一种基于图神经网络的快速状态估计方法技术

本发明专利技术提供了一种基于图神经网络的快速状态估计方法，该状态估计方法利用全网已有的量测数据，对全网的节点进行实时的高精度的测量；同时，本发明专利技术的状态估计方法通过将数据采集与监视控制和广域测量系统的状态估计值输入到图神经网络模型中训练，可以得到预测精度高的网络模型，该图神经网络模型可以直接处理电力系统的节点信息和拓扑结构信息，通过端对端的任务学习实现对全网状态的实时估计。端的任务学习实现对全网状态的实时估计。端的任务学习实现对全网状态的实时估计。

【技术实现步骤摘要】
一种基于图神经网络的快速状态估计方法


[0001]本专利技术涉及电力系统
，具体涉及一种基于图神经网络的快速状态估计方法。

技术介绍

[0002]近年来，新能源供电在电网中所占的比例越来越大，对电网的稳定性提出了更高的要求，随着输电技术的不断成熟，跨区送电的情况变得越来越多，还有电力电子元器件的使用，使得电网的结构变得越来越复杂，所以就对电网的动态运行实时监测提出了更高的要求。目前的电力系统状态估计主要采用的是数据采集与监视控制系统和广域测量系统，俩个系统都难以做到全网的实时状态估计，所以需要利用人工智能的方法，去利用已有的数据进行全网的实时状态估计。

