和预测电压相角，确定所述图卷积注意力神经网络的损失函数；
模型参数调整单元，用于基于所述图卷积注意力神经网络的损失函数，对所述图卷积注意力神经网络的网络参数进行调整，以得到配电网状态推演模型，其中，所述配电网状态推演模型用于预测各个所述节点的预测电压幅值和预测电压相角。
在一种实施方式中，第i个节点在时刻t的量测向量为：
其中，Xt,i表示第i个节点在时刻t的量测向量，Pit表示第i个节点在时刻t的注入有功功率，表示第i个节点在时刻t的注入无功功率，Vit表示第i个节点在时刻t的电压幅值，/>表示第i个节点在时刻t的电压相角，/>表示第i个节点在时刻t的电流幅值，/>表示第i个节点在时刻t的电流相角；
所述图卷积注意力神经网络的隐藏层的层间传递关系为：
其中，N(L)为所述图卷积注意力神经网络的第L个隐藏层，σ(·)为激活函数，为输入第L个隐藏层的时间特征信息矩阵，/>为输入第L个隐藏层的空间特征信息矩阵，为输入第L个隐藏层的节点特征信息矩阵，B(L)为第L个隐藏层的偏置参数矩阵；
其中，第i个节点的预测状态向量为：
其中，Yt,i表示第i个节点在时刻t的预测状态向量，Vit表示第i个节点在时刻t的预测电压幅值，表示第i个节点在时刻t的预测电压相角。
在一种实施方式中，所述损失函数确定单元，具体用于：
基于各个所述节点在时刻t的预测电压幅值和预测电压相角，确定各个所述节点在时刻t的预测注入有功功率和预测注入无功功率；
基于各个所述节点在时刻t的注入有功功率与预测注入有功功率的差值，以及注入无功功率与预测注入无功功率的差值，构建功率差值矩阵；
基于所述功率差值矩阵中各个元素的绝对值平均值，确定第一损失函数；
对各个节点在时刻t的电压幅值与预测电压幅值的差值的绝对值求取均值，得到第二损失函数；
基一所述配电网中新能源接入功率的预测值与实际值的差值的绝对值，确定第三损失函数；
基于所述第一损失函数、所述第二损失函数以及所述第三损失函数，确定所述图卷积注意力神经网络的损失函数。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如一种配电网状态推演方法。例如，在一些实施例中，一种配电网状态推演方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的一种配电网状态推演方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种配电网状态推演方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (10)
1.一种配电网状态推演方法，其特征在于，包括：
获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
基于所述配电网的状态向量，构建所述配电网的观测矩阵；
在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
2.根据权利要求1所述的方法，其中，所述观测矩阵为：
其中，GC(x)为观测矩阵；H(x)为雅可比矩阵；R为由第1节点至第n个节点的状态向量的量测方差组成的协方差矩阵；h(x)为非线性量测函数向量；x为所述状态向量；为第1节点至第n个节点的状态向量的量测方差，n为所述配电网中的节点数量。
3.根据权利要求2所述的方法，其中，所述概率密度函数为：
其中，Φi为第i个节点的状态变量的可能取值；Si为第i个节点的状态变量的估计值；σi 2为第i个节点的状态变量的方差，由所述观测矩阵的逆矩阵的对角线元素表示；α为新能源出力的权重；λ为泊松分布的强度参数。
4.根据权利要求3所述的方法，其中，所述置信区间的计算公式为：
其中，hi_max、hi_min分别为所述置信区间的上限、下限；Si为第i个节点的状态变量的估计值；W(Φi)为权重函数，用于表示第i个节点的状态变量的信任程度；ZXi表示第i个节点的状态变量的置信度；n表示所述状态向量中状态变量的个数。
5.根据权利要求1-4中任一项所述的方法，其中，所述配电网状态推演模型的训练过程，包括：
获取所述配电网中各个节点在各个时刻的量测向量；其中，所述节点的量测向量包括注入有功功率、注入无功功率、电压幅值、电压相角、电流幅值和电流相角；
将所述量测向量输入图卷积注意力神经网络，以使所述图卷积注意力神经网络提取所述量测向量的时间特征、空间特征以及节点特征，得到时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，并利用时间特征信息矩阵、空间特征信息矩阵和节点特征信息矩阵，确定并输出各个所述节点的预测状态向量，其中，所述预测状态向量包括预测电压幅值和预测电压相角；
基于各个所述节点的预测电压幅值和预测电压相角，确定所述图卷积注意力神经网络的损失函数；
基于所述图卷积注意力神经网络的损失函数，对所述图卷积注意力神经网络的网络参数进行调整，以得到配电网状态推演模型，其中，所述配电网状态推演模型用于预测各个所述节点的预测电压幅值和预测电压相角。
6.根据权利要求5所述的方法，其中，第i个节点在时刻t的量测向量为：
其中，Xt,i表示第i个节点在时刻t的量测向量，Pi t表示第i个节点在时刻t的注入有功功率，表示第i个节点在时刻t的注入无功功率，Vi t表示第i个节点在时刻t的电压幅值，/>表示第i个节点在时刻t的电压相角，/>表示第i个节点在时刻t的电流幅值，/>表示第i个节点在时刻t的电流相角；
所述图卷积注意力神经网络的隐藏层的层间传递关系为：
其中，N(L)为所述图卷积注意力神经网络的第L个隐藏层，σ(·)为激活函数，为输入第L个隐藏层的时间特征信息矩阵，/>为输入第L个隐藏层的空间特征信息矩阵，/>为输入第L个隐藏层的节点特征信息矩阵，B(L)为第L个隐藏层的偏置参数矩阵；
其中，第i个节点的预测状态向量为：
其中，Yt,i表示第i个节点在时刻t的预测状态向量，Vi t表示第i个节点在时刻t的预测电压幅值，表示第i个节点在时刻t的预测电压相角。
7.根据权利要求6所述的方法，其中，基于各个所述节点的预测电压幅值和预测电压相角，确定所述图卷积注意力神经网络的损失函数，包括：
基于各个所述节点在时刻t的预测电压幅值和预测电压相角，确定各个所述节点在时刻t的预测注入有功功率和预测注入无功功率；
基于各个所述节点在时刻t的注入有功功率与预测注入有功功率的差值，以及注入无功功率与预测注入无功功率的差值，构建功率差值矩阵；
