【技术实现步骤摘要】
本专利技术属于图神经网络，具体涉及一种基于多头图多注意力神经网络的电网状态推演方法。
技术介绍
1、随着人工智能技术的快速发展，分析海量监测数据，建立基于人工智能技术的智能电网稳定性评估模型是当前的研究趋势，深度学习技术的出现，为电网状态推演提供了一种很好的解决方案，通过构建多层神经网络结构，对电网特征向量进行多维度、多层次的深度提取；随后通过多层网络结构构建提取的特征与故障状态之间的深度映射关系，但多层神经网络结构模型仍缺乏对电网拓扑的考虑，且没有使用卷积神经网络来提取网络拓扑特征，为此研究者们相继提出了图神经网络(gnn)、图卷积网络(gcn)和图注意力网络(gat)，利用gcn提取电网拓扑特征，gat引入注意力机制获取电网拓扑中的关键特征，然而，gcn在获取特征时不能动态感知节点的变化，gat只关注相邻关系而忽略了其他重要特征，导致其精度仍有待提高，针对上述问题，将节点自注意、远程关联注意、gat相邻关联注意和gcn通道注意都嵌入到gat中，形成一个代表全局变化特征的图多注意力神经网络(gmann),利用该网络模型来实现电网状态推演，为此我们提出了一种基于多头图多注意力神经网络的电网状态推演方法来解决上述问题。
技术实现思路
1、本专利技术的目的是提供一种基于多头图多注意力神经网络的电网状态推演方法，能够提出图多注意力神经网络，将节点自注意、远程关联注意、gat相邻关联注意和gcn通道注意嵌入同一网络，实现对电力系统稳定性的精确评估，多重注意力融合策略有效挖掘节点间关联，通过
2、本专利技术采取的技术方案具体如下：
3、一种基于多头图多注意力神经网络的电网状态推演方法，所述控制方法包括以下步骤：
4、步骤1.节点自注意；
5、步骤2.相邻关联注意；
6、步骤3.远程关联注意；
7、步骤4.gcn通道注意；
8、步骤5.多重注意力融合策略；
9、步骤6.网轮模型的训练测试；
10、步骤7.模型参数调优；
11、步骤8.模型性能评估与验证；
12、步骤9.结果解释与可视化。
13、在一种优选方案中，所述节点自注意为在实际工作条件下，在故障发生的瞬态时刻，同一节点的多个状态量是瞬间变化的，这种变化之间存在着显著的相关性，这种相关性表征了节点本身的特征，也代表了全局结构中单个节点的变化特征，当故障发生时，单个节点的多维状态量之间的相关性被用作自注意来表征节点本身的特征，节点xi＝(ui,θi,pi,qi)的自注意定义为：
14、
15、公式中aui,aθi,api,aqi分别代表第i个节点的u关注、θ关注、p注、q关注。
16、在一种优选方案中，所述相邻关联注意为在gat中，中心节点与相邻节点之间的相关性被用作计算相邻关联注意力的重要依据，相邻关联注意表示当一个节点发生异常时对周围节点的影响，对于中心节点x具有k个邻居节点{xi1,xi2,xi3,…,xik}，首先计算中心节点与k个邻居节点之间的关联度{ri1,ri2,ri3,…,rik}，然后，基于softmax归一化函数，得到中心节点与k个邻居节点的注意力tnij：
17、
18、公式中l(·)为leakyrelu激活函数，α(·)为计算节点相关性的函数，w为节点从输入特征维度到输出特征维度转换的权值参数矩阵。
19、在一种优选方案中，所述远程管理注意为在运行过程中，当一个节点发生故障时，其影响将是广泛的，即使是远离故障节点的多个节点的远端节点的特性也会发生变化，这种变化对于评估系统状态也是至关重要的，提取远距离节点之间的相关性，并将其作为远程关联注意嵌入到稳定性评价模型中，从节点xi分离出的h个节点的集合为{xi1,xi2,xi3,…,xiv}，目标节点xi与v个相邻节点的关联度为{ri1,ri2,ri3,…,riv}，基于softmax归一化函数，得到区间h的远程注意tl′ij如下：
20、
21、增加间隔节点的数量，直到远程节点集为空，假设遍历次数为m，分别得到m个远距离注意{l1ij,l2ij,…,lmij}，将注意力加权求和，得到目标节点xi的远程注意力tlij为：
22、
23、在一种优选方案中，所述gcn通道注意为在gcn中，使用池化操作减少卷积层提取的特征数量，增加特征的鲁棒性，所述池化操作防止无用参数的增加影响时间复杂度，提高特征的集成度，所述池化操作包括平均池化(ap)和最大池化(mp)，ap保留了更多的图像背景信息，mp保留了更多的纹理信息，对于大小为n×f的网格拓扑特征矩阵a，利用ap和mp可得：
