Nothing Special   »   [go: up one dir, main page]

CN112862065A - 一种基于多任务图神经网络的电网支路参数辨识方法 - Google Patents

一种基于多任务图神经网络的电网支路参数辨识方法 Download PDF

Info

Publication number
CN112862065A
CN112862065A CN202110049433.6A CN202110049433A CN112862065A CN 112862065 A CN112862065 A CN 112862065A CN 202110049433 A CN202110049433 A CN 202110049433A CN 112862065 A CN112862065 A CN 112862065A
Authority
CN
China
Prior art keywords
branch
neural network
power grid
graph
task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110049433.6A
Other languages
English (en)
Other versions
CN112862065B (zh
Inventor
卢敏
蒋正威
曹建伟
阙凌燕
金学奇
杨力强
王阳英夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Huzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202110049433.6A priority Critical patent/CN112862065B/zh
Publication of CN112862065A publication Critical patent/CN112862065A/zh
Application granted granted Critical
Publication of CN112862065B publication Critical patent/CN112862065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多任务图神经网络的电网支路参数辨识方法，包括如下步骤：步骤S1、从电网调度中心获取所要辨识电网支路参数的历史数据，输出到多任务图神经网络；步骤S2、根据电网支路拓扑结构获取电路节点集合和边集合；步骤S3、根据电路节点集合和边集合构造邻接矩阵A和度矩阵D；步骤S4、利用一阶ChebShev多项式近似拟合图神经网络卷积核；步骤S5、根据任务目标和任务类型构造全连接神经网络；步骤S6、完成多任务图神经网络的参数权重配置；步骤S7、根据调度中心数据比对结果执行人员调度决策。该方案能够利用海量的多源电网运行数据，考虑电网支路拓扑结构，有效应对实际电网支路数据异常且能精确实现电网支路参数辨识。

