CN120414552B - 基于图卷积网络的配电网潮流计算与优化调度方法和装置 - Google Patents

基于图卷积网络的配电网潮流计算与优化调度方法和装置

Info

Publication number
CN120414552B
CN120414552B CN202510437690.5A CN202510437690A CN120414552B CN 120414552 B CN120414552 B CN 120414552B CN 202510437690 A CN202510437690 A CN 202510437690A CN 120414552 B CN120414552 B CN 120414552B
Authority
CN
China
Prior art keywords
power
data
voltage
distribution network
node
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
CN202510437690.5A
Other languages
English (en)
Other versions
CN120414552A (zh
Inventor
杨政
于洋
王洪江
林杉杉
任娜
张悦
白国君
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.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
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 Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN202510437690.5A priority Critical patent/CN120414552B/zh
Publication of CN120414552A publication Critical patent/CN120414552A/zh
Application granted granted Critical
Publication of CN120414552B publication Critical patent/CN120414552B/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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • H02J2101/24—
    • H02J2101/28—
    • H02J2103/30—
    • H02J2103/35—

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本申请提供一种基于图卷积网络的配电网潮流计算与优化调度方法和装置，包括：从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，利用相关性矩阵调整约束条件权重，生成配电网潮流计算非线性方程组；从节点电压幅值、相角与支路功率数据识别过载线路与低电压节点，利用负荷聚类预测与分布式电源出力概率模型生成满足N‑1安全约束的优化运行方案，生成配电网调度策略；从配电网调度策略识别薄弱环节，利用全局特征向量预测未来负荷增长对电压与功率的影响，根据配电网规划标准生成网架结构优化建议与设备升级方案。

