基于图神经网络的电力系统暂态电压稳定性计算方法技术方案

本发明专利技术提出一种基于图神经网络的电力系统暂态电压稳定性计算方法，对电力系统故障时刻所有电气节点的电压幅值、相角以及节点注入有功、无功组成的特征数据矩阵中的数据与包含拓扑信息的邻接矩阵结合成为图数据；将图数据作为图神经网络模型的输入，电力系统暂态电压是否稳定的二维标签作为输出，建立电力系统暂态电压稳定性计算模型；进行训练后，选取准确率最高的计算模型作为最终计算模型对电力系统的暂态电压稳定性进行计算。图神经网络相比深度学习等其他机器学习在处理非欧数据上表现更加优秀，图数据的表达与电力系统信息表达相近。图神经网络将电力系统拓扑结构与电气信息相结合，考虑了电力系统拓扑变化，使得暂态电压稳定分析精确度更高。电压稳定分析精确度更高。

【技术实现步骤摘要】
基于图神经网络的电力系统暂态电压稳定性计算方法


[0001]本专利技术属于电力系统暂态电压稳定分析领域，特别是涉及一种基于图神经网络的电力系统暂态电压稳定性计算方法。

技术介绍

[0002]随着现代社会的飞速发展，人们对电力的依赖性不断增强，电能已经成为人们日常生活和生产中消耗的主要能源。特高压交直流混联网架结构的形成与完善，以及新能源技术的应用有效缓解了我国电力供需的不平衡，但电力系统互联程度的不断发展，电力系统安全稳定的内在机理变得愈发复杂，对电力系统进行安全分析和调控也变得更加困难。暂态电压稳定问题是很多大电网停电事故的主导因素，如何对暂态电压稳定性进行快速准确评估是电力系统安全评估领域的难题之一，其不仅是电力系统安全稳定运行出现的新的安全风险，更对电力系统安全稳定运行提出了更大的挑战。
[0003]基于机器学习方法的暂态电压稳定评估研究已经展开大量研究，人工神经网络(Artificial Neural Network,ANN)、SVM和DT等浅层机器学习模型已被广泛应用于暂态电压稳定评估的研究，虽然机器学习方法在上述研究中取得了较高的评估精度，但研究对象仅限于暂态功角稳定，而在暂态电压稳定评估方面却较少涉及。
[0004]用于电力系统暂态电压稳定评估的传统方法包括时域仿真法、直接法。时域仿真法在研究中被普遍采用，但受对象建模详细程度的影响较大，同时对计算仿真能力也有一定的要求；直接法是时域仿真法的重要补充，需要构造目标系统的能量函数，有着计算速度快、可以在线应用等特点。随着人工智能、大数据理论的发展成熟，机器学习方法也逐步在交直流电力系统安全稳定评估中获得应用。电网实际运行过程中，由于电网故障导致线路切除以及设备检修，使得电力系统拓扑变化频繁，而电力系统拓扑结构变化会对电力系统运行状态和暂态电压稳定造成极大影响。然而上述方法并未对电力系统拓扑关系进行研究。

