基于模型压缩的电网状态快速推演方法技术

本发明专利技术公开了基于模型压缩的电网状态快速推演方法，涉及电网状态推演技术领域，包括以下步骤：S1、构建数据集、S2、搭建图卷积网络、S3、模型剪枝、S4、优化剪枝过程和S5、计算未知输电线路。本发明专利技术通过剪枝率分析算法确定剪枝率，保证每次对模型进行剪枝的过程中均会对相关的掩码进行更新，使得剪枝策略算法在处理过程中能够更加准确，及时识别冗余以及不必要的参数，降低剪枝过程中出现的错误，同时对于错误的剪枝操作也会通过再生处理算法进行调整，使得重新生成的模型不仅具备高效的推理性能，而且还能够减少计算资源和内存损耗。

【技术实现步骤摘要】

本专利技术涉及电网状态推演，具体为基于模型压缩的电网状态快速推演方法。

技术介绍

1、社会的发展对电力的需求不断在增加，电网的规模也随之扩大，这对电网运行的安全性和稳定性提出了更高的要求，电网运行的安全稳定有赖于对各个输电线路的运行参数的实时监测，然而电网巨大的规模却导致难以为每一条线路线路都配备监测装置，因此需要利用主干输电线路的实时监测结果结合电网的拓扑结构信息对各支路的参数进行推演，图神经网络是一种用于处理图数据的机器学习模型，旨在捕获节点之间的复杂关系，其核心原理是利用节点的局部邻域信息来更新节点的表示，gnn通过迭代地聚合节点的邻居信息，逐步更新每个节点的表示，使得每个节点能够整合周围节点的特征信息，这种迭代的过程可以看作是信息在图上传播的过程，从而使得节点的表示逐渐收敛到全局的信息；

2、虽然gnn的优势在于能够有效地处理各种类型的图数据，包括社交网络、推荐系统和生物网络等，为这些领域提供了强大的建模工具，但是现有的电网推演模型参数较多且结构复杂，推理时间较长，因而难以实现对于电网数据的快速处理，同时复杂的模型仅支持部署在大型服务器本文档来自技高网...

【技术保护点】

1.基于模型压缩的电网状态快速推演方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤S1包括以下步骤：

3.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤S1还包括以下步骤：

4.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤S2具体为从数据库中获取电网多个监测点连接关系以及监测点数据特征后，利用处理器将电网多个监测点连接关系通过邻接矩阵的形式进行表示，同时将监测点数据特征通过矩阵的形式进行表示，选用GCN作为处理电网拓扑...

【技术特征摘要】

1.基于模型压缩的电网状态快速推演方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤s1包括以下步骤：

3.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤s1还包括以下步骤：

4.根据权利要求1所述的基于模型压缩的电网状态快速推演方法，其特征在于：所述步骤s2具体为从数据库中获取电网多个监测点连接关系以及监测点数据特征后，利用处理器将电网多个监测点连接关系通过邻接矩阵的形式进行表示，同时将监测点数据特征通过矩阵的形式进行表示，选用gcn作为处理电网拓扑图的模...

【专利技术属性】
技术研发人员：汪庆文，余腾龙，褚红亮，熊小舟，黄康，邱日轩，胡兵，严浩然，王璠，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信分公司，
类型：发明
国别省市：