Description

基于图卷积网络的配电网潮流计算与优化调度方法和装置
技术领域
本发明涉及信息技术领域，尤其涉及基于图卷积网络的配电网潮流计算与优化调度方法和装置。
背景技术
在配电网运行管理中，多视角数据驱动潮流计算与图神经网络建模的融合面临着复杂的技术挑战。首先，如何有效整合负荷需求、分布式电源出力和网络拓扑等多源异构数据，并进行标准化处理，构建全面反映配电网状态的高维数据集？其次，在图神经网络建模过程中，如何设计合适的节点和边特征向量编码方法，以准确表达配电网各组件的属性和相互关系？再者，如何优化图卷积层、池化层和全连接层的结构，实现网络特征的有效传播、聚合和压缩？此外，在构建空间相关性矩阵时，如何结合注意力机制和多层感知机，准确捕捉配电网组件间的非线性关系？最后，如何将图神经网络模型的输出与传统潮流计算方法相结合，设计混合算法以提高计算效率和精度？这些问题的解决对于提升配电网分析与优化的准确性和实用性至关重要。
发明内容
为解决上述问题，本发明提出了基于图卷积网络的配电网潮流计算与优化调度方法和装置，能够优化调度策略，还可预测负荷增长影响，为网架结构优化与设备升级提供建议，有效提升配电网规划与运行水平。
为实现上述目的，本发明采用的技术方案是：
基于图卷积网络的配电网潮流计算与优化调度方法，所述方法包括：
S1、通过负荷需求数据采集与预处理模块获取用户用电行为特征数据，获取光伏与风电分布式电源出力数据，从网络拓扑结构信息提取配电网连接关系图，生成标准化多维度数据集；
S2、从标准化多维度数据集获取负荷、电源出力与电压属性，利用节点特征向量编码映射为高维节点向量，从线路阻抗与容量参数生成边特征向量，通过图卷积层传播并聚合拓扑结构特征，由全连接层生成全局特征向量；
S3、从全局特征向量构建配电网空间相关性矩阵，由多层感知机处理空间相关性矩阵，生成网络相关性矩阵；
S4、从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，生成配电网潮流计算非线性方程组；
S5、从全局特征向量经解码层转换获取初始电压幅值与功率值，生成节点电压幅值、相角与支路功率数据；
S6、从节点电压幅值、相角与支路功率数据识别过载线路与低电压节点，利用负荷聚类预测与分布式电源出力概率模型生成满足N-1安全约束的优化运行方案，生成配电网调度策略。
作为优选的，在S1中，通过负荷需求数据采集与预处理模块获取用户用电行为特征数据，利用概率分布模型整合光伏与风电分布式电源出力数据，从网络拓扑结构信息提取配电网连接关系图，对采集的多源数据执行归一化与标准差校正，生成标准化多维度数据集，包括：
通过数据采集模块获取用户用电行为与负荷需求数据，融合时间序列分析得到初步特征集合；
采用概率分布模型对光伏出力与风电出力数据执行统计整合，生成分布式电源出力分布特征；
从网络拓扑结构提取配电网连接关系图，确定节点间电力流动路径分布；
针对多源数据执行归一化处理，消除量纲差异，得到统一尺度数据集；
对统一尺度数据集执行标准差校正，调整数据波动范围，生成校正后数据集；
通过K-means算法对校正后数据集执行聚类分析，判断用电行为与电源出力的关联模式；
根据关联模式构建标准化多维度数据集，确定配电网运行特征描述。
作为优选的，在S2中，从标准化多维度数据集获取负荷、电源出力与电压属性，利用节点特征向量编码映射为高维节点向量，从线路阻抗与容量参数生成边特征向量，通过图卷积层传播并聚合拓扑结构特征，经池化层降维压缩节点向量，由全连接层生成全局特征向量，包括：
获取标准化多维度数据集中的负荷属性和电源出力与电压属性，通过预设的编码模型映射为节点特征向量，得到高维向量；
通过线路阻抗参数与容量参数计算边特征向量，得到反映拓扑关系的边特征；
采用图卷积层对高维向量与边特征进行传播与聚合，得到包含拓扑结构的卷积特征；
通过池化层对卷积特征进行降维处理，得到压缩向量；
若压缩向量的维度超过预设阈值，则通过特征筛选保留主要分量，得到调整后的压缩向量；
采用全连接层对调整后的压缩向量进行变换，得到全局特征向量；
针对全局特征向量，通过预设的分类模型判断系统状态，得到运行趋势分析结果。
作为优选的，在S3中，从全局特征向量构建配电网空间相关性矩阵，利用注意力机制根据节点间距离与功率流向计算权重，量化节点与分支相关程度，由多层感知机处理空间相关性矩阵，生成网络相关性矩阵，包括：
通过全局特征生成空间相关性矩阵，依据节点间距离与功率流向计算初步权重，得到量化后的相关性矩阵；
采用注意力机制对初步权重进行调整，针对功率流向与节点距离生成加权系数，得到增强的相关性矩阵；
从增强的相关性矩阵中提取节点相关与分支相关的特征分量，通过矩阵分解分离主要结构，得到分解后的特征矩阵；
若分解后的特征矩阵维度超出预设阈值，则通过特征筛选保留核心分量，得到精简后的特征矩阵；
针对精简后的特征矩阵，采用多层感知机进行变换处理，得到初始网络相关性矩阵；
根据初始网络相关性矩阵，计算节点间与分支间的关联强度，得到最终的网络相关性矩阵；
通过最终的网络相关性矩阵，量化空间相关与功率流向的综合影响，得到系统拓扑的全局表示。
作为优选的，在S4中，从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，利用相关性矩阵调整约束条件权重，生成配电网潮流计算非线性方程组，包括：
通过网络相关性矩阵和配电网参数提取节点功率和分布式电源出力限制及电压约束条件，得到初始约束数据集；
采用矩阵分析方法处理网络相关性，确定约束条件间的权重调整系数；
根据权重调整结果更新约束条件，生成潮流计算所需的非线性方程组；
若节点功率超出电压约束范围，则通过迭代法求解非线性方程组，判断分布式电源出力限制的边界值；
获取求解得到的边界值，更新配电网参数，得到调整后的潮流计算输入数据集；