Description

一种基于多任务图神经网络的电网支路参数辨识方法
技术领域
本发明涉及智能电网技术领域，具体的，涉及一种基于多任务图神经网络的电网支路参数辨识方法。
背景技术
随着我国特高压交直流混联大电网快速发展，电网特性发生了深刻变化，互联大电网安全稳定运行面临巨大压力，对电网调控系统实时分析和动态预警应用提出了更高的要求。作为电网调控实时分析和动态预警应用的基础，电力配电系统支路参数辨识任务一直是电力配电系统调控的一个重要方面，电力配电系统支路参数辨识具有很大的研究价值。
目前，受数据源、测量方法、维护手段、环境等因素影响，在线分析应用使用的电网元件参数与实际参数存在差距，进而引发一些问题：重载同杆双回线路潮流与支路参数不匹配，部分区域或高压输电环网状态估计结果较差甚至错误导致状态估计合格率整体指标显著下降、地区电网潮流合环计算结果与实际结果相差较远等。
电网元件参数对调控系统在线分析应用影响较大的主要是电网支路参数。就输电线路而言，输电线路参数存在较大的不确定性，电网支路参数偏差势必导致在线分析计算程序的误差，特别是电网关键参数漂移会严重降低在线应用在局部区域的计算精度，影响电网分析结论和调度辅助决策的可信度。电网支路参数偏差主要来源于以下四个方面：(1)直接采用设计值代替实测值；(2)电网支路参数受环境等因素影响存在较大波动；(3)电网支路参数离线测量方法存在较大的局限性；(4)不同部门对于电网支路参数的使用维护方式不同。基于以上四个方面造成了电网支路参数辨识偏差。
目前，实际电网调控系统中电网支路参数辨识方法多采用传统的基于单端面实时监测采集数据的估计法和基于相量量测数据的辨识技术。
最小二乘法是参数辨识理论中最常用的方法，它是在测量点数大于待定参数的个数时，能得到一个误差平方和为最小的一种算法。辨识的过程如图1所示，X是输入向量，Y是量测向量，ω是量测噪声，Z是输出向量，θ是模型参数向量。该算法利用待测系统动态过程提供的输入输出数据，不断调整模型结果和参数，使模型结果尽量接近实验结果。
设非线性量测方程为yi＝fi(b),其中b＝(b1，b2，...，bn)T，i＝1，2，...，m。最小二乘法就是要求函数yi＝fi(b)中的参数b在最小二乘意义下的最佳估计值，也就是求出使目标函数:
Figure BDA0002898692680000011
为最小值时的参数b＝(b1，b2，...，bn)T。而Q取最小值的充要条件为
Figure BDA0002898692680000021
实际测量中许多因素都会产生随机误差信号，而最小二乘估计是基于最小估计方差的一种算法，在实际项目中，因为最小二乘法的简单性和易用性，所以在电网参数辨识的过程中多采用最小二乘法。
但传统的辨识技术存在以下几个缺点：首先，传统的电网支路参数辨识方法主要基于单一的模型驱动计算，存在数值稳定性变差，易发散及易受残差污染干扰等问题；其次，电网支路参数辨识场景断面由人工经验判定选择，随机性大，不能完全符合实际电网支路参数的变化特征。而且传统电网支路参数辨识场景从未考虑电网拓扑结构的约束信息，这就使得有效信息没有利用得上。最后，由于传统电网支路参数辨识方法的局限性，调控系统海量的历史数据并未在电网支路参数辨识中得以有效利用，而电网历史数据中蕴藏着的电网支路参数变化的趋势性特征，所以电网历史数据潜在的应用价值并没有得到充分挖掘。
综上所述，需要提供一种能够利用海量的多源电网运行数据，考虑电网支路拓扑结构，有效应对实际电网支路数据异常且能精确实现电网支路参数辨识的方法和系统。
发明内容
针对以上缺陷，本发明提出了一种基于多任务图神经网络的电网支路参数辨识方法，该方案能够利用海量的多源电网运行数据，考虑电网支路拓扑结构，有效应对实际电网支路数据异常且能精确实现电网支路参数辨识。
为实现上述技术目的，本发明提供的一种技术方案是，一种基于多任务图神经网络的电网支路参数辨识方法，包括如下步骤：
步骤S1、从电网调度中心获取所要辨识电网支路参数的历史数据，输出到多任务图神经网络；
步骤S2、根据电网支路拓扑结构获取电路节点集合和边集合；
步骤S3、根据电路节点集合和边集合构造邻接矩阵A和度矩阵D；
步骤S4、利用一阶ChebShev多项式近似拟合图神经网络卷积核，并设定图神经网络层数和拟合神经元数；
