本发明专利技术公开了一种基于对偶图卷积网络的配电台区节点状态生成方法、装置及系统，所述配电台区节点状态生成方法包括：获取配电台区各节点的实时断面稀疏量测数据；将所述实时断面稀疏量测数据输送至预先训练好的DGCN模型中，得到完整的超分辨量测数据。本发明专利技术利用稀疏量测数据，通过预先训练好的DGCN模型生成缺失量测信息，提高配电网状态感知分辨率。提高配电网状态感知分辨率。提高配电网状态感知分辨率。
【技术实现步骤摘要】
基于对偶图卷积网络的配电台区节点状态生成方法、装置及系统
[0001]本专利技术属于电力系统状态监测领域，具体涉及一种基于对偶图卷积网络的配电台区节点状态生成方法、装置及系统。
技术介绍
[0002]大量分布式电源接入配电网，导致配电网结构更加复杂。准确、快速的运行状态感知，对于配电网安全、经济、低碳运行至关重要。400V台区下接入了越来越多的分布式电源、主动式负荷等新型元件，因而对400V台区的运行控制提出了新的要求。然而，400V台区下受资产管理、投资成本、状态多变等因素制约，难以向高电压等级电网一样大量装设测量设备，状态量测呈现布局不均、精度不足的特点，量测结果时空稀疏度高，从而难以把握400V台区的总体运行状态，对上述的运行控制造成不利影响。
[0003]目前，图神经网络(Graph Neural Networks，GNN)迅猛发展并广泛应用，而节点状态量测数据蕴含着丰富的图信息，属于非欧式空间的图数据。GNN的出现，能够充分挖掘图数据中隐藏的特征信息，恰好适配于配电台区节点状态的特征提取与深度学习训练。最终实现配电网量测最小化采集的状态实时感知。
技术实现思路
[0004]针对上述问题，本专利技术提出一种基于对偶图卷积网络的配电台区节点状态生成方法、装置及系统，利用稀疏量测数据，通过预先训练好的DGCN模型生成缺失量测信息，提高配电网状态感知分辨率。
[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基于对偶图卷积网络的配电台区节点状态生成方法，包括：
[0007]获取配电台区各节点的实时断面稀疏量测数据；
[0008]将所述实时断面稀疏量测数据输送至预先训练好的DGCN模型中，得到完整的超分辨量测数据；
[0009]其中，所述DGCN模型包括：局部一致性卷积层、全局一致性卷积层、第一激活函数、第二激活函数、第一损失计算模块、第二损失计算模块和聚合模块；
[0010]所述局部一致性卷积层、第一激活函数和第一损失计算模块顺次相连；所述第一损失计算模块的输入端还与DGCN模型接收到的量测数据相连；所述局部一致性卷积层的输入数据包括稀疏量测数据和配电台区拓扑状态中节点间邻接矩阵；
[0011]所述全局一致性卷积层、第二激活函数和第二损失计算模块顺次相连；所述第二损失计算模块的输入端还与所述第一激活函数的输出端相连；所述全局一致性卷积层的输入数据包括稀疏量测数据和正向点互信息矩阵；
[0012]所述聚合模块的输入端分别与所述第一损失计算模块和第二损失计算模块的输
出端相连，将局部一致性卷积层和全局一致性卷积层的卷积结果聚合起来。
[0013]可选地，实时断面稀疏量测数据包括欧式空间数据和非欧式空间数据；所述欧式空间数据的表达式为：
[0014][0015]式中，X表示量测矩阵；V
N
表示第N个节点量测电压幅值；表示第N个节点的量测电压相位；P
N
表示第N个节点的量测注入有功功率；Q
N
表示第N个节点的量测注入无功功率；
[0016]所述非欧式空间数据的表达式为：
[0017]G＝{n
N
,A}
[0018]式中，G表示配电台区拓扑状态；n
N
表示台区下第N个节点n，A表示配电台区拓扑状态中节点间邻接矩阵。
[0019]可选地，所述预先训练好的DGCN模型的训练方法包括：
[0020]将完整的历史节点断面量测数据X作部分缺失处理转化为
[0021]将配电台区拓扑状态中节点间邻接矩阵A加上单位阵，得到矩阵
[0022]将与矩阵输入至局部一致性卷积层中，提取出配电台区下节点拓扑结构的局部一致性信息；
[0023]将与正向点互信息矩阵输入至全局一致性卷积层中，提取出配电台区下节点拓扑结构的全局一致性信息；
[0024]将所述局部一致性信息和全局一致性信息分别送入第一激活函数和第二激活函数，输出节点状态量和节点状态量所述第一激活函数和第二激活函数均为Sigmoid函数；
