一种基于图卷积神经网络的分布式光伏电压控制方法技术

本申请实施例提供一种基于图卷积神经网络的分布式光伏电压控制方法，包括：根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A；将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类，得到配电网节点分类序列和配电网边分类序列；基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区，实现分布式光伏电压控制区域的划分；本申请根据相邻节点之间的电气量信息特征相关性对电压越限节点进行有效分类和判断，实现电压越限节点的准确识别；同时，充分发挥图卷积神经网络的图谱信息识别优势，可以对电压越限节点关联线路进行识别和划分，从而识别电压控制区域。从而识别电压控制区域。从而识别电压控制区域。

【技术实现步骤摘要】
一种基于图卷积神经网络的分布式光伏电压控制方法


[0001]本申请属于分布式光伏电压控制的
，具体涉及一种基于图卷积神经网络的分布式光伏电压控制方法。

技术介绍

[0002]分布式光伏发电是最具发展潜力的新能源发电形式之一。2021年我国开始进行整县式光伏试点县建设，极大加快了分布式光伏的发展速度。分布式光伏大规模接入配电网后，传统的配电网向有源配电网逐渐转变。但由于分布式光伏出力具有随机性、波动性和间歇性等特点，因此大规模的分布式光伏并网对系统的运行控制产生了较大的影响，其中最为突出的问题是线路潮流特性的变化，导致了局部电压的抬高甚至越限。因此，电压稳定成为分布式光伏安全稳定运行的关键问题。
[0003]目前，分布式光伏电压控制主要有三种手段：有功削减、无功调整以及其他设备参与调压。由于分布式光伏逆变器额定容量大于其额定有功功率（约为1.05~1.1倍），因此，分布式光伏具有一定的电压控制能力，所以，应该首先采用分布式光伏自身调节能力进行电压控制，最后考虑其他设备参与电压调节。分布式光伏逆变器的有功削减是指电压越限后，按照预先设置的有功削减曲线减少有功出力，实现电压控制，但该方法增加了“弃光率”，违背“应发尽发”的原则，因此采用分布式光伏逆变器的无功裕度进行电压控制成为主要手段。
[0004]针对分布式光伏电压控制研究主要集中在两个方面，第一个方面主要从分布式光伏的就地控制着手，主要针对单个分布式光伏展开研究，对逆变器的并网运行方式进行改进，或者基于其接入位置的电压变化规律提出电压控制策略，就地控制的局限性较大，专一的控制策略无法适用于所有分布式光伏，而且调节能力有限；第二个方面是集中控制，即考虑通过充分调动分布式光伏集群无功控制的优势实现电压稳定，该方法需要采用每个分布式光伏节点电压对电网潮流的灵敏度进行电压感知，电压灵敏度的计算需要依赖于潮流计算生成雅可比矩阵进行计算，计算复杂，且需要不断迭代更新，对硬件计算性能要求较高，而且存在精度较低的弊端，尽管随着深度学习算法的发展，可以基于深度学习进行雅可比矩阵的计算和关系函数的拟合，但仍需要通过不断的离线计算对雅可比矩阵进行更新，同时，雅可比矩阵的更新需要计算建立合理的电压扰动模型来实现，增加了电压控制的复杂程度。