步骤S5、根据任务目标和任务类型构造全连接神经网络，设定全连接神经网络层数和拟合神经元数；
步骤S6、设定迭代次数m，划分训练集和测试集，在训练过程中不断更新神经元权重，完成多任务图神经网络的参数权重配置；
步骤S7、各支路输出数据完成记录并发送到电网调度中心和理想值作比较，辅助工作人员调度决策。
本方案中，通过构建图神经网络结构，使得电网节点数据这种非欧几里得结构数据输入进网络之中，并且在网络训练的过程中考虑了电网结构的拓扑约束，在构建图神经网络结构的时候，将节点特征全都汇集到边路之上，即视作边路特征，这样一来，边路便视作包含特征的节点，节点便视作无权重的边，从而完成了图神经网络的构建。在构建图神经网络的过程中，将电网结构中连线多边的节点通过拆分的形式拆成同连线的单边节点，巧妙地解决了电网拓扑结构构建的难题，有助于图神经网络结构的建立。使用图神经网络作为骨干网络，多任务全连接层作为分支网络来完成电网支路参数的辨识。使用深度学习方法处理电网数据有利于把握电网数据的趋势性变化，并且在数据量足够的情况下有助于增加模型的鲁棒性。
作为优选，步骤S1中，包括如下步骤：首先，设i和j代表第k条支路的两端节点，则可以获得支路两端的有功实测功率Pij和Pji，无功实测功率Qij和Qji，实测电压Ui和Uj，以及第k条支路的对地电纳y，以上数据构成电网支路参数的7个特征。得到这些特征之后，可以根据如下公式构建标签来训练神经网络：
Figure BDA0002898692680000031
Figure BDA0002898692680000032
这其中，g代表支路电导，b代表线路电纳，根据Π型等值电路推导公式可以计算出支路电导和线路电纳的真实值，由此，电力配电系统支路参数辨识任务便被定义成一个多目标回归问题；
其次，归一化所有支路特征，用于图神经网络的输入，将支路特征记作X，归一化的公式为：
Figure BDA0002898692680000033
其中，
Figure BDA0002898692680000034
n为支路特征的个数；将之前的电网支路数据联合标签划分好训练集和测试集，80％的数据用于训练，20％的数据用于测试评价模型的好坏。
作为优选，步骤S2中，基于图神经网络输入的特殊性，有功实测功率Pij和Pji、无功实测功率Qij和Qji、实测电压Ui和Uj作为电力配电系统节点上的参数，而对地电纳y作为节点连线的参数，而任务所要求的线路电纳b和支路电导g作为电力配电系统支路连线的参数，即边的参数，这和普通的图结构是不一样的。本发明所采取的做法是把电力配电系统支路Eij两端节点i和j的参数Pij,Pji,Qij,Qji，Ui,Uj统一到Eij上，再加上Eij所自带的特征y构成了输入数据的7个特征，这样所有的特征就汇聚在了边上，此时再把边视作节点，把节点视作边的连线，即把节点看作无权重的边，构建电网支路的实际拓扑结构图，由于电网支路的实际拓扑结构图包含单支路节点和双支路节点，将双支路节点进行拆分变成两个单支路节点，原图的节点连接方式不变。这样原拓扑结构就变成了单节点无向图，满足矩阵建模要求。
作为优选，步骤S3中，当拓扑结构图建立完毕后，假设一张无向图g∈(V，E，A),V是图上N个顶点的集合,且Vi∈V,E是图上边的集合，且(Ei，Ej)∈E,根据拓扑结构图写出邻接矩阵A∈Rn×n和度矩阵Dii＝∑jAij，根据邻接矩阵和度矩阵建立未归一化的图上的拉普拉斯矩阵Δp＝D-A，按照以下公式对拉普拉斯矩阵做一个对称归一化：
Figure BDA0002898692680000041
其中，I是一个单位矩阵，上述拉普拉斯矩阵经过对称归一化后可以进行特征分解。
作为优选，步骤S4中，当输入数据和输入模型矩阵构建完毕后，首先构建图神经网络，将图神经网络用作主干网络，主要用途在于电网支路参数的聚合和提取，图神经网络分为两层，第一层的图神经卷积核为512，第二层图神经卷积核为384，用于提取自身节点信息和邻边的节点信息。实验表明如果过多地堆叠图神经网络的层数，会导致单个节点包含过多的信息而产生节点平滑，所有的节点趋于近似而过拟合；选择一阶Chebshev多项式拟合函数完成图上谱卷积公式的输入：
Figure BDA0002898692680000042
这其中，H作为每一层的输出特征，W是神经元的参数矩阵，σ作为激活函数是用来增加图神经网络的非线性拟合能力，本发明激活函数σ选择的是sigmoid函数：