通过潮流计算验证调整后的数据集，确定节点功率和电压约束的平衡状态；
采用牛顿-拉夫逊算法对非线性方程组进行最终求解，得到配电网潮流计算的稳定解。
作为优选的，在S5中，从全局特征向量经解码层转换获取初始电压幅值与功率值，利用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组，通过损失函数定义目标误差并迭代更新参数，生成节点电压幅值、相角与支路功率数据，包括：
通过全局特征经解码层处理获取初始电压与功率值数据；
从初始电压与功率值数据采用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组得到解集；
通过解集结合损失函数计算目标误差值；
若目标误差值超过预设阈值，则通过梯度下降法迭代更新解码层参数得到新参数集；
通过新参数集重新生成节点电压与相角数据；
根据节点电压与相角数据计算支路功率值；
通过支路功率值与功率值对比验证一致性得到最终数据。
作为优选的，在S6中，通过采集节点电压、相角数据和支路功率，计算各线路负载率和节点电压偏移量，确定过载线路和低电压节点；
采用K-means算法对负荷聚类，从历史数据中获取负荷分布特征，得到负荷变化趋势；
根据负荷变化趋势和分布式电源出力概率模型，计算各电源出力范围，判断满足N-1约束的出力组合；
通过线性规划算法，从出力组合中获取满足支路功率限制的优化方案，确定节点电压恢复范围；
针对优化方案中的节点电压和支路功率调整量，生成调度策略，得到配电网运行参数；
获取配电网运行参数后，若支路功率超出预设阈值，则调整分布式电源出力，判断过载线路是否消除；
通过调整后的运行参数，计算各节点电压偏移量，确定低电压节点是否恢复正常。
作为优选的，在S5后，从节点电压幅值、相角与支路功率数据获取计算结果，与实测数据对比计算电压偏差率与功率误差百分比，若误差超过预设阈值，则调整图卷积核大小与激活函数参数，重新生成全局特征向量，从配电网调度策略识别薄弱环节，利用全局特征向量预测未来负荷增长对电压与功率的影响，根据配电网规划标准生成网架结构优化建议与设备升级方案，包括：
通过节点电压和支路功率数据获取电压幅值和电压相角，计算出初始结果；
从初始结果与实测数据对比，得到电压偏差率和功率误差百分比；
若电压偏差率超出预设阈值，则调整图卷积核大小，重新计算全局特征向量；
若功率误差百分比超出预设阈值，则调整激活函数参数，更新全局特征向量；
采用更新后的全局特征向量重新计算结果，获取新的电压偏差率和功率误差百分比；
通过新计算结果与实测数据对比，判断误差是否在预设阈值内，得到最终结果；
根据最终结果确定全局特征向量的稳定输出。
在另一个技术方案中，一种基于图卷积网络的配电网潮流计算与优化调度装置，包括：
负荷需求数据采集与预处理模块，用于获取用户用电行为特征数据；
数据存储模块，所述数据存储模块存储有处理程序；
数据处理模块，与所述数据存储模块和负荷需求数据采集与预处理模块电性连接，所述数据处理模块用于接收用户用电行为特征数据，加载并执行所述存储器存储的所述处理程序，以实现如上述任一项所述的基于图卷积网络的配电网潮流计算与优化调度方法的各步骤，生成配电网调度策略。
使用本发明的有益效果是：
本发明公开了基于图卷积网络的配电网潮流计算与优化调度方法。该方法通过采集多源数据并标准化处理，利用图卷积网络提取配电网拓扑特征，构建空间相关性矩阵，优化潮流计算约束条件。采用牛顿-拉夫森法结合共轭梯度迭代求解非线性方程组，生成节点电压与支路功率数据。通过对比实测数据，动态调整模型参数，提高计算精度。根据计算结果识别网络薄弱环节，结合负荷预测与分布式电源出力模型，生成满足N-1约束的优化调度策略。本发明还可预测负荷增长影响，为网架结构优化与设备升级提供建议，有效提升配电网规划与运行水平。
附图说明
图1为本发明的基于图卷积网络的配电网潮流计算与优化调度方法的流程图。
图2为本发明的基于图卷积网络的配电网潮流计算与优化调度装置的示意图。
具体实施方式
为使本技术方案的目的、技术方案和优点更加清楚明了，下面结合具体实施方式，对本技术方案进一步详细说明。应该理解，这些描述只是示例性的，而不是要限制本技术方案的范围。
为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
如图1，本实施例一种基于图卷积网络的配电网潮流计算与优化调度方法具体可以包括：
S1、通过负荷需求数据采集与预处理模块获取用户用电行为特征数据，利用概率分布模型整合光伏与风电分布式电源出力数据，从网络拓扑结构信息提取配电网连接关系图，对采集的多源数据执行归一化与标准差校正，生成标准化多维度数据集。
通过数据采集模块获取用户用电行为与负荷需求数据，融合时间序列分析得到初步特征集合。采用概率分布模型对光伏出力与风电出力数据执行统计整合，生成分布式电源出力分布特征。从网络拓扑结构提取配电网连接关系图，确定节点间电力流动路径分布。针对多源数据执行归一化处理，消除量纲差异，得到统一尺度数据集。对统一尺度数据集执行标准差校正，调整数据波动范围，生成校正后数据集。通过K-means算法对校正后数据集执行聚类分析，判断用电行为与电源出力的关联模式。根据关联模式构建标准化多维度数据集，确定配电网运行特征描述。