[0025]将节点状态量与完整的历史节点断面量测数据X进行损失函数计算，得到L0(Conv
A
)；
[0026]将节点状态量和节点状态量进行损失函数计算，得到L
reg
(Conv
A
,Conv
p
)；
[0027]采用无监督损失函数将L0(Conv
A
)与L
reg
(Conv
A
,Conv
p
)聚合起来，输出能够衡量节点状态量与节点状态量之间的差异值；
[0028]通过不断迭代训练，直到节点状态量与节点状态量之间差异值达到最小，将此时的节点状态量作为DGCN模型的输出。
[0029]可选地，所述局部一致性卷积层对接收到的数据按照以下公式进行图卷积运算：
[0030][0031]式中，Z
A
为经局部一致性卷积层卷积后的信号矩阵；D为度矩阵；A为配电台区拓扑状态中节点间邻接矩阵；X表示完整的历史节点断面量测数据，为矩阵；Θ为卷积核参数矩阵；≈表示将矩阵加上单位阵。
[0032]可选地，所述全局一致性卷积层对接收到的数据按照以下公式进行图卷积运算：
[0033][0034]式中，Z
P
是经全局一致性卷积层卷积后的信号矩阵；P为正向点互信息矩阵；D
p
为P的对角度矩阵；为部分缺失量测输入矩阵，Θ为卷积核参数矩阵。
[0035]可选地，
[0036][0037]式中，表示节点状态量的第i行行向量；表示节点状态量的第i行向量。可选地，节点状态量与节点状态量之间的差异值的计算公式为：
[0038]L＝L0(Conv
A
)+λ(t)L
reg
(Conv
A
,Conv
P
)
[0039]式中，λ(t)为调节两部分损失的动态权重。
[0040]可选地，所述正向点互信息矩阵中的矩阵元素的表达式为：
[0041][0042][0043][0044][0045]式中，F
i,j
为频率矩阵，F
i,:
为F
i,j
的第i行的行向量，F
:,j
为F
i,j
的第j列的列向量。
[0046]第二方面，本专利技术提供了一种基于对偶图卷积网络的配电台区节点状态生成装置，包括：
[0047]获取模块，用于获取配电台区各节点的实时断面稀疏量测数据；
[0048]生成模块，用于将所述实时断面稀疏量测数据输送至预先训练好的DGCN模型中，得到完整的超分辨量测数据；
[0049]其中，所述DGCN模型包括：局部一致性卷本文档来自技高网...
【技术保护点】
【技术特征摘要】
(Conv
A
)；将节点状态量和节点状态量进行损失函数计算，得到L
reg
(Conv
A
,Conv
p
)；采用无监督损失函数将L0(Conv
A
)与L
reg
(Conv
A
,Conv
p
)聚合起来，输出能够衡量节点状态量与节点状态量之间的差异值；通过不断迭代训练，直到节点状态量与节点状态量之间差异值达到最小，将此时的节点状态量作为DGCN模型的输出。4.根据权利要求3所述的一种基于对偶图卷积网络的配电台区节点状态生成方法，其特征在于，所述局部一致性卷积层对接收到的数据按照以下公式进行图卷积运算：式中，Z
A
为经局部一致性卷积层卷积后的信号矩阵；D为度矩阵；A为配电台区拓扑状态中节点间邻接矩阵；X表示完整的历史节点断面量测数据，为矩阵；Θ为卷积核参数矩阵；≈表示将矩阵加上单位阵。5.根据权利要求3所述的一种基于对偶图卷积网络的配电台区节点状态生成方法，其特征在于，所述全局一致性卷积层对接收到的数据按照以下公式进行图卷积运算：式中，Z
P
是经全局一致性卷积层卷积后的信号矩阵；P为正向点互信息矩阵；D
p
为P的对角度矩阵；为部分缺失量测输入矩阵，Θ为卷积核参数矩阵。6.根据权利要求3所述的一种基于对偶图卷积网络的配电台区节点状态生成方法，其特征在于：特征在于：式中，表示节点状态量的第i行行向量；表示节点状态量的第i行向量。7.根据权利要求6所述的一种种基于对偶图卷积网络的配电台区节点状态生成方法，其特征在于，节点状态量与节点状态量之间的差异值的计算公式为：L＝L0(Conv
A
)+λ(t)L
reg
【专利技术属性】
技术研发人员：李宗源，陈谦，许潇文，刘莹，朱嘉傲，王姝莼，冯源，钱倍奇，牛应灏，
申请(专利权)人：河海大学，
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。