本发明专利技术提出了一种基于图卷积神经网络的电压暂降评估方法，采用图卷积神经网络作为数据挖掘手段，发挥图卷积神经网络自带网络特性的优点，充分提取网架结构信息和节点特征信息，能够快速准确地预测电网电压暂降风险大小；并增加图池化技术，将特征信息压缩为固定维度，防止模型发生过拟合，同时本文所提方法可以预测拓扑变化后的电压暂降风险，及时发出预警信号，使电力公司提前做好电压暂降治理措施，以减少用户的经济损失。
【技术实现步骤摘要】
本专利技术涉及电压暂降评估，特别是基于图卷积神经网络的电压暂降评估方法。
技术介绍
1、传统的电压暂降风险预测模型大多是采用蒙特卡罗故障仿真的方法，该方法基于电网的拓扑结构，通过在各节点、线路上设置故障，利用故障计算得到电压暂降特征值。然而随着电网规模不断扩大以及电力设备的不断更新，电网拓扑结构更加复杂，故障位置、故障类型以及故障概率等更加多样化，导致传统电压暂降预测方法计算周期长，准确性下降，实用性不高。并且网架结构或者负荷出力改变后，旧模型无法适用，需要重新输入网架及出力信息，再次进行训练，耗时长效率低，因此传统的电压暂降风险预测模型还需进一步改进。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于图卷积神经网络的电压暂降评估方法，实现快速、精确地预测电压暂降风险。
2、为实现上述目的，本专利技术采用如下技术方案：基于图卷积神经网络的电压暂降评估方法，包括以下步骤；
3、步骤1，利用基于蒙特卡洛法的暂降随机仿真计算得到不同拓扑结构、不同运行方式下的电压暂降仿真数据；
4、步骤2，对数据进行预处理，将电压暂降数据量化、标准化后存入电压暂降数据库，并将该数据和网架邻接矩阵作为模型的输入，将对应的残余电压幅值作为模型的输出；
5、步骤3，构建图卷积神经网络模型后，利用训练集进行模型训练，采用mse计算预测结果偏差值，对模型参数进行反向传播以优化模型参数；将测试集输入模型，求出预测误差，在误差范围内则说明模型正确；
>6、步骤4，利用输出残余电压幅值预测结果及不同用户的暂降耐受特性划分暂降预警级别，选用电压暂降幅值严重性指标msi表征电压暂降事件风险水平，完成电压暂降风险预警。7、在一较佳的实施例中，步骤2中，采用均值归一化对数据进行标准化处理，公式如下：
8、
9、其中x*表示标准化后的数值，x表示标准化之前的数值，x表示样本数据中的平均值，σ表示样本数据中的方差；
10、数据处理完毕后，存入电压暂降数据库；每个电压暂降数据是以一次故障为单位，以图数据的形式保存及输入，数据包括节点特征数据、网架结构数据、节点标签；建立起电压暂降风险预测数据库对电压暂降数据进行储存，以便于模型对数据的调用。
11、在一较佳的实施例中，步骤3中，以图卷积神经网络gcn作为数据挖掘手段，利用电压暂降数据库中的数据对gcn神经网络进行训练，图卷积神经网络模型层与层之间的方式如下：
12、
13、式中：h(l)表示当所有阶段在l层的电压暂降特征向量矩阵，h(l+1)表示所有经过一次卷积操作之后的电压暂降特征向量矩阵；a为电网网架结构对应的邻接矩阵，i为单位矩阵；为的度矩阵,w(l)为随机初始化权重；δ为某个激活函数，选择relu函数作为激活函数。
14、在一较佳的实施例中，步骤3中，在图卷积层后添加图池化层技术，先通过式(3)利用节点电压暂降信息对节点进行重要性打分，通过式(4)-(5)根据评分结果仅保留固定个数的节点信息，并且通过式(7)-(9)在图池化实施过程中引入互注意力机制，将低分节点的信息聚合到高分节点上，防止信息丢失严重，最后输出处理后的电压暂降节点特征xout*；图池化操作将图结构从不同维度转化为固定维度，从而使训练模型能够应对拓扑变化后的电网结构，防止模型过拟合发生；
15、
16、式中：δ为激活函数，x为h(0)即输入电压暂降特征矩阵，θ为节点自注意力参数；
17、xout＝x+⊙f+ (4)
18、
19、式中：⊙表示按元素相乘，x+、f+分别表示前k各节点i+的特征向量和得分，为前k个节点i+之间的邻接矩阵；
20、
21、
22、attention(q,k,v)＝softmax(qkt)v (8)
23、xout*＝x+⊙f++multihead(x+,x-,x-) (9)
24、式中：x-为低分节点的特征向量，q为查询函数，k为键矩阵，v为值矩阵，h为注意力头的数量，e0，为可学习的参数矩阵。
25、在一较佳的实施例中，步骤3中，在建立好图卷积神经网络模型后，将节点特征信息和网架结构信息作为模型的输入，节点残余电压作为模型输出；同时将数据划分为训练集和测试集，使用训练集的数据进行训练，经过多层图卷积神经网络输出残余电压幅值预测值，通过计算预测值与实际值之间的损失函数，以均方误差mse作为损失函数，对模型参数进行反向传播，调整模型参数，以获得损失函数的最小值，当损失函数满足要求或达到预设的迭代次数时，训练结束；然后将测试集输入模型，求出预测误差，在误差范围内则说明模型正确；