Figure BDA0002898692680000043
选用sigmoid函数可以有效地增加拟合函数地非线性，并且避免了梯度消失。当l＝0时，H(l)就是输入特征X，Xi∈RE*F，其中E代表图中边的数量，即电力配电系统支路的连线，F代表图中每条边的特征数。选择chebshev多项式为滤波器可以避免特征分解，有效地降低了计算复杂度。
作为优选，步骤S5中，输入数据经过主干网络图神经网络的特征提取和聚合后，根据电网支路的实际需求，构建多任务全连接层。输入数据经过最后一层图卷积层的输出被展平成一个向量传递给了全连接层。其中第i条电力配电系统支路参数辨识的输出
Figure BDA0002898692680000045
可通过
Figure BDA0002898692680000044
拟合得到，x是第i个任务的输入，即第i个全连接层的输入，各全连接层也是两层，隐藏神经元个数分别是256和128。
作为优选，步骤S6中，计算损失函数MSEloss，公式如下：
Figure BDA0002898692680000051
设置初始学习率为t＝0.0002，优化器为Adam优化器，训练的迭代次数为200代，根据损失函数MSEloss计算出预测值和实际值的误差，并将误差值通过反向传播来更新各个神经网络层的神经元权重，经过不断地训练后，完成多任务图神经网络的参数权重配置；在实际训练过程中，通过加入不同信噪比的白噪声，丢失节点数据等方式来模拟实际中可能出现的突发情况，同时增强模型预测的鲁棒性。当预测结果完全收敛，将输出模型保存用于对实际电网数据的预测。
本发明的有益效果：本发明基于图神经网络，由于图神经网络适用于非欧几里得结构数据的输入，由此将图神经网络应用于电网支路参数辨识的任务。当电网支路存在大量噪声和数据丢失时，该方法具备有效性和优越性，因为它包含了全局结构的拓扑信息和全局的特征信息，并不依赖于某一支路的特征信息，通过优化算法和损失函数，能够对多任务图神经网络神经元权重进行更新，在确定完多任务图神经网络的设置参数后，再训练，得到训练好的神经网络后，能够提高参数辨识的准确性，与大多数现有方法相比，该预测方法需要少量的耗时和计算量，理论和模型结果都证实了所提方案的有效性，更加适合配电网支路的参数辨识计算，本方案适用于电网或类似电网结构支路的参数辨识，现有的电网参数辨识方法还没有基于多任务图神经网络的参数辨识方法。
图1为本发明的电网支路拓扑结构示意图。
图2为本发明的网络模型结构示意图。
图3为本发明的方法流程示意图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：如图3所示，一种基于多任务图神经网络的电网支路参数辨识方法，包括如下步骤：
步骤S1、从电网调度中心获取所要辨识电网支路参数的历史数据，输出到多任务图神经网络；包括如下步骤：首先，设i和j代表第k条支路的两端节点，则可以获得支路两端的有功实测功率Pij和Pji，无功实测功率Qij和Qji，实测电压Ui和Uj，以及第k条支路的对地电纳y，以上数据构成电网支路参数的7个特征。得到这些特征之后，可以根据如下公式构建标签来训练神经网络：
Figure BDA0002898692680000061
Figure BDA0002898692680000062
这其中，g代表支路电导，b代表线路电纳，根据Π型等值电路推导公式可以计算出支路电导和线路电纳的真实值，由此，电力配电系统支路参数辨识任务便被定义成一个多目标回归问题；
其次，归一化所有支路特征，用于图神经网络的输入，将支路特征记作X，归一化的公式为：
Figure BDA0002898692680000063
其中，
Figure BDA0002898692680000064
n为支路特征的个数；将之前的电网支路数据联合标签划分好训练集和测试集，80％的数据用于训练，20％的数据用于测试评价模型的好坏。
步骤S2、根据电网支路拓扑结构获取电路节点集合和边集合；