技术实现思路

[0003]为解决现有技术中存在的问题，本专利技术提出了一种基于图神经网络的快速状态估计方法。
[0004]为了达到上述目的，本专利技术是通过以下技术方案来实现的：
[0005]本专利技术是一种基于图神经网络的快速状态估计方法，包括如下步骤：
[0006]步骤1，将电力系统量测数据转化成图数据的形式：
[0007]步骤1.1，把SCADA数据转化成图数据形式；
[0008]步骤1.2，把WAMS数据转化成图数据形式；
[0009]步骤2，对图数据进行预处理：
[0010]步骤2.1，把WAMS图数据节点特征新增一个标志位；
[0011]步骤2.2，进行数据归一化处理；
[0012]步骤3，采用得到的图数据进行模型训练：
[0013]步骤3.1，将SCADA图数据输入图神经网络训练；
[0014]步骤3.2，将WAMS图数据输入另一个图神经网络训练；
[0015]步骤3.3，将步骤3.1与步骤3.2的训练结果拼接再输入新的图神经网络训练；
[0016]步骤3.4，经过全连接层输出；
[0017]步骤3.5，进行反向传播。
[0018]本专利技术的进一步改进在于：步骤1.1的具体操作为：根据电力系统的拓扑结构和线路节点数据，将SCADA数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。
[0019]本专利技术的进一步改进在于：步骤1.2的具体操作为：根据电力系统的拓扑结构和线路节点数据，将WAMS数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。
[0020]本专利技术的进一步改进在于：所述邻接矩阵的公式为：
[0021][0022]A
ij
表示邻接矩阵的第i行第j列的元素的值，v
i
，v
j
表示顶点。
[0023]步骤2.1具体为：根据电力系统中布置的PMU信息，将WAMS图数据中安装PMU的节点标志位置为1，其他未安装PMU的节点标志位置为0，并将该节点的电压和相角数据置为0。
[0024]步骤3的具体操作为：
[0025]步骤3.1，将SCADA图数据输入到一个含有两层图卷积的图神经网络模型中去，其中第一层为图卷积层，第二层为含有边权值的图卷积层，得到一个含有新的节点特征的特征矩阵；
[0026]步骤3.2，将WAMS图数据输入到一个含有俩层图卷积的图神经网络模型中去，其中第一层为图卷积层，第二层为含有边权值的图卷积层，最后可以得到一个含有新的节点特征的特征矩阵；
[0027]步骤3.3，将得到的两个含有新的节点特征的节点特征矩阵拼接起来，输入到一个图卷积层中去，得到含有新的节点特征的节点特征矩阵；
[0028]步骤3.4，步骤3.3所得到的节点特征矩阵经过一层全连接神经网络得到模型的预测结果；
[0029]步骤3.5，将步骤3.4的预测结果与真实值进行误差训练，选取的损失函数为均方根值误差函数，反向传播使用Adam优化器，设置学习速率与训练轮次，最后得到训练好的模型。
[0030]所述步骤3.1、步骤3.2和步骤3.3中的图卷积层的公式为：
[0031][0032][0033]式子中A表示邻接矩阵，I
N
表示单位阵，表示度矩阵，表示度矩阵，表示预处理之后的邻接矩阵，X表示特征矩阵，W
(0)
表示权值矩阵。
[0034]所述步骤3.1和步骤3.2中的含有边权值的图卷积层的公式为：
[0035][0036][0037]其中，L(j，i)表示j节点到i节点的边特征，F
l
(L(j，i)；w
l
)表示边的过滤器，X
l
‑1(j)表示节点j的特征矩阵，b
l
是偏置量，是神经网络中一个可训练的参数。
[0038]步骤3.5中均方根值误差函数为：
[0039][0040]其中y
i
表示真实的标签，表示模型输出的预测值。
[0041]本专利技术的有益效果是：本专利技术的状态估计方法利用已有的SCADA数据和 WAMS数据训练图神经网络模型，利用传统物理方法与数据驱动结合建模的方法，既具有可解释性强，机理明确的特点，又能从数据中挖掘特征。电力系统图是一个非欧结构图，传统的神经网络
只能处理欧式结构图，并不能考虑图的拓扑关系。而图神经网络可以把图数据建模成矩阵的形式，不仅考虑了电力系统自身的节点，还考虑了节点与节点之间的位置关系。可以更加有效的处理图数据。
附图说明
[0042]图1为本专利技术状态估计方法的流程图。
[0043]图2为将电力系统建模成图数据的原理图。
[0044]图3为图卷积网络。
[0045]图4为含有边权值的图神经网络图。
具体实施方案
[0046]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细说明。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0047]本专利技术是一种基于图神经网络的快速状态估计方法，利用Matpower进行 57节点的仿真，生成SCADA数据和WAMS数据进行网络训练并应用到网络模型中，具体如下：
[0048]步骤1，生成电力系统量测样本数据，并将数据转化成图数据的形式；首先生成样本数据，即：
[0049]SCADA数据：通过潮流计算，得出不同负荷情况下的SCADA的节点电压、相角数据，其中，SCADA每15min出一次全网辨识结果，负荷变动较大。
[0050]WAMS数据：找出电力系统中所有布置PMU的电力节点，获取PMU节点的WAMS量测数据，为电压，相角数据。
[0051]本实施例给57节点的负荷加一个大的噪声通过潮流计算来得到SCADA 数据，为各个节点的电压和相角数据。此外，WAMS数据0.01S即可出一次结果，所以在加大噪声的基础上，再加一个小的噪声来模拟WAMS产生的数据，为安装PMU节点的电压和相角数据。然后记录各个电力线路的电阻，电压，电纳。
[0052]由于WAMS只有在布置PMU节点上才有量测数据，所以为了考虑经济性，需要安装的PMU节点的数量尽可能少，同时还要包含尽可能多的信息。由于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的快速状态估计方法，其特征在于：包括如下步骤：步骤1，生成电力系统量测样本数据，并将数据转化成图数据的形式：步骤1.1，把SCADA数据转化成图数据形式；步骤1.2，把WAMS数据转化成图数据形式；步骤2，对图数据进行预处理：步骤2.1，把WAMS图数据节点特征新增一个标志位；步骤2.2，进行数据归一化处理；步骤3，采用得到的图数据进行模型训练：步骤3.1，将SCADA图数据输入图神经网络训练；步骤3.2，将WAMS图数据输入另一个图神经网络训练；步骤3.3，将步骤3.1与步骤3.2的训练结果拼接再输入新的图神经网络训练；步骤3.4，经过全连接层输出；步骤3.5，进行反向传播。2.根据权利要求1所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤1.1的具体操作为：根据电力系统的拓扑结构和线路节点数据，将SCADA数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。3.根据权利要求2所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤1.2的具体操作为：根据电力系统的拓扑结构和线路节点数据，将WAMS数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。4.根据权利要求3所述一种基于图神经网络的快速状态估计方法，其特征在于：所述邻接矩阵的公式为：A
ij
表示邻接矩阵的第i行第j列的元素的值，v
i
，v
j
表示顶点。5.根据权利要求4所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤2.1具体为：根据电力系统中布置的PMU信息，将WAMS图数据中安装PMU的节点标志位置为1，其他未安装PMU的节点标志位置为0，并将该节点的电压和相角数据置为0。6.根据权利要求1所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤3的具体操作为：步骤3.1，将SCADA图数据输入到一个含有两层图卷积的图神经网络模型中去，其中...

【专利技术属性】
技术研发人员：韩俊，蔡超，谢珍建，吴强，黄河，高松，潘文婕，樊安洁，王娜，陈皓菲，
申请(专利权)人：国网江苏省电力有限公司经济技术研究院，
类型：发明
国别省市：