【技术实现步骤摘要】
本专利技术涉及电网线损影响因子评估，特别是一种基于gcn-rvflnn的区域电网线损影响因子评估方法。
技术介绍
1、线损率是电力网络中线路损失负荷损耗的电能占向电力网络供应电能的百分数。对线损精细化管理可以显著的提高电力企业的经济效益，同时线损管理水平的高低与电力系统行业的经济效益休戚相关。
2、目前，传统的线损计算方法研究主要集中在三相不平衡、负荷类别等因素对线损的影响，并建立复杂的数学模型进行验证，然而传统的线损率计算方法精度低、计算速度慢、难以收敛甚至会出现不可行解；精准定量分析新能源对线损的影响规律依赖于高精度的线损率计算模型。因此，造成了含大规模新能源区域电网线损波动影响因素分析困难、降损计划收益较低的实际问题。图卷积神经网络(graph convolution network,gcn)是近几年逐渐兴起的一种神经网络，其高效的表达能力受到工程应用领域的广泛关注。图卷积神经网络是传统的卷积神经网络在非欧式空间的一种推广，能够高效处理传统神经网络不能读取和处理的图形式数据，在节点分类、链接预测、交通流量预测等领域已经取得了良好的应用效果。随机向量函数链神经网络(random vector functional link neural network,rvflnn)是一种随机权重网络模型，是一种隐藏层神经元的权值和偏置值随机产生的前馈型神经网络。
3、传统神经网络为了挖掘数据与标签之间更复杂的非线性关系，往往选择加深隐藏层，当隐藏层层数增加后，虽然可以表达更复杂的非线性映射关系，但是其参数复杂度大幅
技术实现思路
1、鉴于现有的基于gcn-rvflnn的区域电网线损影响因子评估方法中存在的问题，提出了本专利技术，通过图卷积神经网络处理电网运行状态数据并输出高维特征向量，通过随机向量函数链神经网络加强模型的表达能力，同时加快训练速度，在建立区域电网线损影响因子评估模型后，针对区域电网不同场景下的运行工况，定量分析风电、水电、光伏出力对线损的影响规律，为电网运维人员的线损评估工作提供支撑。
2、因此，本专利技术所要解决的问题在于如何提供一种基于gcn-rvflnn的区域电网线损影响因子评估方法。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于gcn-rvflnn的区域电网线损影响因子评估方法，其包括，获取电网实际运行数据，制作数据集，进行归一化处理，将数据集分为训练样本和测试样本；将gcn和rvflnn进行融合，构建gcn-rvflnn模型，对模型进行训练；将数据输入至模型中，得到线损率计算值，得出电网内不同线损影响因子作用下的线损率计算结果。
5、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：所述获取电网实际运行数据包括将电网节点代号输入到集合v，将线路即两节点连接关系输入到集合e，采用g(v,e)的图数据形式进行描述，其中，v为顶点集合，表示电力系统中的各个母线节点，e为边集合，表示电力系统中的所有线路，且隐含了顶点集合v中各母线节点的连接关系。
6、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：所述实际运行数据包括节点电压幅值相角、注入的有功无功功率、线路的有功无功潮流、阻抗、开关状态以及线路拓扑信息。
7、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：所述构建gcn-rvflnn模型具体包括，对拓扑关系的g(v，e)图卷积，对图卷积后的结果进行图池化，得到高维特征向量x；将随机向量函数链神经网络引入模型中，将输入层数据x通过非线性变换后转化为特征提取层z；将特征提取层数据z通过非线性变换后转化为特征增强层h；将特征提取层z和特征增强层h合并为矩阵a，通过非线性变换得到输出y。
8、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：所述gcn-rvflnn模型包括输入层由72个节点各自注入的有功无功功率、电压幅值相角拼接而成的72*4＝288维的高维向量，隐藏层为2层，维数分别为576、288维，输出层为1维，对应当前潮流状态的线损率，连接各层的激活函数为relu函数，学习率为0.01，迭代次数上限为500次。
9、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：所述进行训练具体包括，将训练样本数据输入到构建的gcn-rvflnn模型中，提取电网状态特征和线损率之间的非线性关系，输出预测值；根据预测值与数据标签之间的对比，更新gcn-rvflnn模型层的权重，直至模型收敛和达到训练次数上限，完成gcn-rvflnn模型训练。
10、作为本专利技术所述基于gcn-rvflnn的区域电网线损影响因子评估方法的一种优选方案，其中：模型评价指标包括平均误差mae和均方误差mse，相关计算公式如下：
11、
12、
13、式中，n为输出维度，ylabel,k表示第k个输出的真实值，ypre,k表示第k个输出的预测值。
