【技术实现步骤摘要】
电网静态安全风险的预测方法、装置、设备及存储介质
[0001]本专利技术属于电网薄弱环节辨识与分析
，涉及电网静态安全风险的预测方法、装置、设备及存储介质。
技术介绍
[0002]静态安全校核(Static Security Analysis，SSA)是电网规划、调度中的重要环节，是根据特定运行方式下的潮流，判断系统节点电压是否越限，线路、变压器等设备是否过载。在电网运行中通常需要满足在任何线路开断情况下不存在静态安全风险，随着新能源渗透率提高，新能源出力的时变性、不确定性会导致静态安全校核的场景增加。
[0003]数据驱动的静态安全校核模型，基于大量离线潮流样本对模型进行训练，在在线应用中实现电网静态安全风险秒级评估。在此基础上，图深度学习模型(GDL)根据电网拓扑节点和线路之间的连接关系，以图的形式提取电网静态特征，更加符合电网的物理实际。
[0004]电网每个节点拥有注入有功P、注入无功Q、电压幅值V和电压相角δ共4个潮流特征，可以选择这4个特征作为数据驱动模型的输入，在未经过交流潮流计算时，PQ...
【技术保护点】
【技术特征摘要】
1.一种电网静态安全风险的预测方法，其特征在于，所述方法包括：将第一电网节点潮流特征矩阵中缺失的潮流特征数据通过潮流特征掩码进行覆盖，获取第二电网节点潮流特征矩阵；所述第一电网节点潮流特征矩阵的行是电网节点，列是节点潮流特征，所述潮流特征包括注入有功、注入无功、电压幅值和电压相角；对所述第一电网节点潮流特征矩阵对应的邻接矩阵和所述第二电网节点潮流特征矩阵进行编码，将与节点邻接节点的潮流特征聚合至所述节点潮流特征，得到高维节点潮流特征矩阵；所述邻接矩阵为节点之间的连接关系，连接权重为节点之间线路的电纳；提取所述高维节点潮流特征矩阵中的节点特征，根据所述节点特征预测电网静态安全风险。2.根据权利要求1所述的电网静态安全风险的预测方法，其特征在于，所述方法还包括，获取邻接矩阵，所述邻接矩阵的行和列均为是电网节点，所述邻接矩阵中的元素为节点i和节点j之间的位置元素A
ij
，A
ij
为：其中，I为单位矩阵，B
ij
为节点i和节点j之间的电纳，为电网图结构中的线路集合，表示节点i和节点j之间存在线路连接。3.根据权利要求1所述的电网静态安全风险的预测方法，其特征在于，所述将第一电网节点潮流特征矩阵中缺失的潮流特征数据通过潮流特征掩码进行覆盖，包括：识别所述第一电网节点潮流特征矩阵中缺失潮流特征数据的位置和缺失潮流特征数据的类型；在所述位置填充缺失的潮流特征数据类型对应的所述潮流特征编码。4.根据权利要求1
‑
3任一项所述的电网静态安全风险的预测方法，其特征在于，所述方法还包括，获取潮流特征编码，具体为：定义每个潮流特征对应的掩码，将第一电网节点潮流特征矩阵训练集替换为对应的掩码，获取第二电网节点潮流特征矩阵训练集；将所述第一电网节点潮流特征矩阵训练集对应的邻接矩阵训练集和第二电网节点潮流特征矩阵训练集输入至带掩码图自编码器模型；所述带掩码图自编码器模型包括编码器和解码器，所述编码器将与节点邻接节点的潮流特征聚合至所述节点潮流特征，输出高维节点潮流特征矩阵至所述解码器，所述解码器将所述高维节点潮流特征矩阵向节点的电压幅值和电压相角拟合；根据拟合的电压幅值与实际电压幅值的误差、拟合的电压相角与实际电压相角的误差和预测静态安全风险与实际静态安全风险的误差优化所述编码器的内部参数和所述掩码；训练至所述带掩码图自编码器模型收敛时，删除带掩码图自编码器模型的解码器，得到的掩码为潮流特征掩码。5.根据权利要求4所述的电网静态安全风险的预测方法，其特征在于，所述邻接矩阵训练集和第二电网节点潮流特征矩阵训练集输入带掩码图自编码器模型前通过z
‑
score进行标准化处理，所述电纳进行归一化处理。6.根据权利要求4所述的电网静态安全风险的预测方法，其特征在于，所述拟合的电压
幅值与实际电压幅值的误差、拟合的电压相角与实际电压相角的误差通过均方损失函数MSELoss衡量；所述预测静态安全风险与实际静态安全风险的误差通过交叉熵损失函数CrossEntropyLoss衡量。7.根据权利要求4所述的电网静态安全风险的预测方法，其特征在于，所述提取所述高维节点潮流特征矩阵中的节点特征，根据所述节点特征预测电网静态安全风险，包括：将所述高维节点潮流特征矩阵输入图深度学习模型，所述图深度学习模型根据节点和节点连接之间的线路连接关系，提取节点特征；将提取的节点特征输入至下游网络，所述下游网络根据所述节点特征预测...
【专利技术属性】
技术研发人员：马遵，何鑫，李永哲，向川，陈勇，邓灿，许珂玮，卢孟林，邢超，奚鑫泽，和鹏，孟贤，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。