一种电网暂态稳定关键特征筛选方法、装置及系统制造方法及图纸

本发明专利技术公开了一种电网暂态稳定关键特征筛选方法、装置及系统，包括获取样本数据，样本数据包括图节点特征、邻接矩阵和边特征矩阵；构建神经网络模型，包括自注意力网络层与消息传递网络层；自注意力网络层用于计算图节点特征的自注意力权重系数，并筛选出关键图节点特征；利用筛选出的关键图节点特征、邻接矩阵和边特征矩阵，训练神经网络；基于训练好的神经网络模型，选择正确预测的样本计算图节点特征的自注意力权重系数均值，基于权重系数均值排序结果，筛选输出电网暂态稳定关键特征。本发明专利技术能计及电网不同位置故障后切线路导致的网络拓扑的变化，筛选出能反映电网稳定模式与本质的关键特征，仅通过少量关键特征即可进行暂态稳定评估。态稳定评估。态稳定评估。

【技术实现步骤摘要】
一种电网暂态稳定关键特征筛选方法、装置及系统


[0001]本专利技术属于电力系统分析
，具体涉及一种电网暂态稳定关键特征筛选方法、装置及系统。

技术介绍

[0002]随着高比例新能源接入、新型电力设备投入及联网规模扩大，电网运行复杂程度日益提高，监视电网运行情况、故障发生后对系统暂态稳定进行在线评估是实现系统实时稳定控制的前提。测量装置在电网中的进一步普及、高速通信网络的实现、特别是先进人工智能技术的发展，为系统在线稳定评估提供了实现的基础，目前有大量研究利用人工神经网络进行快速暂态稳定评估，通过深度神经网络分析电网运行特征与系统稳定状态之间的潜在映射关系。
[0003]但多电压等级的多级多区互联大电网，设备元件数量众多、运行状态特征数目庞大，给神经网络的模型训练带来了维度灾难，不仅耗费了大量的训练时间、降低了模型的泛化能力、削弱了模型的表现力，应用于实际电网也容易出现监测点过多、通信过于复杂、大量噪声引入等实际问题。因此，在庞大的系统运行特征量中筛选能够表征系统暂态稳定性的关键特征，通过这些少量的关键特征，既能全面描述系统运行状态又方便后续神经网络的训练，这是解决现实神经网络在线暂态稳定评估问题、制定安全稳定控制策略的关键。目前实际电网稳定控制系统多依据人工经验选择关键断面潮流作为系统运行关键特征，依此并针对特定单个故障制定安全稳定规则；不仅难以保证其准确性，也无法面对极端运行方式和预想故障以外的状况。因此，探索如何从海量的系统运行状态特征中，筛选能全面刻画系统运行方式与稳定状态的少量关键特征，提高深度神经网络进行暂态稳定评估的精度与面对各种故障的泛化能力，是亟需解决的问题。