26、
27、并且由于图池化层可以生成固定维数的低维特征表示，可以预测拓扑变化之后的电网电压暂降预测，只需将其节点特征量化、标准化之后输入训练好的模型，就可以直接输出节点残余电压幅值，实时预测拓扑变化后的电压暂降。
28、在一较佳的实施例中，步骤4中，利用输出残余电压幅值预测结果及不同用户的暂降耐受特性划分暂降预警级别，选用电压暂降幅值严重性指标msi表征电压暂降事件风险水平，完成电压暂降风险预警；
29、
30、式中：为残余电压幅值的标幺值，umax与umin为敏感设备广义耐受曲线中不确定区域内残余电压幅值的最大值和最小值；
31、计算得到msi后，参照用户受影响情况对msi进行区间划分，将暂降风险分为轻度、中度、重度三个等级。
32、与现有技术相比，本专利技术具有以下有益效果：本专利技术提出了一种基于图卷积神经网络的电压暂降评估方法，可以实现对复杂大电网的电压暂降风险预测评估。该方法对现有的风险预警方法进行了优化：利用图卷积神经网络作为电压暂降数据挖掘手段，能够更有效地提取网架结构信息和节点特征信息，实现快速、精确地预测电压暂降风险，并且能够应对线路运行方式、网架拓扑变化后电压暂降风险预测，使得在线路故障、电网维修、发电厂开停机等众多情况下能够及时预测电压暂降风险，以便电网侧和用户侧能够快速展开电压暂降治理，减少由于电压暂降造成的损失。
本文档来自技高网...
【技术保护点】
1.基于图卷积神经网络的电压暂降评估方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤2中，采用均值归一化对数据进行标准化处理，公式如下：
3.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤3中，以图卷积神经网络GCN作为数据挖掘手段，利用电压暂降数据库中的数据对GCN神经网络进行训练，图卷积神经网络模型层与层之间的方式如下：
4.根据权利要求3所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤3中，在图卷积层后添加图池化层技术，先通过式(3)利用节点电压暂降信息对节点进行重要性打分，通过式(4)-(5)根据评分结果仅保留固定个数的节点信息，并且通过式(7)-(9)在图池化实施过程中引入互注意力机制，将低分节点的信息聚合到高分节点上，防止信息丢失严重，最后输出处理后的电压暂降节点特征Xout*；图池化操作将图结构从不同维度转化为固定维度，从而使训练模型能够应对拓扑变化后的电网结构，防止模型过拟合发生；
5.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤3中，在建立好图卷积神经网络模型后，将节点特征信息和网架结构信息作为模型的输入，节点残余电压作为模型输出；同时将数据划分为训练集和测试集，使用训练集的数据进行训练，经过多层图卷积神经网络输出残余电压幅值预测值，通过计算预测值与实际值之间的损失函数，以均方误差MSE作为损失函数，对模型参数进行反向传播，调整模型参数，以获得损失函数的最小值，当损失函数满足要求或达到预设的迭代次数时，训练结束；然后将测试集输入模型，求出预测误差，在误差范围内则说明模型正确；
6.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤4中，利用输出残余电压幅值预测结果及不同用户的暂降耐受特性划分暂降预警级别，选用电压暂降幅值严重性指标MSI表征电压暂降事件风险水平，完成电压暂降风险预警；
...
【技术特征摘要】
1.基于图卷积神经网络的电压暂降评估方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤2中，采用均值归一化对数据进行标准化处理，公式如下：
3.根据权利要求1所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤3中，以图卷积神经网络gcn作为数据挖掘手段，利用电压暂降数据库中的数据对gcn神经网络进行训练，图卷积神经网络模型层与层之间的方式如下：
4.根据权利要求3所述的基于图卷积神经网络的电压暂降评估方法，其特征在于，步骤3中，在图卷积层后添加图池化层技术，先通过式(3)利用节点电压暂降信息对节点进行重要性打分，通过式(4)-(5)根据评分结果仅保留固定个数的节点信息，并且通过式(7)-(9)在图池化实施过程中引入互注意力机制，将低分节点的信息聚合到高分节点上，防止信息丢失严重，最后输出处理后的电压暂降节点特征xout*；图池化操作将图结构从不同维度转化...
【专利技术属性】
技术研发人员：张逸，赵微，吴逸帆，章书旗，张加忠，
申请(专利权)人：福州大学，
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。