基于所述功率差值矩阵中各个元素的绝对值平均值，确定第一损失函数；
对各个节点在时刻t的电压幅值与预测电压幅值的差值的绝对值求取均值，得到第二损失函数；
基于所述配电网中新能源接入功率的预测值与实际值的差值的绝对值，确定第三损失函数；
基于所述第一损失函数、所述第二损失函数以及所述第三损失函数，确定所述图卷积注意力神经网络的损失函数。
8.一种配电网状态推演装置，其特征在于，包括：
状态向量获取模块，用于获取配电网的状态向量；其中，所述状态向量包括所述配电网中各个节点的状态变量，所述状态变量包括电压幅值和电压相角；
观测矩阵构建模块，用于基于所述配电网的状态向量，构建所述配电网的观测矩阵；
观测矩阵求解模块，用于在高斯泊松混合分布的假设下，对所述观测矩阵进行求解，得到所述配电网的概率密度函数；
置信区间确定模块，用于利用所述概率密度函数，确定所述状态向量中各个节点的状态变量的置信区间；
状态推演模块，用于在所述状态向量中各个节点的状态变量的置信区间满足状态推演的条件的情况下，基于配电网状态推演模型，对所述配电网的量测向量进行状态推演，得到所述配电网的当前运行状态。
9.一种电子设备，其特征在于，包括：至少一个处理器，以及与该至少一个处理器通信连接的存储器；
其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311660480.XA CN117833208A (zh) | 2023-12-06 | 2023-12-06 | 配电网状态推演方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311660480.XA CN117833208A (zh) | 2023-12-06 | 2023-12-06 | 配电网状态推演方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117833208A true CN117833208A (zh) | 2024-04-05 |
Family
ID=90523361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311660480.XA Pending CN117833208A (zh) | 2023-12-06 | 2023-12-06 | 配电网状态推演方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117833208A (zh) |
-
2023
- 2023-12-06 CN CN202311660480.XA patent/CN117833208A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
| CN103279639A (zh) | 基于响应的受端电网电压稳定全过程态势评估及防控方法 | |
| CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
| Yao et al. | Management of cascading outage risk based on risk gradient and Markovian tree search | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
| CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
| CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
| CN109613324A (zh) | 一种谐波放大的检测方法及装置 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 | |
| Ramesh et al. | Electrical power system state estimation meter placement—a comparative survey report | |
| Wang et al. | Fault correspondence analysis in complex electric power systems | |
| CN114563045B (zh) | 一种医院后勤系统的检测方法、装置、电子设备及介质 | |
| CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
| CN115597872B (zh) | 抽水蓄能机组甩负荷测试方法、装置、设备及介质 | |
| CN116151034B (zh) | 一种绝缘子芯棒酥化的预测方法、装置、设备及介质 | |
| Su et al. | Dynamic-Deep-Ensemble-Learning Scheme for Probabilistic Voltage Stability Margin Estimation to Enhance Resilient Power Grid Monitoring | |
| CN116914737A (zh) | 配电网光伏承载力评估方法、装置、设备及存储介质 | |
| Li et al. | Analytical Stochastic Power Flow for Power Systems with High Penetration of Renewable Energy | |
| Prashal et al. | Dynamic Weight Enabled Physics-Aware Graph Attention Network for Power Flow Analysis | |
| CN117892547A (zh) | 一种风电场等效建模方法、装置、设备及介质 | |
| CN116504042A (zh) | 一种异常温度告警的生成方法、装置、设备及介质 | |
| CN116845287A (zh) | 一种燃料电池的测试数据预测方法、装置、设备及介质 | |
| CN116111562A (zh) | 一种配电网可靠性确定方法、装置、设备及存储介质 |
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 |