具体的，通过负荷需求数据采集与预处理模块，系统从智能电表中获取用户每小时的用电量数据，例如某用户在某日的用电量为[2,8,5,0,7,9,3,1,8,6,4,3]千瓦时，利用K均值聚类算法对这些数据进行聚类分析，识别出用户的典型用电模式，如高峰时段和低谷时段。在光伏与风电分布式电源出力数据整合中，系统采集某光伏电站的出力数据为[0,0,5,2,0,5,8,0,5,0,5,0]千瓦，风电场的出力数据为[0,5,0,5,0,5,0,5,0,5,0,5]千瓦，采用高斯混合模型对这些数据进行概率分布拟合，生成联合出力概率密度函数，用于预测未来时段的出力情况。从网络拓扑结构信息中，系统提取配电网的连接关系图，例如某区域配电网包含10个节点和12条支路，节点之间的连接关系为{(1,2)，(2,3)，(3,4)，(4,5)，(5,6)，(6,7)，(7,8)，(8,9)，(9,10)，(10,1)，(2,5)，(6,9)}，利用图论算法计算各节点的度数和最短路径，为后续的潮流计算提供基础。对采集的多源数据执行归一化与标准差校正，例如将负荷数据、光伏出力数据和风电出力数据分别归一化到[0,1]区间，采用Z-score标准化方法对数据进行标准差校正，使得各维度的数据具有相同的量纲和分布特性，最终生成标准化多维度数据集，用于后续的机器学习模型训练和预测分析。
S2、从标准化多维度数据集获取负荷、电源出力与电压属性，利用节点特征向量编码映射为高维节点向量，从线路阻抗与容量参数生成边特征向量，通过图卷积层传播并聚合拓扑结构特征，经池化层降维压缩节点向量，由全连接层生成全局特征向量。
获取标准化多维度数据集中的负荷属性、电源出力与电压属性，通过预设的编码模型映射为节点特征向量，得到高维向量。其中节点特征向量的计算方式如下：
其中，Fn表示节点特征向量，M表示数据维度，Pi表示功率属性，Vi表示电压属性，Li表示负荷属性，We表示编码权重矩阵。
通过线路阻抗参数与容量参数计算边特征向量，得到反映拓扑关系的边特征。边特征计算如下：
其中，Zij表示线路阻抗，Zbase表示基准阻抗，Sij表示线路容量，Smax表示最大容量。
采用图卷积层对高维向量与边特征进行传播与聚合，得到包含拓扑结构的卷积特征。卷积特征表示方式如下：
其中，Hk表示卷积特征，σ表示激活函数，Ni表示节点i的邻居集合，di和dj表示节点度，W表示卷积核参数矩阵。
通过池化层对卷积特征进行降维处理，得到压缩向量。若压缩向量的维度超过预设阈值，则通过特征筛选保留主要分量，得到调整后的压缩向量。采用全连接层对调整后的压缩向量进行变换，得到全局特征向量。针对全局特征向量，通过预设的分类模型判断系统状态，得到运行趋势分析结果。
具体的，从标准化多维度数据集中，首先提取负荷、电源出力与电压属性，例如负荷数据包括节点1的负荷为100MW，节点2的负荷为150MW，电源出力数据包括节点3的出力为200MW，节点4的出力为250MW，电压数据包括节点1的电压为05p.u.，节点2的电压为03p.u.。利用这些数据，通过节点特征向量编码方法，如主成分分析(PCA)，将节点特征映射为高维节点向量，例如节点1的特征向量为[8,6,4]，节点2的特征向量为[7,5,3]。接着，从线路阻抗与容量参数生成边特征向量，例如线路1的阻抗为1Ω，容量为100MVA，线路2的阻抗为2Ω，容量为150MVA，通过线性变换生成边特征向量，如线路1的边特征向量为[1,2]，线路2的边特征向量为[15,25]。通过图卷积层(GCN)传播并聚合拓扑结构特征，例如使用两层GCN，第一层输出维度为32，第二层输出维度为16，通过聚合函数如均值聚合，得到每个节点的聚合特征向量，如节点1的聚合特征向量为[75,55,35]。经池化层降维压缩节点向量，例如使用最大池化，将节点1的聚合特征向量压缩为[75]，节点2的压缩为[55]。最后，由全连接层生成全局特征向量，例如使用两层全连接网络，第一层输出维度为8，第二层输出维度为4，最终生成的全局特征向量为[6,5,4,3]，用于后续的电力系统分析与决策。
S3、从全局特征向量构建配电网空间相关性矩阵，利用注意力机制根据节点间距离与功率流向计算权重，量化节点与分支相关程度，由多层感知机处理空间相关性矩阵，生成网络相关性矩阵。
通过全局特征生成空间相关性矩阵，依据节点间距离与功率流向计算初步权重，得到量化后的相关性矩阵。采用注意力机制对初步权重进行调整，针对功率流向与节点距离生成加权系数，得到增强的相关性矩阵。从增强的相关性矩阵中提取节点相关与分支相关的特征分量，通过矩阵分解分离主要结构，得到分解后的特征矩阵。若分解后的特征矩阵维度超出预设阈值，则通过特征筛选保留核心分量，得到精简后的特征矩阵。针对精简后的特征矩阵，采用多层感知机进行变换处理，得到初始网络相关性矩阵。根据初始网络相关性矩阵，计算节点间与分支间的关联强度，得到最终的网络相关性矩阵。通过最终的网络相关性矩阵，量化空间相关与功率流向的综合影响，得到系统拓扑的全局表示。
具体的，在配电网分析中，基于全局特征向量构建空间相关性矩阵时，首先从全局特征向量中提取节点间的特征关系，例如节点1的全局特征向量为[6,5,4,3]，节点2的为[5,4,3,2]，节点3的为[4,3,2,1]。利用余弦相似度算法计算节点间的特征相似性，例如节点1与节点2的相似度为98，节点1与节点3的相似度为95，节点2与节点3的相似度为97，形成初始的空间相关性矩阵。接着，引入注意力机制，根据节点间的物理距离和功率流向动态调整权重，例如节点1与节点2的距离为10公里，功率流向为正向，权重系数为9；节点1与节点3的距离为15公里，功率流向为反向，权重系数为7。通过加权计算，更新空间相关性矩阵，例如节点1与节点2的相关性值更新为88，节点1与节点3的更新为66。随后，将更新后的空间相关性矩阵输入多层感知机，采用ReLU激活函数和Adam优化器进行训练，例如第一层感知机输出维度为16，第二层为8，最终生成网络相关性矩阵，例如节点1与节点2的网络相关性值为85，节点1与节点3的为62，节点2与节点3的为80。该矩阵可用于量化配电网中节点与分支的相关程度，为后续的电力系统优化提供数据支持。
S4、从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，利用相关性矩阵调整约束条件权重，生成配电网潮流计算非线性方程组。