技术实现思路

[0005]为了解决上述技术缺陷之一，本申请实施例中提供了一种基于图卷积神经网络的分布式光伏电压控制方法，能够解决电力系统配电网分布式光伏接入引起的电压越限问题，从而有效提升配电网电压合格率。
[0006]为了解决上述技术问题，本申请采用的技术方案为：一种基于图卷积神经网络的分布式光伏电压控制方法，包括：
根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A，将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边；每个所述节点的特征向量包括节点电压、有功功率、无功功率和可调无功容量；将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类，得到配电网节点分类序列和配电网边分类序列；基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区，实现分布式光伏电压控制区域的划分。
[0007]优选地，所述节点可调无功容量的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式（1）中，为第j个分布式光伏节点的可调无功容量，为第j个分布式光伏逆变器容量，为第j个分布式光伏节点的发电有功功率。
[0008]优选地，所述根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A具体包括：采用节点线电压、注入功率、节点无功以及该分布式光伏节点的可调无功容量作为每个配电网节点的特征向量，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式（2）中，表示节点j的输入特征向量，表示节点j的电压，表示节点j的注入有功功率，表示节点j的无功功率，表示节点j的可调无功容量；根据节点特征向量构建配电网节点特征矩阵X： （3）式（3）中，节点特征矩阵X为n
×
4阶矩阵，n为配电网节点数目；通过式（4）对节点特征矩阵X进行归一化处理：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（4）中，为节点特征矩阵X中某元素，、为该类元素数据的最大值和
最小值， 为该元素归一化处理后的元素；节点特征矩阵X归一化处理后的矩阵记作：
ꢀꢀꢀ
（5）式（5）中，归一化处理后的数据。
[0009]优选地，所述邻接矩阵A用来描述节点和边的连接关系，若节点i与节点j之间有边联系，则矩阵A中第i行的第j个元素即为1，否则为0，则邻接矩阵A为n
×
n阶矩阵，n为节点数目。
[0010]优选地，所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类，得到配电网节点分类序列和配电网边分类序列，具体包括：建立图卷积神经网络模型的输入层，将归一化处理后的配电网节点特征矩阵X*和邻接矩阵A作为图卷积神经网络模型的输入层，输入层神经元数目为4；建立图卷积神经网络模型的隐藏层，隐藏层设置两层卷积层，基于空间域进行卷积计算，采用池化聚合算法进行节点及邻接节点特征的提取和识别；所述隐藏层之间的特征聚合传递函数为： （6）式（6）中，为第层中对节点的特征聚合结果，其中aggregate为池化聚合函数，为节点的邻接节点集合，其中，节点属于的邻接节点，为第层卷积网络对其邻接节点的聚合结果作为层的输入；节点的特征提取由第层和层的特征在其原维度上进行横向拼接组成，即：
ꢀꢀ
（7）式（7）中，为第层的特征提取值，为学习参数全中国矩阵，为拼接函数，为第层的特征提取值；聚合函数采用池化聚合函数，该函数取邻接节点通过全连接层的最大值作为聚合结果：
（8）式（8）中，为池化函数权值矩阵，b为相应偏置矩阵，实现第层卷积层对节点的邻接节点节点的聚合计算输出结果的输出变换，矩阵参数W表示该特征量提取的权重，σ为激活函数，为图卷积神经网络模型的池化聚合函数；建立图卷积神经网络模型的全连接层，所述全连接层连接隐藏层和输出层，用于对节点特征向量进行最终提取：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）式（9）中，为全连接层的权值矩阵，为全连接层偏置矩阵，矩阵参数表示输出结果的贡献度，为池化输出后的节点特征向量；建立图卷积神经网络模型的输出层，所述输出层采用softmax分类器用于输出结果的分类和输出，将节点特征向量通过Softmax分类器进行分类，输出节点的分类，计算公式为：
ꢀꢀꢀ