14、第二方面，本专利技术实施例提供了一种基于gcn-rvflnn的区域电网线损影响因子评估系统，其包括：获取模块，用于获取电网实际运行数据，制作数据集，进行归一化处理，将数据集分为训练样本和测试样本；融合训练模块，用于将gcn和rvflnn进行融合，构建gcn-rvflnn模型，对模型进行训练；输出模块，用于将数据输入至模型中，得到线损率计算值，得出电网内不同线损影响因子作用下的线损率计算结果。
15、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于gcn-rvflnn的区域电网线损影响因子评估方法的任一步骤。
16、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于gcn-rvflnn的区域电网线损影响因子评估方法的任一步骤。
17、本专利技术有益效果为在策略处理后的数据基础上引入了gcn网络和rvflnn网络，构建了基于gcn-rvflnn的区域电网线损影响因子评估模型，gcn网络用来处理电网运行状态数据，rvflnn网络则处理gcn网络输出的高维特征向量，在加强模型的表达能力的同时加快了训练速度，计算精度本文档来自技高网...
【技术保护点】
1.一种基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：包括，
2.如权利要求1所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：所述获取电网实际运行数据包括将电网节点代号输入到集合V，将线路即两节点连接关系输入到集合E，采用G(V,E)的图数据形式进行描述，其中，V为顶点集合，表示电力系统中的各个母线节点，E为边集合，表示电力系统中的所有线路，且隐含了顶点集合V中各母线节点的连接关系。
3.如权利要求2所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：所述实际运行数据包括节点电压幅值相角、注入的有功无功功率、线路的有功无功潮流、阻抗、开关状态以及线路拓扑信息。
4.如权利要求3所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：所述构建GCN-RVFLNN模型具体包括，
5.如权利要求4所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：所述GCN-RVFLNN模型包括输入层由72个节点各自注入的有功无功功率、电压幅值相
6.如权利要求5所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：所述进行训练具体包括，
7.如权利要求6所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：模型评价指标包括平均误差MAE和均方误差MSE，相关计算公式如下：
8.一种基于GCN-RVFLNN的区域电网线损影响因子评估系统，基于权利要求1～7任一所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法，其特征在于：包括，
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1～8任一所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法的步骤。
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1～8任一所述的基于GCN-RVFLNN的区域电网线损影响因子评估方法的步骤。
...【技术特征摘要】
1.一种基于gcn-rvflnn的区域电网线损影响因子评估方法，其特征在于：包括，
2.如权利要求1所述的基于gcn-rvflnn的区域电网线损影响因子评估方法，其特征在于：所述获取电网实际运行数据包括将电网节点代号输入到集合v，将线路即两节点连接关系输入到集合e，采用g(v,e)的图数据形式进行描述，其中，v为顶点集合，表示电力系统中的各个母线节点，e为边集合，表示电力系统中的所有线路，且隐含了顶点集合v中各母线节点的连接关系。
3.如权利要求2所述的基于gcn-rvflnn的区域电网线损影响因子评估方法，其特征在于：所述实际运行数据包括节点电压幅值相角、注入的有功无功功率、线路的有功无功潮流、阻抗、开关状态以及线路拓扑信息。
4.如权利要求3所述的基于gcn-rvflnn的区域电网线损影响因子评估方法，其特征在于：所述构建gcn-rvflnn模型具体包括，
5.如权利要求4所述的基于gcn-rvflnn的区域电网线损影响因子评估方法，其特征在于：所述gcn-rvflnn模型包括输入层由72个节点各自注入的有功无功功率、电压幅值相角拼接而成的72*4＝288维的高维向量，隐藏...
【专利技术属性】
技术研发人员：陈凌，韩伟，宋云飞，杨东升，景绍学，何广眀，石慧，黄玉辉，
申请(专利权)人：淮阴师范学院，
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。