通过网络相关性矩阵和配电网参数提取节点功率、分布式电源出力限制及电压约束条件，得到初始约束数据集。采用矩阵分析方法处理网络相关性，确定约束条件间的权重调整系数。根据权重调整结果更新约束条件，生成潮流计算所需的非线性方程组。若节点功率超出电压约束范围，则通过迭代法求解非线性方程组，判断分布式电源出力限制的边界值。获取求解得到的边界值，更新配电网参数，得到调整后的潮流计算输入数据集。通过潮流计算验证调整后的数据集，确定节点功率和电压约束的平衡状态。采用牛顿-拉夫逊算法对非线性方程组进行最终求解，得到配电网潮流计算的稳定解。
具体的，首先，从网络相关性矩阵中提取节点之间的电气关系，例如节点A与节点B的相关系数为85，表明两者在功率流动上具有较强关联。利用配电网原始参数，如节点C的负荷功率为500kW，分布式电源D的最大出力限制为300kW，节点E的电压允许范围为95至05p.u.，构建节点功率平衡方程，确保总发电量等于总负荷量。接着，通过相关性矩阵调整约束条件的权重，例如将节点A与节点B的电压约束权重调整为2，以反映其强相关性。在此基础上，生成配电网潮流计算的非线性方程组，采用牛顿-拉夫森法进行迭代求解，初始猜测值为节点电压0p.u.，设定收敛精度为0001。在迭代过程中，计算各节点的功率不匹配量，更新节点电压，直至满足收敛条件。通过上述步骤，实现了配电网潮流的精确计算与约束条件的动态调整，确保了系统的稳定运行与高效管理。
S5、从全局特征向量经解码层转换获取初始电压幅值与功率值，利用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组，通过损失函数定义目标误差并迭代更新参数，生成节点电压幅值、相角与支路功率数据。
通过全局特征经解码层处理获取初始电压与功率值数据。从初始电压与功率值数据采用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组得到解集。通过解集结合损失函数计算目标误差值。若目标误差值超过预设阈值，则通过梯度下降法迭代更新解码层参数得到新参数集。通过新参数集重新生成节点电压与相角数据。根据节点电压与相角数据计算支路功率值。通过支路功率值与功率值对比验证一致性得到最终数据。
具体的，在电力系统分析中，首先通过全局特征向量提取电力网络的拓扑结构和电气参数，例如节点导纳矩阵和负荷数据。假设系统包含5个节点，导纳矩阵为Y＝[[5,-2,0,0,0]，[-2,6,-1,0,0]，[0,-1,7,-3,0]，[0,0,-3,8,-2]，[0,0,0,-2,4]]，负荷数据为P＝[8,2,9,5,1]MW，Q＝[4,6,5,7,6]MVar。将这些特征向量输入到解码层，解码层采用全连接神经网络结构，激活函数为ReLU，网络层数为3，每层神经元数量分别为10、20、5，经过训练后，解码层输出初始电压幅值V0＝[02,03,01,04,02]p.u.和初始功率值P0＝[85,25,95,55,15]MW。接下来，利用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组，设定收敛精度为1e-6，最大迭代次数为100。在每次迭代中，计算雅可比矩阵J和残差向量F，例如第一次迭代中J＝[[5,-3,0,0,0]，[-3,8,-2,0,0]，[0,-2,0,-4,0]，[0,0,-4,5,-3]，[0,0,0,-3,7]]，F＝[05,03,02,04,03]。通过共轭梯度法求解Δx＝J^(-1)F，更新电压幅值和相角，例如第一次迭代后V1＝[021,031,011,041,021]p.u.，θ1＝[01,02,01,03,02]rad。损失函数采用均方误差，定义为L＝Σ(Vi-Vi0)^2+Σ(Pi-Pi0)^2，初始误差为1，经过5次迭代后误差降至1e-4，满足收敛条件。最终生成节点电压幅值V＝[022,032,012,042,022]p.u.，相角θ＝[012,022,012,032,022]rad，支路功率P＝[86,26,96,56,16]MW。这些数据用于电力系统稳定性和经济性分析，为电网调度提供决策支持。
S6、从节点电压幅值、相角与支路功率数据识别过载线路与低电压节点，利用负荷聚类预测与分布式电源出力概率模型生成满足N-1安全约束的优化运行方案，生成配电网调度策略。
通过采集节点电压、相角数据和支路功率，计算各线路负载率和节点电压偏移量，确定过载线路和低电压节点。采用K-means算法对负荷聚类，从历史数据中获取负荷分布特征，得到负荷变化趋势。根据负荷变化趋势和分布式电源出力概率模型，计算各电源出力范围，判断满足N-1约束的出力组合。通过线性规划算法，从出力组合中获取满足支路功率限制的优化方案，确定节点电压恢复范围。针对优化方案中的节点电压和支路功率调整量，生成调度策略，得到配电网运行参数。获取配电网运行参数后，若支路功率超出预设阈值，则调整分布式电源出力，判断过载线路是否消除。通过调整后的运行参数，计算各节点电压偏移量，确定低电压节点是否恢复正常。
具体的，在配电网调度中，首先通过节点电压幅值和相角数据，结合支路功率信息，利用潮流计算算法识别出过载线路和低电压节点。
例如，某条线路的电流达到额定值的115％，被判定为过载，而某节点的电压降至92p.u.，低于允许的95p.u.，被标记为低电压节点。接着，采用K均值聚类算法对负荷数据进行聚类分析，预测未来负荷变化趋势。假设将负荷分为三类，分别代表高、中、低负荷水平，预测未来一小时高负荷水平概率为30％，中负荷水平为50％，低负荷水平为20％。然后，基于分布式电源出力概率模型，利用蒙特卡洛模拟生成1000种可能的出力场景，计算每种场景下的系统运行状态。
例如，光伏出力的均值为500kW，标准差为50kW，风电出力的均值为300kW，标准差为30kW。在此基础上，采用遗传算法进行优化，目标函数为最小化运行成本，同时满足N-1安全约束。优化过程中，考虑线路容量、节点电压限值等约束条件，最终生成调度策略。