技术实现思路

[0005]针对现有的对电力系统暂态电压稳定分析中未考虑电力系统拓扑结构变化，稳定分析不够准确、可靠的问题，本专利技术提出一种更加准确、可靠的进行电力系统暂态电压稳定性计算的方法，即一种基于图神经网络的电力系统暂态电压稳定性计算方法，包括如下步骤：
[0006]步骤1:构建交直流混合电力系统模型；
[0007]步骤2:模拟电力系统故障获取仿真数据；
[0008]步骤3:对电力系统故障时刻所有电气节点的电压幅值、相角以及节点注入有功、无功组成的特征数据矩阵中的数据进行标准化处理，标准化处理后的特征数据构成特征向量，与包含拓扑信息的邻接矩阵结合成为图数据；
[0009]步骤4:将图数据作为图神经网络模型的输入，电力系统暂态电压是否稳定的二维
标签作为输出，建立电力系统暂态电压稳定计算模型；
[0010]步骤5:将仿真数据按比例分为训练集、验证集、测试集，进行对步骤4的计算模型进行训练，选取准确率最高的分析模型作为最终计算模型对电力系统的暂态电压稳定性进行计算。
[0011]进一步，步骤2中，随机切除电力系统中的一条线路，改变电力系统拓扑，在不同的电力系统拓扑下，选取一条线路故障，在不同的初始化发电机出力及负荷出力情况下，进行仿真计算电力系统的潮流数据并记录。
[0012]更进一步，初始化发电机出力分别为80％、90％、100％、110％、120％初始出力，负荷出力为95％至105％。
[0013]进一步，故障设置为三相接地短路。
[0014]进一步，所选取的线路故障发生后，切除发生故障的线路，且在故障发生后0.15s切除故障线路。
[0015]进一步，步骤3中的图数据结构为：
[0016]G＝(X,A)
[0017]图G由数据节点集合v
i
∈X组成，其映射到高维特征空间f
G
→
f
*
，所得到的邻接矩阵表示为矩阵A为n
×
n矩阵，n为节点数。
[0018]进一步，步骤5的模型训练中，进行超参数寻优，找到准确率最高的超参数组合，从而得到最优的计算模型。
[0019]进一步，准确率计算方法为：其中公式右边的参数可通过暂态电压稳定评估混淆矩阵得到，其为：
[0020][0021]本专利技术的有益效果在于：本专利技术采用图卷积神经网络构建电力系统暂态电压稳定分析模型。图神经网络相比深度学习等其他机器学习在处理非欧数据上表现更加优秀，图数据的表达与电力系统信息表达相近。图神经网络将电力系统拓扑结构与电气信息相结合，考虑了电力系统拓扑变化，使得暂态电压稳定分析精确度更高。
具体实施方式
[0022]下面对实施例作详细说明。
[0023]步骤1：构建交直流混合电力系统模型。该系统模型为交直流电力系统领域常见的的交直流混合电力系统。同时收集交直流电力系统的网络参数和发电机出力、负荷分布。
[0024]步骤2：模拟电力系统故障获取仿真数据。
[0025]初始电力系统有N条线路，为全接线系统。为了充分构建出本专利技术的计算方法在不
同电力系统拓扑下有较高准确性，需获取不同系统拓扑下的仿真数据，即需要随机切除一条线路，改变电力系统拓扑为N
‑
1。
[0026]在不同的电力系统拓扑下，对线路故障进行仿真。
[0027]初始化发电机出力，分别为80％、90％、100％、110％、120％初始出力，负荷出力为95％至105％。在
[0028]选取一条线路故障，故障设置为三相接地短路。在上述电机初始出力的各种情况下，所选取的线路故障发生后，切除发生故障的线路。故障持续时间为t
d
，故障切除时间为t
c
。一般情况下，故障发生后很快切除故障线路，本专利技术中优选在故障发生后0.15s切除故障线路。然后分别在该条线路发生故障、在上述的电机不同初始和负荷出力的情况下电力系统的潮流。记录故障时刻电力系统节点数据、线路数据、暂态电压稳定情况。暂态电压失稳判据为：故障后暂态过程中母线电压下降持续低于0.75(标幺值)的时间不超过1s。
[0029]遍历各条线路故障后，得到各系统拓扑下的故障时刻电力系统节点数据、线路数据、暂态电压稳定情况。
[0030]步骤3：数据处理
[0031]电力系统故障时刻所有电气节点的电压幅值、相角，节点注入有功、无功组成的特征数据矩阵为X＝[V,θ,P,Q]T
，V、θ、P、Q分别指各电气节点电压、相角、注入有功、无功。将特征数据进行标准化：
[0032][0033]其中X
max
是样本数据最大值，X
min
为样本数据最小值。
[0034]标准化处理后的特征数据构成特征向量，与包含拓扑信息的邻接矩阵结合成为图数据。图数据结构义为：
[0035]G＝(X,A)(2)
[0036]其中，图G由数据节点集合x
i
∈X组成，其映射到高维特征空间f...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的电力系统暂态电压稳定性计算方法，其特征在于，包括如下步骤：步骤1:构建交直流混合电力系统模型；步骤2:模拟电力系统故障获取仿真数据；步骤3:对电力系统故障时刻所有电气节点的电压幅值、相角以及节点注入有功、无功组成的特征数据矩阵中的数据进行标准化处理，标准化处理后的特征数据构成特征向量，与包含拓扑信息的邻接矩阵结合成为图数据；步骤4:将图数据作为图神经网络模型的输入，电力系统暂态电压是否稳定的二维标签作为输出，建立电力系统暂态电压稳定性计算模型；步骤5:将仿真数据按比例分为训练集、验证集、测试集，进行对步骤4的计算模型进行训练，选取准确率最高的计算模型作为最终计算模型对电力系统的暂态电压稳定性进行计算。2.根据权利要求1所述的一种基于图神经网络的电力系统暂态电压稳定性计算方法，其特征在于，所述步骤2中，随机切除电力系统中的一条线路，改变电力系统拓扑，在不同的电力系统拓扑下，选取一条线路故障，在不同的初始化发电机出力及负荷出力情况下，进行仿真计算电力系统的潮流数据并记录。3.根据权利要求2所述的一种基于图神经网络的电力系统暂态电压稳定性计算方法，其特征在于，所述初始化发电机出力分别为80％、90％、100％、110％、120％...

【专利技术属性】
技术研发人员：乔骥，倪佳炜，赵紫璇，李家腾，史梦洁，王晓辉，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：