24、
25、通道注意tc为：tc＝σ(w1,2θ(w1,1pmean))+σ(w2,2θ(w2,1pmax))，w1,1、w2,1为矢量压缩的权重矩阵，θ为relu激活函数，w1,2、w2,2为通道评分所用的权重矩阵，α为sigmoid激活函数。
26、在一种优选方案中，所述多重注意力融合策略为在获得多重注意力后，利用权值拼接的方法将动态权值bij添加到拼接过程中的所有注意力中，并通过调整动态权值来控制尺寸和特征的变化，实现过程为：
27、
28、公式中m表示注意力机制的个数，在训练过程中，通过自适应调整bij的值来实现多注意力的融合。
29、在一种优选方案中，所述网轮模型的训练测试为考虑电压幅值、电压相角、有功功率和无功功率的四维特性，图多注意力神经网络的输入为：
30、x＝(x1,…,xi,…,xk+1)＝(ut,θt,pt,qt)t∈r4×(k+1)
31、模型的输出是电力系统的稳定指标，选取扰动后转子功率角的暂态稳定指数(暂态稳定指数tsi)作为表征系统稳定性的指标，tsi定义为：
32、
33、公式中δδmax为任意两台发电机之间的最大相对功率角差，tsi>0表示系统处于稳定状态，tsi<0表示系统处于不稳定状态，模型在训练过程中采用加权交叉熵函数损失函数；
34、对于评价模型，用gij表示实际分类为j类的类标签i的个数，i和j的取值范围为{0,1}，0表示不稳定，1表示稳定，n为所有样本的个数，准确度反映了评价模型的整体水平，定义为失稳样本的假阴性率决定了失稳样本是否稳定，是电力系统稳定性评估的一个重要指标，假阴性率定义为假阳性率将稳定样本归为不稳定，定义为利用kappa统计量来衡量评估结果与实际结果的一致性，解决了准确率、误判率和误判率容易受到意外干扰的问题，kappa统计量定义为：
35、
36、在一种优选方案中，所述模型参数调优为在训练神经网络模型时，进行模型参数的调优，以提高模型的性能和泛化能力，包括学习率的调整本文档来自技高网...
【技术保护点】
1.一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述控制方法包括以下步骤：
2.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述节点自注意为在实际工作条件下，在故障发生的瞬态时刻，同一节点的多个状态量是瞬间变化的，这种变化之间存在着显著的相关性，这种相关性表征了节点本身的特征，也代表了全局结构中单个节点的变化特征，当故障发生时，单个节点的多维状态量之间的相关性被用作自注意来表征节点本身的特征，节点xi＝(ui,θi,pi,qi)的自注意定义为：
3.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述相邻关联注意为在GAT中，中心节点与相邻节点之间的相关性被用作计算相邻关联注意力的重要依据，相邻关联注意表示当一个节点发生异常时对周围节点的影响，对于中心节点x具有k个邻居节点{xi1,xi2,xi3,…,xik}，首先计算中心节点与k个邻居节点之间的关联度{ri1,ri2,ri3,…,rik}，然后，基于softmax归一化函数，得到中心节点与k个邻居节点的注意力TNi
4.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述远程管理注意为在运行过程中，当一个节点发生故障时，其影响将是广泛的，即使是远离故障节点的多个节点的远端节点的特性也会发生变化，这种变化对于评估系统状态也是至关重要的，提取远距离节点之间的相关性，并将其作为远程关联注意嵌入到稳定性评价模型中，从节点xi分离出的h个节点的集合为{xi1,xi2,xi3,…,xiv}，目标节点xi与v个相邻节点的关联度为{ri1,ri2,ri3,…,riv}，基于softmax归一化函数，得到区间h的远程注意TL′ij如下：
5.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述GCN通道注意为在GCN中，使用池化操作减少卷积层提取的特征数量，增加特征的鲁棒性，所述池化操作防止无用参数的增加影响时间复杂度，提高特征的集成度，所述池化操作包括平均池化(AP)和最大池化(MP)，AP保留了更多的图像背景信息，MP保留了更多的纹理信息，对于大小为N×F的网格拓扑特征矩阵A，利用AP和MP可得：