例如，优化结果显示，在满足N-1安全约束的前提下，系统总运行成本为5000元，其中分布式电源出力为800kW，主网购电为1200kW，负荷需求为2000kW。通过上述方法，实现了配电网的安全、经济运行。
另外，从节点电压幅值、相角与支路功率数据获取计算结果，与实测数据对比计算电压偏差率与功率误差百分比，若误差超过预设阈值，则调整图卷积核大小与激活函数参数，重新生成全局特征向量。
通过节点电压和支路功率数据获取电压幅值和电压相角，计算出初始结果。从初始结果与实测数据对比，得到电压偏差率和功率误差百分比。若电压偏差率超出预设阈值，则调整图卷积核大小，重新计算全局特征向量。若功率误差百分比超出预设阈值，则调整激活函数参数，更新全局特征向量。采用更新后的全局特征向量重新计算结果，获取新的电压偏差率和功率误差百分比。通过新计算结果与实测数据对比，判断误差是否在预设阈值内，得到最终结果。根据最终结果确定全局特征向量的稳定输出。具体的，在电力系统中，首先通过节点电压幅值和相角数据，结合支路功率信息，利用牛顿拉夫森法进行潮流计算，得到各节点的电压幅值和相角。
例如，某系统节点电压幅值计算值为02pu，相角为3度，而实测数据分别为01pu和5度。通过计算电压偏差率，发现幅值偏差率为99％，相角偏差率为64％。同时，支路功率计算值为50MW，实测数据为45MW，功率误差百分比为01％。若预设的电压偏差率阈值为1％，相角偏差率阈值为4％，功率误差百分比阈值为5％，则相角偏差率接近阈值，需进行调整。此时，采用图卷积神经网络(GCN)进行特征提取，初始卷积核大小为3，激活函数为ReLU。通过调整卷积核大小至5，并采用LeakyReLU激活函数，重新生成全局特征向量。
例如，调整后，新的特征向量在节点电压幅值和相角的预测上，偏差率分别降低至8％和2％，功率误差百分比降至9％，均满足预设阈值要求。这一过程通过自动化算法实现，确保了电力系统分析的准确性和稳定性。
从配电网调度策略识别薄弱环节，利用全局特征向量预测未来负荷增长对电压与功率的影响，根据配电网规划标准生成网架结构优化建议与设备升级方案。通过调度策略数据提取薄弱环节特征，采用聚类算法确定薄弱环节分布位置。从薄弱环节分布位置获取全局特征向量，针对负荷增长数据进行预测分析，得到未来负荷变化趋势。根据未来负荷变化趋势，通过回归算法计算电压影响和功率影响的量化值，判断影响范围。若电压影响超出预设的阈值，则根据规划标准生成网架结构调整方案，确定优化建议内容。若功率影响超出预设的阈值，则通过规划标准匹配设备升级参数，得到设备升级方案。获取网架结构调整方案和设备升级方案，采用拓扑分析工具生成配电网系的优化布局，判断整体改进幅度。针对优化布局，结合全局特征向量更新预测分析，得到配电网系的长期稳定性指标。
具体的，在配电网调度策略识别薄弱环节的过程中，首先通过采集配电网的实时运行数据，包括节点电压、支路电流、功率因数等，利用基于图论的网络拓扑分析方法，构建配电网的物理模型。
例如，采用深度优先搜索(DFS)算法对配电网进行遍历，识别出电压低于95pu的节点和功率因数低于9的支路，作为潜在的薄弱环节。接着，利用全局特征向量法对这些薄弱环节进行特征提取，通过主成分分析(PCA)算法降维，提取出影响电压和功率的关键特征向量，如负荷增长趋势、设备老化程度等。在此基础上，采用时间序列预测模型(如ARIMA)对未来负荷增长进行预测，假设负荷年均增长率为5％，结合配电网规划标准，计算未来5年内各节点的电压偏差和功率损耗。
例如，预测结果显示某节点电压将在3年后降至92pu，超出允许范围。根据这些分析结果，生成网架结构优化建议，如在该节点附近新增一条10kV线路，并将原有变压器容量从500kVA升级至800kVA，以满足未来负荷需求。同时，针对设备老化问题，建议更换老化率超过20％的设备，并采用智能监控系统实时监测设备状态，确保配电网的稳定运行。
为实现上述的方法，在一个可行的实施例中，本发明提出了一种基于图卷积网络的配电网潮流计算与优化调度装置，包括：
负荷需求数据采集与预处理模块10，用于获取用户用电行为特征数据；
数据存储模块30，所述数据存储模块30存储有处理程序；
数据处理模块20，与所述数据存储模块30和负荷需求数据采集与预处理模块10电性连接，所述数据处理模块20用于接收用户用电行为特征数据，加载并执行所述存储器存储的所述处理程序，以实现如上述的基于图卷积网络的配电网潮流计算与优化调度方法的各步骤，生成配电网调度策略。
本申请实施例提供的装置，包括数据处理模块20和数据存储模块30，数据存储模块30上存储有可在数据处理模块20上运行的程序或指令，该程序或指令被数据处理模块20执行时实现上述信息处理方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
数据存储模块30可用于存储软件程序以及各种数据。数据存储模块30可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，数据存储模块30可以包括易失性存储器或非易失性存储器，或者，数据存储模块30可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的数据存储模块30包括但不限于这些和任意其它适合类型的存储器。
数据处理模块20可包括一个或多个处理单元；可选的，数据处理模块20集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到数据处理模块20中。
以上内容仅为本发明的较佳实施例，对于本领域的普通技术人员，依据本技术内容的思想，在具体实施方式及应用范围上可以作出许多变化，只要这些变化未脱离本发明的构思，均属于本专利的保护范围。