步骤S2中，基于图神经网络输入的特殊性，有功实测功率Pij和Pji、无功实测功率Qij和Qji、实测电压Ui和Uj作为电力配电系统节点上的参数，而对地电纳y作为节点连线的参数，而任务所要求的线路电纳b和支路电导g作为电力配电系统支路连线的参数，即边的参数，这和普通的图结构是不一样的。如图1所示，本发明所采取的做法是把电力配电系统支路Eij两端节点i和j的参数Pij,Pji,Qij,Qji，Ui,Uj统一到Eij上，再加上Eij所自带的特征y构成了输入数据的7个特征，这样所有的特征就汇聚在了边上，此时再把边视作节点，把节点视作边的连线，即把节点看作无权重的边，构建电网支路的实际拓扑结构图，由于电网支路的实际拓扑结构图包含单支路节点和双支路节点，将双支路节点进行拆分变成两个单支路节点，原图的节点连接方式不变。这样原拓扑结构就变成了单节点无向图，满足矩阵建模要求。
步骤S3、根据电路节点集合和边集合构造邻接矩阵A和度矩阵D；
步骤S3中，当拓扑结构图建立完毕后，假设一张无向图g∈(V，E，A),V是图上N个顶点的集合,且Vi∈V,E是图上边的集合，且(Ei，Ej)∈E,根据拓扑结构图写出邻接矩阵A∈Rn×n和度矩阵Dii＝∑jAij，根据邻接矩阵和度矩阵建立未归一化的图上的拉普拉斯矩阵Δp＝D-A，按照以下公式对拉普拉斯矩阵做一个对称归一化：
Figure BDA0002898692680000071
其中，I是一个单位矩阵，上述拉普拉斯矩阵经过对称归一化后可以进行特征分解。
步骤S4、利用一阶ChebShev多项式近似拟合图神经网络卷积核，并设定图神经网络层数和拟合神经元数；
步骤S4中，如图2所示，当输入数据和输入模型矩阵构建完毕后，首先构建图神经网络，将图神经网络用作主干网络，主要用途在于电网支路参数的聚合和提取，图神经网络分为两层，第一层的图神经卷积核为512，第二层图神经卷积核为384，用于提取自身节点信息和邻边的节点信息。实验表明如果过多地堆叠图神经网络的层数，会导致单个节点包含过多的信息而产生节点平滑，所有的节点趋于近似而过拟合；选择一阶Chebshev多项式拟合函数完成图上谱卷积公式的输入：
Figure BDA0002898692680000072
这其中，H作为每一层的输出特征，W是神经元的参数矩阵，σ作为激活函数是用来增加图神经网络的非线性拟合能力，本发明激活函数σ选择的是sigmoid函数：
Figure BDA0002898692680000073
选用sigmoid函数可以有效地增加拟合函数地非线性，并且避免了梯度消失。当l＝0时，H(l)就是输入特征X，Xi∈RE*F，其中E代表图中边的数量，即电力配电系统支路的连线，F代表图中每条边的特征数。选择chebshev多项式为滤波器可以避免特征分解，有效地降低了计算复杂度。
步骤S5、根据任务目标和任务类型构造全连接神经网络，设定全连接神经网络层数和拟合神经元数；
步骤S5中，输入数据经过主干网络图神经网络的特征提取和聚合后，根据电网支路的实际需求，构建多任务全连接层。输入数据经过最后一层图卷积层的输出被展平成一个向量传递给了全连接层。其中第i条电力配电系统支路参数辨识的输出
Figure BDA0002898692680000074
可通过
Figure BDA0002898692680000075
拟合得到，x是第i个任务的输入，即第i个全连接层的输入，各全连接层也是两层，隐藏神经元个数分别是256和128。
步骤S6、设定迭代次数m，划分训练集和测试集，在训练过程中不断更新神经元权重，完成多任务图神经网络的参数权重配置；
步骤S6中，计算损失函数MSEloss，公式如下：
Figure BDA0002898692680000081
设置初始学习率为t＝0.0002，优化器为Adam优化器，训练的迭代次数为m＝200代，根据损失函数MSEloss计算出预测值和实际值的误差，并将误差值通过反向传播来更新各个神经网络层的神经元权重，经过不断地训练后，完成多任务图神经网络的参数权重配置；在实际训练过程中，通过加入不同信噪比的白噪声，丢失节点数据等方式来模拟实际中可能出现的突发情况，同时增强模型预测的鲁棒性。当预测结果完全收敛，将输出模型保存用于对实际电网数据的预测。
步骤S7、将所要预测的数据输入，经过多任务图神经网络输出后传送回电网调度中心，由电网调度中心参考实测值和预测值，基于本发明预测的输出辅助电网实际工作的调配决策。
以上所述之具体实施方式为本发明一种基于多任务图神经网络的电网支路参数辨识方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (7)

