一种基于图神经网络的机电扰动定位及传播预测方法

1.本发明涉及电力系统分析技术，尤其是电力系统中机电扰动定位与传播预测方法，属于人工智能技术领域。


背景技术：

2.随着我国提出“双碳”目标，电力系统朝着以可再生能源为主体的新型电力系统的方向发展。在此背景下，电力系统中扰动的种类逐渐增多，发生的概率也随之提高，给电网的安全稳定运行带来了巨大的挑战。而对于机电扰动定位及传播预测的研究是该领域面临的重要挑战。
3.传统的机电扰动定位需要定义一系列假设，建立系统对应的数学模型来判别扰动源的具体位置。随着电力系统越来越复杂，系统的运行方式不再一成不变，上述方法建立数学模型的假设前提不再成立。目前，扰动源定位的方法主要包括阻抗法和行波法。阻抗法是根据故障发生时刻的电压、电流来计算回路阻抗并确定与故障发生点的距离，但是受过渡电阻等因素的影响，测距精度较低，适用范围有限。行波定位法虽然不受过渡电阻的影响，但受大地电阻率和架空线配置的影响不易确定，且线路两端的非线性元件存在动态延时现象。因此亟需一种基于数据驱动的方法解决机电扰动源定位问题。
4.传统的机电扰动传播预测方法也是依据物理模型建立的数学模型进行推理分析，同样需要设定一系列重要的假设和前提，只适用于简单的电力系统，不能应用在复杂新型电力系统中。机电扰动传播的研究方法主要包含连续体链式模型及框架结构模型。连续体链式模型在建模过程中进行了大量假设，不适用于复杂的实际网络。框架结构模型虽然以电网的拓扑结构为基础，但是在分析过程中线路电抗参数被忽略。因此，为解决上述问题，本专利提出了基于时空图神经网络的机电扰动传播预测方法。


技术实现要素：

5.为解决现有技术中的问题，本发明提出了一种基于图神经网络的机电扰动定位及传播预测方法。
6.该方法根据电力系统的物理结构获得邻接矩阵及特征矩阵，然后训练图神经网络模型，确定振荡源位置，同时根据振荡源的位置分别训练振荡传播预测模型，实现振荡传播的预测。该方法不仅能够对强迫振荡扰动源进行准确快速识别，而且可以准确预测强迫振荡的功率数据。
7.为了实现上述目的，本发明采用了如下技术方案：
8.一种基于图神经网络的机电扰动定位及传播预测方法，包含以下步骤：
9.step1：将电力系统中的节点作为图结构中的节点，电力系统中的传输线路作为图结构中的边，构建电力系统拓扑结构对应的图结构，并根据图结构生成邻接矩阵，根据传输线路的电阻和电感生成特征矩阵；
10.step2：电力系统的总负荷在95％～105％内均匀变化，对发电机的功率施加正弦
波扰动进行批量仿真，采集电力系统所有节点的有功功率作为样本，而后将数据划分为训练数据集和测试数据集；
11.step3：搭建基于图神经网络的扰动源定位模型的结构，包含三层图卷积层、三层池化层和一层全连接层，获得训练数据集对应的标签，将邻接矩阵、特征矩阵输入扰动源定位模型，使用训练数据集以及标签训练得到扰动源定位模型；
12.step4：搭建预测振荡传播的时空图神经网络模型的结构，包含一层动态边缘卷积层、一层图卷积层和一层门控循环单元(gate recurrent unit,gru)层，根据振荡发生的位置对训练数据集分类，然后分别训练振荡传播模型；
13.step5：分别对图神经网络定位模型以及时空图神经网络预测模型的正确率进行验证，离线训练过程结束；
14.step6：当实际系统监测到发生强迫振荡时，电力系统调度中心采集所有同步相量测量单元子站的功率振荡数据；
15.step7：输入整个电力系统的功率振荡数据到扰动源定位模型中，定位振荡源所在的具体机组位置，在线定位过程结束；
16.step8：根据振荡源所在的具体机组位置选择对应的振荡预测模型，输入采集到的所有功率振荡数据，对未来一段时间内电力系统中所有同步相量测量单元子站的功率振荡数据进行预测，在线预测过程结束。
17.进一步的，所述step1中根据图结构生成邻接矩阵的方法如下：
[0018][0019]
其中，n表示节点的个数，如果节点i和节点j之间有线路连接，则a
ij
＝1，否则，a
ij
＝0。
[0020]
进一步的，所述step1中的特征矩阵包含电阻和电感，电阻矩阵的生成方法如下：
[0021][0022]
其中，r
ij
表示节点i和节点j之间线路的电阻，如果节点i和节点j之间没有线路，则将r
ij
设为-1；
[0023]
电感矩阵的生成方法如下：
[0024][0025]
其中，x
ij
表示节点i和节点j之间线路的电感，如果节点i和节点j之间没有线路，则将x
ij
设为-1。
[0026]
进一步的，所述step2中的强迫振荡的功率数据样本指的是电力系统中所有节点的有功功率信号。
[0027]
进一步的，所述step3中的全连接层调整为标签数目和发电机数目一致，并且使用
softmax激活函数，图卷积层均使用relu激活函数。
[0028]
进一步的，所述step4中的动态边缘卷积层可以实现边特征和节点特征的融合，具体的实现方式如下所示：
[0029][0030]
其中，n(i)表示节点i的所有邻居，f(j)表示输入的节点j的特征值， m表示多层感知机，l(j，i)表示节点j和节点i之间边的特征值，w表示可学习的权重，b表示可学习的偏置量，f
′
(i)表示输出节点i的特征值。
[0031]
进一步的，所述step4中时空图神经网络的实现为将每个时间点的功率数据通过动态边缘卷积层和图卷积层学习空间上的特征，再通过gru学习数据在时间序列上的特征。
[0032]
本发明的有益成果：
[0033]
(1)使用了图神经网络定位扰动源的具体位置，机电扰动在电力系统中依赖拓扑结构进行传播，图神经网络根据电力系统的物理特性以及拓扑结构可以学习到数据在空间上的特征，可以准确地定位扰动源地所在的具体机组。相对于传统的机器学习算法，具有更高的准确性。
[0034]
(2)使用了时空图神经网络预测机电扰动的传播，不仅能学习数据在空间上的特征，而且可以学习到数据在时间上的特征，能够精准地预测扰动在未来一段时间内的变化态势。相对于传统的物理机理的算法，具有更强的普适性，而且可以学习到更多的细节信息。
附图说明
[0035]
图1为一种基于图神经网络的机电扰动定位及传播预测方法的流程图；
[0036]
图2为四机两区系统节点设定示意图；
[0037]
图3为基于时空图神经网络的预测扰动传播的网络结构图；
[0038]
图4为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之一；
[0039]
图5为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之二；
[0040]
图6为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之三；
[0041]
图7为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之四；
[0042]
图8为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之五；
[0043]
图9为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之六；
[0044]
图10为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之七；
[0045]
图11为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像
之八；
[0046]
图12为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之九；
[0047]
图13为基于时空图神经网络的机电扰动传播预测模型测试样例的功率对比图像之十。
具体实施方式
[0048]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰、详细地描述。
[0049]
本发明提出了一种基于图神经网络的振荡定位及传播预测方法，如图1所示，其具体实现步骤如下：
[0050]
step1：将电力系统中的节点作为图结构中的节点，电力系统中的传输线路作为图结构中的边，构建电力系统拓扑结构对应的图结构，并根据图结构生成邻接矩阵，根据传输线路的电阻和电感生成特征矩阵。
[0051]
本实施例的电力系统采用四机两区系统，生成邻接矩阵及特征矩阵的具体步骤如下：
[0052]
(1)该系统共包含10个节点，4台发电机，12条支路。根据系统的拓扑结构构建对应的图结构，生成图的邻接矩阵，如下所示：
[0053][0054]
其中，n为10，如果节点i和节点j之间有线路连接，则a
ij
＝1，否则， a
ij
＝0。
[0055]
(2)计算传输线路的电阻值，如下所示：
[0056][0057]
其中，r
ij
表示节点i和节点j之间线路的电阻，如果节点i和节点j之间没有线路，则将r
ij
设为-1。
[0058]
(3)计算传输线路的电感值，如下所示：
[0059][0060]
其中，x
ij
表示节点i和节点j之间线路的电感，如果节点i和节点j之间没有线路，则将x
ij
设为-1
[0061]
step2：电力系统的总负荷在95％～105％内均匀变化，对发电机的功率施加正弦波扰动进行批量仿真，采集电力系统所有节点的有功功率作为样本，而后将数据划分为训练数据集和测试数据集.
[0062]
以下仍以四机两区系统为例说明如何进行强迫振荡的批量仿真。
[0063]
该系统共有10个节点，4台发电机和12条支路，初始总负荷为2734mw。均匀改变四机两区系统的负荷从95％～105％总负荷变化，通过在4台发电机的功率上施加周期性正弦波扰动源生成强迫功率振荡样本。其中，施加在发电机上扰动的幅值在0.1～0.3pu之间变化，每次变化的步长为0.05，扰动的频率在0.2～2.5hz 之间变化，每次变化的步长为0.02。仿真时间设置为15s，每隔2.5％的负荷变化记录一组数据。为模拟电力系统中的pmu状态，信号采样频率为25hz。
[0064]
step3：搭建基于图神经网络的扰动源定位模型的结构，包含三层图卷积层、三层池化层和一层全连接层，获得训练数据集对应的标签，将邻接矩阵、特征矩阵输入扰动源定位模型，使用训练数据集以及标签训练得到扰动源定位模型，具体步骤如下：
[0065]
(1)搭建模型的结构，将全连接层调整为标签数目和发电机数目一致，并且使用softmax激活函数，图卷积层均使用relu激活函数。
[0066]
(2)根据扰动注入的位置，为训练数据集生成标签。标签采用独热编码，第i个样本的标签表示为yi＝[y1，y2，y3，y4]，因为有四台发电机，所以标签的长度为4，如果扰动发生在第j台发电机上，则标签的第j个位置设为1，其余均为0。
[0067]
(3)将损失函数设置为交叉熵损失函数，优化器采用adam优化器，迭代次数设为200，学习率设为0.0005，批大小是设为32，定位正确率为99.2％。
[0068]
step4：搭建预测振荡传播的时空图神经网络模型的结构，包含一层动态边缘卷积层、一层图卷积层和一层门控循环单元(gate recurrent unit,gru)层，根据扰动发生的位置对训练数据集分类，然后分别训练振荡传播模型，具体步骤如下：
[0069]
(1)搭建模型的结构，将每个时间点的功率数据通过动态边缘卷积层和图卷积层学习空间上的特征，再通过gru学习数据在时间序列上的特征。
[0070]
(2)根据扰动发生的位置将训练集分类，该实施例中将训练集划分为4类；
[0071]
(3)将输入时间序列的长度设置为25，输出时间序列的长度设置为3，将训练集根据输入时间序列的长度以及输出时间序列的长度划分特征值和标签值；
[0072]
(4)该实施例中，分别训练4个发电机对应的机电扰动传播预测模型，将损失函数设置为均方根误差损失函数，并且添加惩罚项防止模型出现过拟合，优化器采用adam优化器，迭代次数设置为200，学习率设为0.001，批大小设置为64，得到的4个模型，相对误差均小于1％。
[0073]
step5：分别对图神经网络定位模型以及时空图神经网络预测模型的正确率及相对误差进行验证。
[0074]
至此，一种基于图神经网络的机电扰动定位及传播预测方法的离线训练过程结束。如果其他实施例中模型的正确率及相对误差较大，则可以通过增加迭代次数的方法对模型继续训练，直至达到要求。
[0075]
step6：当实际系统监测到发生强迫振荡时，电力系统调度中心采集所有同步相量测量单元子站的功率振荡数据；
[0076]
本实施例中，已知由1号发电机引发的强迫振荡，获取系统中所有节点的功率振荡数据。
[0077]
step7：输入整个电力系统的功率振荡数据到扰动源定位模型中，定位振荡源所在的具体机组位置为1号发电机。
[0078]
step8：选择1号发电机对应的机电扰动传播预测模型，输入采集到的有功功率数据，预测电力系统所有节点在未来三个时间点的功率数据，如图4-图13 所示，为功率的对比图。
[0079]
至此，一种基于图神经网络的机电扰动定位及传播预测方法的在线定位及预测部分到此结束。
[0080]
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。