Claims (9)

1.基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于，所述方法包括：
S1、通过负荷需求数据采集与预处理模块获取用户用电行为特征数据，获取光伏与风电分布式电源出力数据，从网络拓扑结构信息提取配电网连接关系图，生成标准化多维度数据集；
S2、从标准化多维度数据集获取负荷、电源出力与电压属性，利用节点特征向量编码映射为高维节点向量，从线路阻抗与容量参数生成边特征向量，通过图卷积层传播并聚合拓扑结构特征，由全连接层生成全局特征向量；
S3、从全局特征向量构建配电网空间相关性矩阵，由多层感知机处理空间相关性矩阵，生成网络相关性矩阵；
S4、从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，生成配电网潮流计算非线性方程组；
S5、从全局特征向量经解码层转换获取初始电压幅值与功率值，生成节点电压幅值、相角与支路功率数据；
S6、从节点电压幅值、相角与支路功率数据识别过载线路与低电压节点，利用负荷聚类预测与分布式电源出力概率模型生成满足N-1安全约束的优化运行方案，生成配电网调度策略。
2.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S1中，通过负荷需求数据采集与预处理模块获取用户用电行为特征数据，利用概率分布模型整合光伏与风电分布式电源出力数据，从网络拓扑结构信息提取配电网连接关系图，对采集的多源数据执行归一化与标准差校正，生成标准化多维度数据集，包括：
通过数据采集模块获取用户用电行为与负荷需求数据，融合时间序列分析得到初步特征集合；
采用概率分布模型对光伏出力与风电出力数据执行统计整合，生成分布式电源出力分布特征；
从网络拓扑结构提取配电网连接关系图，确定节点间电力流动路径分布；
针对多源数据执行归一化处理，消除量纲差异，得到统一尺度数据集；
对统一尺度数据集执行标准差校正，调整数据波动范围，生成校正后数据集；
通过K-means算法对校正后数据集执行聚类分析，判断用电行为与电源出力的关联模式；
根据关联模式构建标准化多维度数据集，确定配电网运行特征描述。
3.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S2中，从标准化多维度数据集获取负荷、电源出力与电压属性，利用节点特征向量编码映射为高维节点向量，从线路阻抗与容量参数生成边特征向量，通过图卷积层传播并聚合拓扑结构特征，经池化层降维压缩节点向量，由全连接层生成全局特征向量，包括：
获取标准化多维度数据集中的负荷属性和电源出力与电压属性，通过预设的编码模型映射为节点特征向量，得到高维向量；
通过线路阻抗参数与容量参数计算边特征向量，得到反映拓扑关系的边特征；
采用图卷积层对高维向量与边特征进行传播与聚合，得到包含拓扑结构的卷积特征；
通过池化层对卷积特征进行降维处理，得到压缩向量；
若压缩向量的维度超过预设阈值，则通过特征筛选保留主要分量，得到调整后的压缩向量；
采用全连接层对调整后的压缩向量进行变换，得到全局特征向量；
针对全局特征向量，通过预设的分类模型判断系统状态，得到运行趋势分析结果。
4.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S3中，从全局特征向量构建配电网空间相关性矩阵，利用注意力机制根据节点间距离与功率流向计算权重，量化节点与分支相关程度，由多层感知机处理空间相关性矩阵，生成网络相关性矩阵，包括：
通过全局特征生成空间相关性矩阵，依据节点间距离与功率流向计算初步权重，得到量化后的相关性矩阵；
采用注意力机制对初步权重进行调整，针对功率流向与节点距离生成加权系数，得到增强的相关性矩阵；
从增强的相关性矩阵中提取节点相关与分支相关的特征分量，通过矩阵分解分离主要结构，得到分解后的特征矩阵；
若分解后的特征矩阵维度超出预设阈值，则通过特征筛选保留核心分量，得到精简后的特征矩阵；
针对精简后的特征矩阵，采用多层感知机进行变换处理，得到初始网络相关性矩阵；
根据初始网络相关性矩阵，计算节点间与分支间的关联强度，得到最终的网络相关性矩阵；
通过最终的网络相关性矩阵，量化空间相关与功率流向的综合影响，得到系统拓扑的全局表示。
5.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S4中，从网络相关性矩阵与配电网原始参数获取节点功率平衡、分布式电源出力限制与电压约束条件，利用相关性矩阵调整约束条件权重，生成配电网潮流计算非线性方程组，包括：
通过网络相关性矩阵和配电网参数提取节点功率和分布式电源出力限制及电压约束条件，得到初始约束数据集；
采用矩阵分析方法处理网络相关性，确定约束条件间的权重调整系数；
根据权重调整结果更新约束条件，生成潮流计算所需的非线性方程组；
若节点功率超出电压约束范围，则通过迭代法求解非线性方程组，判断分布式电源出力限制的边界值；
获取求解得到的边界值，更新配电网参数，得到调整后的潮流计算输入数据集；
通过潮流计算验证调整后的数据集，确定节点功率和电压约束的平衡状态；
采用牛顿-拉夫逊算法对非线性方程组进行最终求解，得到配电网潮流计算的稳定解。
6.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S5中，从全局特征向量经解码层转换获取初始电压幅值与功率值，利用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组，通过损失函数定义目标误差并迭代更新参数，生成节点电压幅值、相角与支路功率数据，包括：
通过全局特征经解码层处理获取初始电压与功率值数据；
从初始电压与功率值数据采用牛顿-拉夫森法结合共轭梯度迭代求解器处理非线性方程组得到解集；
通过解集结合损失函数计算目标误差值；
若目标误差值超过预设阈值，则通过梯度下降法迭代更新解码层参数得到新参数集；
通过新参数集重新生成节点电压与相角数据；
根据节点电压与相角数据计算支路功率值；
通过支路功率值与功率值对比验证一致性得到最终数据。
7.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S6中，通过采集节点电压、相角数据和支路功率，计算各线路负载率和节点电压偏移量，确定过载线路和低电压节点；
采用K-means算法对负荷聚类，从历史数据中获取负荷分布特征，得到负荷变化趋势；
根据负荷变化趋势和分布式电源出力概率模型，计算各电源出力范围，判断满足N-1约束的出力组合；
通过线性规划算法，从出力组合中获取满足支路功率限制的优化方案，确定节点电压恢复范围；
针对优化方案中的节点电压和支路功率调整量，生成调度策略，得到配电网运行参数；
获取配电网运行参数后，若支路功率超出预设阈值，则调整分布式电源出力，判断过载线路是否消除；
通过调整后的运行参数，计算各节点电压偏移量，确定低电压节点是否恢复正常。
8.根据权利要求1所述的基于图卷积网络的配电网潮流计算与优化调度方法，其特征在于：在S5后，从节点电压幅值、相角与支路功率数据获取计算结果，与实测数据对比计算电压偏差率与功率误差百分比，若误差超过预设阈值，则调整图卷积核大小与激活函数参数，重新生成全局特征向量，从配电网调度策略识别薄弱环节，利用全局特征向量预测未来负荷增长对电压与功率的影响，根据配电网规划标准生成网架结构优化建议与设备升级方案，包括：
通过节点电压和支路功率数据获取电压幅值和电压相角，计算出初始结果；
从初始结果与实测数据对比，得到电压偏差率和功率误差百分比；
若电压偏差率超出预设阈值，则调整图卷积核大小，重新计算全局特征向量；
若功率误差百分比超出预设阈值，则调整激活函数参数，更新全局特征向量；
采用更新后的全局特征向量重新计算结果，获取新的电压偏差率和功率误差百分比；
通过新计算结果与实测数据对比，判断误差是否在预设阈值内，得到最终结果；
根据最终结果确定全局特征向量的稳定输出。
9.一种基于图卷积网络的配电网潮流计算与优化调度装置，其特征在于，包括：
负荷需求数据采集与预处理模块，用于获取用户用电行为特征数据；
数据存储模块，所述数据存储模块存储有处理程序；
数据处理模块，与所述数据存储模块和负荷需求数据采集与预处理模块电性连接，所述数据处理模块用于接收用户用电行为特征数据，加载并执行所述数据存储模块存储的所述处理程序，以实现如上述权利要求1-8任一项所述的基于图卷积网络的配电网潮流计算与优化调度方法的各步骤，生成配电网调度策略。
CN202510437690.5A 2025-04-09 2025-04-09 基于图卷积网络的配电网潮流计算与优化调度方法和装置 Active CN120414552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510437690.5A CN120414552B (zh) 2025-04-09 2025-04-09 基于图卷积网络的配电网潮流计算与优化调度方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510437690.5A CN120414552B (zh) 2025-04-09 2025-04-09 基于图卷积网络的配电网潮流计算与优化调度方法和装置

