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方案

技术编号：39957430 阅读：5 留言：0更新日期：2024-01-08 23:46

本发明专利技术公开了一种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，涉及电力系统分析技术领域，包括：采集电力系统设备信息并构建电力系统无向图；整合并统一特征向量，获得表达设备影响度相关因素的结构化特征向量；基于图神经网络构建模型进行影响度输出。本发明专利技术提供的基于半监督图神经网络的电力设备影响度评估方法基于节点属性与影响度相关性的先验，将属性与影响度相关性引入到损失函数中，以约束和引导影响度评估的结果，使其与属性值相关性一致。输入系统内全部设备信息，根据全部设备的多种参数训练模型，使评估结果具有全面性和动态性，并且输出结果考虑设备之间的相互作用关系和关联性。

全部详细技术资料下载

【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。</p>

2、因此，本专利技术解决的技术问题是：现有的电力设备影响度评估方法存在评估依据单一，忽略设备间的互联性，以及如何充分捕捉电力系统动态性的优化问题。

3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于半监督图神经网络的电力设备影响度评估方法，包括：采集电力系统设备信息并构建电力系统无向图；整合并统一特征向量，获得表达设备影响度相关因素的结构化特征向量；基于图神经网络构建模型进行影响度输出。

4、作为本专利技术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一种优选方案，其中：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。

5、作为本专利技术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一种优选方案，其中：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。

6、作为本专利技术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一种优选方案，其中：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。

7、作为本专利技术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一种优选方案，其中：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：

8、

9、其中，为节点v在第l层的特征向量，σ表示sigmoid激活函数，w(l)表示第l层转换节点特征权重矩阵，n(v)表示节点v的邻居集合，u表示v的邻居节点，为节点u在第l层的特征向量，concat表示连接操作。

10、作为本专利技术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一种优选方案，其中：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：

11、

12、注意力权重表示为：

13、

14、其中，为和v节点同一层的非邻居节点的特征向量，a表示权重向量，计算注意力权重后通过加权聚合邻居节点更新节点向量，表示为：

15、

16、输入节点代表设备的参数，输出层得到设备影响度。

17、作为本专利技术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一种优选方案，其中：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：

18、aij＝corr(xi,yj)

19、其中，xi是设备i的属性特征，yj是设备j的影响度评估结果，根据相关性邻接矩阵对影响度进行正则化处理，表示为：

20、l＝l0+λ·||y-ax||2

21、

22、其中，λ为正则化强度参数。

23、本专利技术的另外一个目的是提供一种基于半监督图神经网络的电力设备影响度评估系统，其能通过基于节点属性与影响度相关性的先验，将属性与影响度相关性引入到损失函数中，以约束和引导影响度评估的结果，解决了目前的检验结果精度不足的问题。

24、作为本专利技术所述的基于半监督图神经网络的电力设备影响度评估系统的一种优选方案，其中：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；所述数据采集处理模块用于收集电力系统中的设备信息并进行处理统计；所述特征提取模块根据采集到的数据构建电力系统无向图，通过无向图对设备数据进行特征提取；所述图神经网络输出模块使用多层的graphsage网络进行模型构建，引入残差连接和注意力机制，使用专家打分法对边缘节点进行标注，使用标注数据对模型进行半监督学习；所述评估处理模块图神经网络模型对设备的影响度进行评估，并进行正则化处理。

25、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是实现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。

26、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。

27、本专利技术的有益效果：本专利技术提供的基于半监督图神经网络的电力设备影响度评估方法基于节点属性与影响度相关性的先验，将属性与影响度相关性引入到损失函数中，以约束和引导影响度评估的结果，使其与属性值相关性一致。输入系统内全部设备信息，根据全部设备的多种参数训练模型，使评估结果具有全面性和动态性，并且输出结果考虑设备之间的相互作用关系和关联性。本专利技术在准本文档来自技高网...

【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。

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：

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：

全部详细技术资料下载我是这个专利的主人