技术实现思路

[0004]针对上述问题，本专利技术提出一种电网暂态稳定关键特征筛选方法、装置及系统，利用注意力机制在聚焦局部信息上的能力，进行关键图节点特征的发现与筛选；同时基于消息传递神经网络擅长描述属于非欧几里得空间的电网结构，适用于发掘与提取电网特征与模式并能泛化于拓扑结构变化的网络的特点，进行多种故障电网拓扑改变情况下，稳定关键特征的筛选与暂态稳定评估，能够提高神经网络暂稳评估的精度与泛化能力。
[0005]为了实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现：
[0006]第一方面，本专利技术提供了一种电网暂态稳定关键特征筛选方法，包括：
[0007]获取样本数据，所述样本数据包括图节点特征、邻接矩阵和边特征矩阵，所述图节点特征为电网系统稳定运行时的节点注入量，所述邻接矩阵为故障切线后的母线连接关系，所述边特征矩阵为支路连接和切线情况；
[0008]构建神经网络模型，所述神经网络模型包括顺次相连的自注意力网络层与消息传递网络层，所述自注意力网络层用于计算图节点特征的自注意力权重系数，并筛选出关键
图节点特征；
[0009]利用筛选出的关键图节点特征，以及样本数据中的邻接矩阵和边特征矩阵，训练所述神经网络模型；
[0010]基于训练好的神经网络模型，选择正确预测的样本，计算出正确预测的样本中各图节点特征的自注意力权重系数均值，基于自注意力权重系数均值的排序结果，筛选出电网暂态稳定关键特征。
[0011]可选地，所述图节点特征通过以下步骤获得：
[0012]将电网母线视作节点，提取电网系统稳定运行时各电网母线注入的有功/无功与电压幅值/相角，作为图节点特征n为电网系统中母线数量；
[0013]所述邻接矩阵的矩阵元素A
vw
表达式为：
[0014][0015]所述边特征矩阵的矩阵元素e
vw
的表达式为：
[0016][0017]可选地，所述获取神经网络模型步骤之前还包括：对获取到的样本数据，按物理量分类进行归一化预处理。
[0018]可选地，所述关键图节点特征的筛选方法包括以下步骤：
[0019]将样本数据中的所有图节点特征展平为长度为F的一维特征后，送入自注意力网络层；
[0020]利用所述自注意力网络层计算出各一维特征的自注意力权重系数，删除自注意力权重系数小于设定阈值的一维特征，并将保留的一维特征恢复为图节点特征，形成关键图节点特征。
[0021]可选地，所述自注意力权重系数的计算公式为：
[0022][0023][0024]其中，α
i
为第i个一维特征的自注意力权重系数，score
i
为第i个一维特征的注意力值；为自注意力网络层中全连接层FC
FL
的参数矩阵，以正态分布为初始化方式；
[0025]所述关键图节点特征通过以下步骤获得：
[0026]对保留的N个一维特征进行特征值修正，得到经过筛选的带有权重的N个一维特征：
[0027]x
i
＝x
i
'*α
i
[0028]并将保留的N个一维特征恢复为原图结构的图节点特征
[0029]可选地，所述利用筛选出关键图节点特征、邻接矩阵和边特征矩阵，训练所述神经
网络模型，包括以下步骤：
[0030]将筛选后的图节点特征，以及所述样本数据中的边特征矩阵和邻接矩阵，输入至消息传递网络层；
[0031]利用消息传递网络层中的消息传递函数M
t
‑1和节点更新函数U
t
‑1对关键图节点特征和边特征进行T个时间步的传递与更新，通过读出函数R，得到输出作为对样本是否稳定的预测值；
[0032]利用多批次、多轮次样本数据损失函数的反向传播，优化神经网络模型中各层的参数，完成神经网络模型的训练。
[0033]可选地，所述神经网络的损失函数的表达式为：
[0034][0035]其中，为关键图节点特征，V为全部关键图节点，表示训练集预测结果与真实分类结果y的交叉熵，var(
·
)计算方差，λ为自注意力网络层中全连接层FC
FL
的参数矩阵的方差在损失函数中的所占比例，为自注意力网络层中全连接层FC
FL
的参数矩阵，以正态分布为初始化方式。
[0036]可选地，所述消息传递函数M
t
‑1的表达式为：
[0037]M
t
‑1＝A0(e
vw
)h
wt
‑1，w∈N(v)
[0038]所述节点更新函数U
t
‑1的表达式为：
[0039][0040][0041]所述读出函数R的表达式为：
[0042][0043][0044]其中，A0(e
vw
)是基于节点v和其与邻居节点w之间的边特征的可学习的神经网络，是基于节点v当前时间步与最终时间步的特征的可学习的神经网络，是基于节点v最终时间步的特征的可学习的神经网络，T为消息传递阶段的时间步次数；GRU是门控循环神经网络；σ是sigmoid激活函数，是节点v的t
‑
1时间步的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网暂态稳定关键特征筛选方法，其特征在于，包括：获取样本数据，所述样本数据包括图节点特征、邻接矩阵和边特征矩阵，所述图节点特征为电网系统稳定运行时的节点注入量，所述邻接矩阵为故障切线后的母线连接关系，所述边特征矩阵为支路连接和切线情况；构建神经网络模型，所述神经网络模型包括顺次相连的自注意力网络层与消息传递网络层，所述自注意力网络层用于计算图节点特征的自注意力权重系数，并筛选出关键图节点特征；利用筛选出的关键图节点特征，以及样本数据中的邻接矩阵和边特征矩阵，训练所述神经网络模型；基于训练好的神经网络模型，选择正确预测的样本，计算出正确预测的样本中各图节点特征的自注意力权重系数均值，基于自注意力权重系数均值的排序结果，筛选出电网暂态稳定关键特征。2.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法，其特征在于：所述图节点特征通过以下步骤获得：将电网母线视作节点，提取电网系统稳定运行时各电网母线注入的有功/无功与电压幅值/相角，作为图节点特征n为电网系统中母线数量；所述邻接矩阵的矩阵元素A
vw
表达式为：所述边特征矩阵的矩阵元素e
vw
的表达式为：3.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法，其特征在于，所述获取神经网络模型步骤之前还包括：对获取到的样本数据，按物理量分类进行归一化预处理。4.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法，其特征在于：所述关键图节点特征的筛选方法包括以下步骤：将样本数据中的所有图节点特征展平为长度为F的一维特征后，送入自注意力网络层；利用所述自注意力网络层计算出各一维特征的自注意力权重系数，删除自注意力权重系数小于设定阈值的一维特征，并将保留的一维特征恢复为图节点特征，形成关键图节点特征。5.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法，其特征在于：所述自注意力权重系数的计算公式为：意力权重系数的计算公式为：其中，α
i
为第i个一维特征的自注意力权重系数，score
i
为第i个一维特征的注意力值；
为自注意力网络层中全连接层FC
FL
的参数矩阵，以正态分布为初始化方式；所述关键图节点特征通过以下步骤获得：对保留的N个一维特征进行特征值修正，得到经过筛选的带有权重的N个一维特征：x
i
＝x
i
'*α
i
并将保留的N个一维特征恢复为原图结构的图节点特征6.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法，其特征在于：所述利用筛选出关键图节点特征、邻接矩阵和边特征矩阵，训练所述神经网络模型，包括以下步骤：将筛选后的图节点特征，以及所述样本数据中的边特征矩阵和邻接矩阵，输入至消息传递网络层；利用消息传递网络层中的消息传递函数M
t
‑1和节点更新函数U
t
...

【专利技术属性】
技术研发人员：赖业宁，李兆伟，吴雪莲，李威，薛峰，王曼，陈凡，刘昀，赵美莲，
申请(专利权)人：南瑞集团有限公司南京工程学院，
类型：发明
国别省市：