6.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述多重注意力融合策略为在获得多重注意力后，利用权值拼接的方法将动态权值bij添加到拼接过程中的所有注意力中，并通过调整动态权值来控制尺寸和特征的变化，实现过程为：
7.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述网轮模型的训练测试为考虑电压幅值、电压相角、有功功率和无功功率的四维特性，图多注意力神经网络的输入为：
8.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述模型参数调优为在训练神经网络模型时，进行模型参数的调优，以提高模型的性能和泛化能力，包括学习率的调整、正则化技术的应用、批量大小的选择以及不同优化算法的比较，通过系统的实验和分析，找到最佳的参数组合，以使模型在训练集和测试集上都能取得良好的表现。
9.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述模型性能评估与验证为训练完成对模型进行性能评估与验证，通过交叉验证、混淆矩阵分析、ROC曲线和AUC值等指标来完成，通过这些分析，评估模型的准确性、精确度、召回率和F1分数等指标，并了解模型的优劣势，为进一步优化提供指导。
10.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述结果解释与可视化为对于模型产生的结果，进行结果解释与可视化分析，包括对模型的预测结果进行解释，探索模型是如何做出决策的，通过可视化工具展示模型的输出，使非专业人士也能够理解模型的结果，提高模型的可解释性，增加用户对模型的信任度。
...【技术特征摘要】
1.一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述控制方法包括以下步骤：
2.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述节点自注意为在实际工作条件下，在故障发生的瞬态时刻，同一节点的多个状态量是瞬间变化的，这种变化之间存在着显著的相关性，这种相关性表征了节点本身的特征，也代表了全局结构中单个节点的变化特征，当故障发生时，单个节点的多维状态量之间的相关性被用作自注意来表征节点本身的特征，节点xi＝(ui,θi,pi,qi)的自注意定义为：
3.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述相邻关联注意为在gat中，中心节点与相邻节点之间的相关性被用作计算相邻关联注意力的重要依据，相邻关联注意表示当一个节点发生异常时对周围节点的影响，对于中心节点x具有k个邻居节点{xi1,xi2,xi3,…,xik}，首先计算中心节点与k个邻居节点之间的关联度{ri1,ri2,ri3,…,rik}，然后，基于softmax归一化函数，得到中心节点与k个邻居节点的注意力tnij：
4.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述远程管理注意为在运行过程中，当一个节点发生故障时，其影响将是广泛的，即使是远离故障节点的多个节点的远端节点的特性也会发生变化，这种变化对于评估系统状态也是至关重要的，提取远距离节点之间的相关性，并将其作为远程关联注意嵌入到稳定性评价模型中，从节点xi分离出的h个节点的集合为{xi1,xi2,xi3,…,xiv}，目标节点xi与v个相邻节点的关联度为{ri1,ri2,ri3,…,riv}，基于softmax归一化函数，得到区间h的远程注意tl′ij如下：
5.根据权利要求1所述的一种基于多头图多注意力神经网络的电网状态推演方法，其特征在于：所述gcn通道注意为在gcn中，使用池化操作减少卷积层提取的特征数量，...
【专利技术属性】
技术研发人员：余腾龙，汪庆文，余志琴，彭谦，邱日轩，江文燕，褚红亮，熊小舟，黄康，胡兵，严浩然，王瑶，柏杨，王松，齐俊，刘思言，石丹妮，
申请(专利权)人：国网江西省电力有限公司信息通讯分公司，
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。