（10）式（10）中，q表示节点状态类型，q=3；表示第个输入样本数据序列，表示第个输入样本数据对应的分类结果标签值，表示第个样本数据对应各类输出结果的概率值，θ为softmax网络的内置参数；所述softmax分类器的交叉损失熵函数设置为： （11）式（11）中，E为softmax分类器的损失函数，M为训练样本个数，q为节点状态类型，q=3；为输入样本为时的输出，表示第个样本的目标输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积神经网络的分布式光伏电压控制方法，其特征在于，包括：根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A，将配电网分布式光伏接入节点和线路映射至图卷积神经网络中的节点和边；每个所述节点的特征向量包括节点电压、有功功率、无功功率和可调无功容量；将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类，得到配电网节点分类序列和配电网边分类序列；基于节点逐次遍历方法对配电网节点分类序列和配电网边分类序列进行节点和边的分区，实现分布式光伏电压控制区域的划分。2.根据权利要求1所述的一种基于图卷积神经网络的分布式光伏电压控制方法，其特征在于，所述节点可调无功容量的计算公式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）式（1）中，为第j个分布式光伏节点的可调无功容量，为第j个分布式光伏逆变器容量，为第j个分布式光伏节点的发电有功功率。3.根据权利要求2所述的一种基于图卷积神经网络的分布式光伏电压控制方法，其特征在于，所述根据配电网节点的历史潮流数据建立节点特征矩阵X及配电网的邻接矩阵A具体包括：采用节点线电压、注入功率、节点无功以及该分布式光伏节点的可调无功容量作为每个配电网节点的特征向量，即：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）式（2）中，表示节点j的输入特征向量，表示节点j的电压，表示节点j的注入有功功率，表示节点j的无功功率，表示节点j的可调无功容量；根据节点特征向量构建配电网节点特征矩阵X：
ꢀꢀ
（3）式（3）中，节点特征矩阵X为n
×
4阶矩阵，n为配电网节点数目；通过式（4）对节点特征矩阵X进行归一化处理：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）式（4）中，为节点特征矩阵X中某元素，、为该类元素数据的最大值和最小值， 为该元素归一化处理后的元素；节点特征矩阵X归一化处理后的矩阵记作：
ꢀꢀꢀꢀ
（5）式（5）中，归一化处理后的数据。4.根据权利要求3所述的一种基于图卷积神经网络的分布式光伏电压控制方法，其特征在于，所述邻接矩阵A用来描述节点和边的连接关系，若节点i与节点j之间有边联系，则矩阵A中第i行的第j个元素即为1，否则为0，则邻接矩阵A为n
×
n阶矩阵，n为节点数目。5.根据权利要求4所述的一种基于图卷积神经网络的分布式光伏电压控制方法，其特征在于，所述将节点特征矩阵X和邻接矩阵A通过图卷积神经网络对节点和边进行分类，得到配电网节点分类序列和配电网边分类序列，具体包括：建立图卷积神经网络模型的输入层，将归一化处理后的配电网节点特征矩阵X*和邻接矩阵A作为图卷积神经网络模型的输入层，输入层神经元数目为4；建立图卷积神经网络模型的隐藏层，隐藏层设置两层卷积层，基于空间域进行卷积计算，采用池化聚合算法进行节点及邻接节点特征的提取和识别；所述隐藏层之间的特征聚合传递函数为：
ꢀꢀ
（6）式（6）中，为第层中对节点的特征聚合结果，其中aggregate为池化聚合函数，为节点的邻接节点集合，其中，节点属于的邻接节点，为第层卷积网络对其邻接节点的聚合结果作为层的输入；节点的特征提取由第层和层的特征在其原维度上进行横向拼接组成，即：
ꢀꢀꢀ
（7）式（7）中，为第层的特征提取值，为学习参数全中国矩阵，为拼
接函数，为第层的特征提取值；聚合函数采用池化聚合函数，该函数取邻接节点通过全连接层的最大值作为聚合结果：（8）式（8）中，为池化函数权值矩阵，b为相应偏置矩阵，实现第层卷积层对节点的邻接节点节点的聚合计算输出结果的输出变换，矩阵参数W表示该特征量提取的权重，σ为激活函数，为GCN模型的池化聚合函数；建立图卷积神经网络模型的全连接层，所述全连接层连接隐藏层和输出层，用于对节点特征向量进行最终提取：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（9）式（9）中，为全连接层的权值矩阵，为全连接层偏置矩阵，矩阵参数表示输出结果的贡献度，为池化输出后的节点特征向量；建立图卷积神经网络模型的输出层，所述输出层采用softmax分类器用于输出结果的分类和输出，...

【专利技术属性】
技术研发人员：姬玉泽，陈文刚，田瑞敏，李海燕，王新瑞，朱剑飞，刘贺龙，赵赫，许泳涛，卫栋，徐国斌，
申请(专利权)人：国网山西省电力公司晋城供电公司，
类型：发明
国别省市：