1.一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：包括如下步骤：
步骤S1、从电网调度中心获取所要辨识电网支路参数的历史数据，输出到多任务图神经网络；
步骤S2、根据电网支路拓扑结构获取电路节点集合和边集合；
步骤S3、根据电路节点集合和边集合构造邻接矩阵A和度矩阵D；
步骤S4、利用一阶ChebShev多项式近似拟合图神经网络卷积核，并设定图神经网络层数和拟合神经元数；
步骤S5、根据任务目标和任务类型构造全连接神经网络，设定全连接神经网络层数和拟合神经元数；
步骤S6、设定迭代次数m，划分训练集和测试集，在训练过程中不断更新神经元权重，完成多任务图神经网络的参数权重配置；
步骤S7、各支路输出数据完成记录并发送到电网调度中心和理想值作比较，辅助工作人员调度决策。
2.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S1中，包括如下步骤：
步骤S11、所述历史数据根据时序排列，每条支路一个时间点的数据包含7个特征；设i和j代表第k条支路的两端节点，7个特征由7个数据组成，分别为支路两端的有功实测功率Pij和Pji、无功实测功率Qij和Qji、实测电压Ui和Uj以及第k条支路的对地电纳y，得到7个特征数据之后，根据如下公式构建标签来训练神经网络：
Figure FDA0002898692670000011
Figure FDA0002898692670000012
这其中，g代表支路电导，b代表线路电纳，根据Π型等值电路推导公式计算出支路电导和线路电纳的真实值；
步骤S12、归一化所有支路特征，用于图神经网络的输入，将支路特征记作X，归一化的公式为：
Figure FDA0002898692670000013
其中，
Figure FDA0002898692670000014
n为支路特征的个数。
3.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S2中，支路拓扑结构的构建包括如下步骤：
有功实测功率Pij和Pji、无功实测功率Qij和Qji、实测电压Ui和Uj作为电力配电系统节点上的参数，而对地电纳y作为节点连线的参数，而任务所要求的线路电纳b和支路电导g作为电力配电系统支路连线的参数，即边的参数，把电力配电系统支路Eij两端节点i和j的参数Pij,Pji,Qij,Qji，Ui,Uj统一到Eij上，再加上Eij所自带的特征y构成了输入数据的7个特征，这样所有的特征就汇聚在了边上，此时再把边视作节点，把节点视作边的连线，即把节点看作无权重的边，构建电网支路的实际拓扑结构图，由于电网支路的实际拓扑结构图包含单支路节点和双支路节点，将双支路节点进行拆分变成两个单支路节点，原图的节点连接方式不变，使得实际拓扑结构图变换成单节点无向图g∈(V，E，A)，V是图上N个顶点的集合,且Vi∈V,E是图上边的集合，且(Ei，Ej)∈E。
4.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S3中，根据拓扑结构图写出邻接矩阵A∈Rn×n和度矩阵Dii＝∑jAij，根据邻接矩阵和度矩阵建立未归一化的图上的拉普拉斯矩阵Δp＝D-A，按照以下公式对拉普拉斯矩阵做一个对称归一化：
Figure FDA0002898692670000021
其中，I是一个单位矩阵。
5.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S4中，图神经网络分为两层，第一层的图神经卷积核为512，第二层图神经卷积核为384，用于提取自身节点信息和邻边的节点信息，选择一阶Chebshev多项式拟合函数完成图上谱卷积公式的输入：
Figure FDA0002898692670000022
其中，H作为每一层的输出特征，W是神经元的参数矩阵，σ是激活函数，所述激活函数σ选择的是sigmoid函数：
Figure FDA0002898692670000023
当l＝0时，H(l)就是输入特征X，Xi∈RE*F，其中E代表图中边的数量，即电力配电系统支路的连线，F代表图中每条边的特征数。
6.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S5中，输入数据经过主干网络图神经网络的特征提取和聚合后，根据电网支路的实际需求，构建多任务全连接层，包括如下步骤:
输入数据经过最后一层图卷积层的输出被展平成一个向量传递给了全连接层,其中第i条电力配电系统支路参数辨识的输出
Figure FDA0002898692670000031
可通过
Figure FDA0002898692670000032
拟合得到，x是第i个任务的输入，即第i个全连接层的输入，各全连接层也是两层，隐藏神经元个数分别是256和128。
7.根据权利要求1所述的一种基于多任务图神经网络的电网支路参数辨识方法，其特征在于：步骤S6中，计算损失函数MSEloss，公式如下：
Figure FDA0002898692670000033
设置初始学习率为t，优化器为Adam优化器，训练的迭代次数为m代，根据损失函数MSEloss计算出预测值和实际值的误差，并将误差值通过反向传播来更新各个神经网络层的神经元权重，经过不断地训练后，完成多任务图神经网络的参数权重配置，在训练过程中，通过加入不同信噪比的白噪声和丢失节点数据的方式来模拟实际中可能出现的突发情况，当预测结果完全收敛，将输出模型保存用于对实际电网数据的预测。
CN202110049433.6A 2021-01-14 2021-01-14 一种基于多任务图神经网络的电网支路参数辨识方法 Active CN112862065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110049433.6A CN112862065B (zh) 2021-01-14 2021-01-14 一种基于多任务图神经网络的电网支路参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110049433.6A CN112862065B (zh) 2021-01-14 2021-01-14 一种基于多任务图神经网络的电网支路参数辨识方法

