System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统分析,具体为基于半监督图神经网络的电力设备影响度评估方法及系统。
技术介绍
1、电力系统是现代社会不可或缺的基础设施,其运行状态直接关系到人们的日常生活和社会的正常运行。电力设备如发电站、变电站、输电线等是电力系统的关键组成部分。它们的工作状况将决定电力系统的稳定性和可靠性。而针对电力设备的影响度进行评估,可以指导电网运行管理,提高系统稳定性。通过评估确定关键设备,优化调度方案,针对重要设备提高监控和保护级别,引导设备维护保养。评估结果可以用于制定设备维护计划,对重要设备增加维护力度,规避故障。引导设备维护保养。评估结果可以用于制定设备维护计划,对重要设备增加维护力度,规避故障。因此,在提高电网稳定性与设备管理方面具有重要意义。
2、然而,目前设备影响度评估方法研究较少,一般基于单个设备的物理属性特征、运行状态数据构建影响度评估规则,而电力系统是一个大规模的复杂网络系统,包含了大量的变压器、开关、线路等设备。这些设备之间存在复杂的物理耦合和互联关系。因而传统方法忽略设备间的互联性与动态变化,往往无法充分捕捉电力系统的复杂性和动态性。此外,这些方法往往无法适应电力系统的实时变化,无法提供即时的设备影响度评估。
3、为了解决这些问题,提出了一种基于图神经网络(gnn)的电力设备影响度评估方法。这种方法能够充分利用电力系统的拓扑信息和设备的多维度特征,实现对电力设备影响度的实时评估。
技术实现思路
1、鉴于上述存在的问题,提出了本专利技术。<
...【技术保护点】
1.一种基于半监督图神经网络的电力设备影响度评估方法,其特征在于,包括:
2.如权利要求1所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述采集电力系统设备信息包括采集电力系统中的设备拓扑信息、设备类型、容量、阻抗、功率、电压、电流、频率、故障历史、重要性信息、操作记录和环境因素。
3.如权利要求1或2所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述构建电力系统无向图包括原生电力系统表示为图,变压器、负荷、发电厂以及输电线缆为节点,输电线缆的实际链接关系为边,连接整个输配电网络,生成电力系统无向图,根据设备自身属性、设备负载属性、设备维护属性、设备故障属性、设备位置属性构建节点影响度特征向量。
4.如权利要求3所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述整合并统一特征向量包括进行特征向量嵌入,根据设备的类型将设备分成电机组、变压器组以及开关组,对组内参数统一化,对于组内的同类型设备,使用最小-最大归一化方法,将设备参数值映射到区间[0,1],消除量纲影响,提取参数的均值、方差、最大值
5.如权利要求4所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述基于图神经网络构建模型进行影响度输出包括构建多层的GraphSAGE网络,输入层接收设备表示向量,中间层使用采样和聚合,学习节点的高阶邻居特征,设备表示向量表示为:
6.如权利要求5所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述基于图神经网络构建模型进行影响度输出还包括引入残差连接,引入注意力机制,赋予邻居不同权重,残差连接表示为:
7.如权利要求6所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述输出层得到设备影响度包括收集设备的属性数据,建立设备属性的相关性邻接矩阵A,Aij表示设备i的属性j与影响度的相关性,表示为:
8.一种采用如权利要求1~7任一所述的基于半监督图神经网络的电力设备影响度评估方法的系统,其特征在于:包括数据采集处理模块,特征提取模块,图神经网络输出模块,评估处理模块;
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于半监督图神经网络的电力设备影响度评估方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于半监督图神经网络的电力设备影响度评估方法的步骤。
...【技术特征摘要】
1.一种基于半监督图神经网络的电力设备影响度评估方法,其特征在于,包括:
2.如权利要求1所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述采集电力系统设备信息包括采集电力系统中的设备拓扑信息、设备类型、容量、阻抗、功率、电压、电流、频率、故障历史、重要性信息、操作记录和环境因素。
3.如权利要求1或2所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述构建电力系统无向图包括原生电力系统表示为图,变压器、负荷、发电厂以及输电线缆为节点,输电线缆的实际链接关系为边,连接整个输配电网络,生成电力系统无向图,根据设备自身属性、设备负载属性、设备维护属性、设备故障属性、设备位置属性构建节点影响度特征向量。
4.如权利要求3所述的基于半监督图神经网络的电力设备影响度评估方法,其特征在于:所述整合并统一特征向量包括进行特征向量嵌入,根据设备的类型将设备分成电机组、变压器组以及开关组,对组内参数统一化,对于组内的同类型设备,使用最小-最大归一化方法,将设备参数值映射到区间[0,1],消除量纲影响,提取参数的均值、方差、最大值以及最小值代表该组的特征,重复操作,得到每组设备参数统计特征,构成特征子向量代表设备类型,将设备组的特征子向量拼接起来,形成最后的特征向量,代表全体设备的参数,对拼接的全向量进行标准化作为图神经网络模型的输入。
5.如权利要求4所述的...
【专利技术属性】
技术研发人员:易立,毛宇,邓楚杭,赵筑雨,吴显锋,
申请(专利权)人:南方电网供应链贵州有限公司,
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。