Publications (2)

Publication Number Publication Date
CN120414552A CN120414552A (zh) 2025-08-01
CN120414552B true CN120414552B (zh) 2025-12-02

Family

ID=96503734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510437690.5A Active CN120414552B (zh) 2025-04-09 2025-04-09 基于图卷积网络的配电网潮流计算与优化调度方法和装置

Country Status (1)

Country Link
CN (1) CN120414552B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120728584B (zh) * 2025-08-19 2025-11-18 国网浙江省电力有限公司丽水供电公司 网架变动导致输送能力变化的电网运行优化方法和系统
CN120784861B (zh) * 2025-09-05 2025-11-11 国网安徽省电力有限公司 基于1.4g无限扩频组网调度数据网的电网安全隐患预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287605A (zh) * 2020-11-04 2021-01-29 浙江大学 一种基于图卷积网络加速的潮流校核方法
CN114757533A (zh) * 2022-04-15 2022-07-15 南京工程学院 基于图卷积深度网络的电网无功储备需求快速计算方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11216759B2 (en) * 2018-01-02 2022-01-04 Shanghai Jiao Tong University Real-time economic dispatch method of power system
CN113452028B (zh) * 2021-07-29 2022-05-10 广东电网有限责任公司 低压配电网概率潮流计算方法、系统、终端和存储介质
CN119539588A (zh) * 2024-11-08 2025-02-28 国网甘肃省电力公司电力科学研究院 一种基于图卷积神经网络的配电网协调性评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287605A (zh) * 2020-11-04 2021-01-29 浙江大学 一种基于图卷积网络加速的潮流校核方法
CN114757533A (zh) * 2022-04-15 2022-07-15 南京工程学院 基于图卷积深度网络的电网无功储备需求快速计算方法

Also Published As

Publication number Publication date
CN120414552A (zh) 2025-08-01

Similar Documents

Publication Publication Date Title
CN120414552B (zh) 基于图卷积网络的配电网潮流计算与优化调度方法和装置
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN120262400A (zh) 一种基于改进图神经网络的配电网网架拓扑辨识方法
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
CN116470519A (zh) 一种考虑负荷不确定性的多场景无功调控方法及装置
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN115018209A (zh) 一种数字化电能计量系统运行误差长期预测方法及设备
CN114429248A (zh) 一种变压器视在功率预测方法
CN120879577B (zh) 一种基于拓扑平衡的区域电网预测调度方法及系统
CN120725298B (zh) 基于ai大语言模型的电力现货交易动态决策生成方法、系统
CN114781875B (zh) 一种基于深度卷积网络的微电网经济运行状态评估方法
CN115118015B (zh) 一种基于融合终端的台区供电稳定性监测系统
CN120433249B (zh) 可再生能源制氢基能源的功率动态平衡调控方法及系统
CN114465245B (zh) 电网调节装置的参数匹配方法及系统
CN120355252A (zh) 一种分布式光伏承载能力评估方法及系统
CN120049431A (zh) 基于时空聚类与凸优化的配电网储能协同规划方法及系统
CN119558457A (zh) 一种园区储能容量优化配置方法及系统及存储介质
CN119297985A (zh) 一种基于初值优化的高斯混合误差概率分布补偿的光伏功率预测方法
CN118643972A (zh) 一种光伏网络拓扑自动建模方法、系统、设备及存储介质
CN119535273B (zh) 通信蓄电池组在线远程充放电故障预测方法及系统
CN118643750B (zh) 牵引供电系统负荷场景削减方法
CN120749726B (zh) 一种基于低压电网多源数据融合的线损治理方法及系统
CN121546536A (zh) 一种基于配电网态势的负荷预测方法、系统、设备及存储介质
CN120911323A (zh) 配电网模块化设计方法及系统应用

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