Publications (2)

Publication Number Publication Date
CN112862065A true CN112862065A (zh) 2021-05-28
CN112862065B CN112862065B (zh) 2022-11-04

Family

ID=76006126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110049433.6A Active CN112862065B (zh) 2021-01-14 2021-01-14 一种基于多任务图神经网络的电网支路参数辨识方法

Country Status (1)

Country Link
CN (1) CN112862065B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239651A (zh) * 2021-07-12 2021-08-10 苏州贝克微电子有限公司 用于电路设计的人工智能实现方法及系统
CN113536509A (zh) * 2021-08-05 2021-10-22 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113537338A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法
CN113536674A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 一种基于bp神经网络和改进scada数据的线路参数辨识方法
CN113946424A (zh) * 2021-10-28 2022-01-18 广东工业大学 基于图卷积网络的软硬件划分和任务调度模型及其方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019238976A1 (en) * 2018-06-15 2019-12-19 Université de Liège Image classification using neural networks
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及系统
US20200372355A1 (en) * 2019-05-23 2020-11-26 Google Llc Optimizing sparse graph neural networks for dense hardware
CN112183620A (zh) * 2020-09-27 2021-01-05 中国科学院自动化研究所 基于图卷积神经网络的小样本分类模型的发育方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019238976A1 (en) * 2018-06-15 2019-12-19 Université de Liège Image classification using neural networks
US20200372355A1 (en) * 2019-05-23 2020-11-26 Google Llc Optimizing sparse graph neural networks for dense hardware
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及系统
CN112183620A (zh) * 2020-09-27 2021-01-05 中国科学院自动化研究所 基于图卷积神经网络的小样本分类模型的发育方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐冰冰等: "图卷积神经网络综述", 《计算机学报》 *
陈晓刚等: "基于WAMS/SCADA混合量测的电网参数辨识与估计", 《电力系统自动化》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113239651A (zh) * 2021-07-12 2021-08-10 苏州贝克微电子有限公司 用于电路设计的人工智能实现方法及系统
CN113239651B (zh) * 2021-07-12 2021-09-17 苏州贝克微电子有限公司 用于电路设计的人工智能实现方法及系统
CN113537338A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法
CN113536674A (zh) * 2021-07-13 2021-10-22 国网浙江省电力有限公司湖州供电公司 一种基于bp神经网络和改进scada数据的线路参数辨识方法
CN113536674B (zh) * 2021-07-13 2023-09-29 国网浙江省电力有限公司湖州供电公司 一种基于bp神经网络和改进scada数据的线路参数辨识方法
CN113536509A (zh) * 2021-08-05 2021-10-22 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113536509B (zh) * 2021-08-05 2023-04-18 合肥工业大学 一种基于图卷积网络的微电网拓扑辨识方法
CN113946424A (zh) * 2021-10-28 2022-01-18 广东工业大学 基于图卷积网络的软硬件划分和任务调度模型及其方法

Also Published As

Publication number Publication date
CN112862065B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN112862065A (zh) 一种基于多任务图神经网络的电网支路参数辨识方法
Li et al. An intelligent transient stability assessment framework with continual learning ability
Xiao et al. A hybrid model based on data preprocessing for electrical power forecasting
CN112310980B (zh) 交直流混联电网直流闭锁频率安全稳定评估方法及系统
CN108108858A (zh) 一种短期电力负荷预测方法
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
Barzola-Monteses et al. Energy consumption of a building by using long short-term memory network: a forecasting study
CN113193556A (zh) 基于概率预测模型的短期风电功率预测方法
CN116484740A (zh) 一种基于挖掘电网空间拓扑特征的线路参数辨识方法
CN114006370A (zh) 一种电力系统暂态稳定分析评估方法及系统
CN109583588A (zh) 一种短期风速预测方法及系统
CN115019510A (zh) 一种基于动态自适应生成对抗网络的交通数据修复方法
CN112329973A (zh) 一种基于图神经网络和区域网格化的时空负荷预测方法
CN103618315B (zh) 一种基于bart算法和超吸收壁的电网电压无功优化方法
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
Sun et al. An identification method for vulnerable lines based on combination weighting method and GraphSAGE algorithm
CN111798037A (zh) 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法
CN110739692A (zh) 一种基于概率图模型的配电网结构识别方法
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
Hu et al. Adaptive power flow analysis for power system operation based on graph deep learning
CN113627655A (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN111834996B (zh) 电网线损计算方法和装置
CN117347783A (zh) 一种基于图神经网络的配电网故障线路定位方法
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114861792A (zh) 一种基于深度强化学习的复杂电网关键节点识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant