基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统技术方案

本发明专利技术公开了一种基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统。本发明专利技术的连锁故障风险实时预测方法及系统，通过时空图神经网络提取了历史故障中时序电气特征与最终故障规模间的高度非线性映射关系，并基于这种映射关系根据电力系统实时运行数据预测连锁故障风险。本发明专利技术考虑了连锁故障风险的实时预测，对保障电力系统安全稳定运行有着重要意义。重要意义。重要意义。

【技术实现步骤摘要】
基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统


[0001]本专利技术属于电力系统
，涉及高比例新能源并网后电力系统安全稳定运行及高比例电力电子系统连锁故障风险评估，尤其是一种基于时空图神经网络的电力系统连锁故障风险实时评估技术。

技术介绍

[0002]我国的风电、光伏等新能源发电占比日益提高。截止2021年上半年，风电、光伏发电量占比已达12.9％，并有进一步提高的趋势。伴随着新能源容量的快速增长，电力系统发生连锁故障的风险也日益提高。相比传统能源，以电力电子设备并网的风电、光伏等新能源的电压耐受能力和调节更弱，更易因网络波动而脱网。风电、光伏大规模脱网导致的功率缺额可能会引起全系统频率稳定问题，甚至产生连锁扩散，从而影响电力的稳定供应。因此，研究高比例新能源接入背景下的电力系统连锁故障问题，实时评估可能产生的连锁故障风险，对于保障电网安全稳定运行有着重要意义。

技术实现思路

[0003]本专利技术所要解决的技术问题是克服上述现有技术存在的不足，提供一种基于时空图神经网络的电力系统连锁故障风险实时评估方法，有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图神经网络的电力系统连锁故障风险实时评估方法，其特征在于，具体为：实时采集电力系统运行参数，构建每个时刻的特征电气特征矩阵，将一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵输入至一训练好的时空图神经网络，输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。其中，每个时刻的特征电气特征矩阵包括电力系统所有节点当前时刻的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率。所述时空图神经网络包括多个GCN层和一个LSTM层，GCN层的个数与输入的一段时间的特征电气特征矩阵个数相等，每个GCN层的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵。所有GCN层的输出聚合为一个序列作为LSTM的输入，LSTM输出预测的电力系统总失负荷。2.根据权利要求1所述的方法，其特征在于，所述电力系统的拓扑矩阵表示电力系统中，两两节点之间的拓扑连接关系，为0则表示两节点不直接相连，为1则表示两节点直接相连。3.根据权利要求1所述的方法，其特征在于，每个时刻的特征电气特征矩阵具体表示如下：其中，V
tm,i
,V
ta,i
,P
tg,i
,Q
tg,i
,P
tl,i
,V
tl,i
分别表示时刻t时节点i处的电压幅值、电压相角、发电机有功出力、发电机无功出力、负荷的有功功率和负荷的无功功率，N表示电力系统中节点的数量。4.根据权利要求1所述的方法，其特征在于，还包括训练步骤，所述训练好的时空图神经网络基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据训练获得。5.根据权利要求4所述的方法，其特征在于，所述电力系统的仿真故障数据...

【专利技术属性】
技术研发人员：朱禹泓，周永智，韦巍，
申请(专利权)人：浙江大学，
类型：发明
国别省市：