一种基于图神经网络的机电扰动定位及传播预测方法

技术特征：
1.一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于：包括以下步骤：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；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；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；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；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；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；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；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。2.根据权利要求1中所述的一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于：所述step1中根据图结构生成邻接矩阵的方法如下：其中，表示节点的个数，如果节点和节点之间有线路连接，则，否则，。3.根据权利要求1中所述的一种基于图神经网络的机电扰动定位及传播预测方法，其特征在于，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：其中，表示节点和节点之间线路的电阻，如果节点和节点之间没有线路，则将设为-1；
电感矩阵的生成方法如下：其中，表示节点和节点之间线路的电感，如果节点和节点之间没有线路，则将设为-1。4.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：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。5.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：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。6.根据权利要求1中所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：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：其中，表示节点的所有邻居，表示输入的节点的特征值，表示多层感知机，表示节点和节点之间边的特征值，w表示可学习的权重，b表示可学习的偏置量，表示输出节点的特征值。7.根据权利要求1所述的一种基于图神经网络的强迫振荡定位及传播预测方法，其特征在于：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。

技术总结
本发明公开了一种基于图神经网络的机电扰动定位及传播预测方法。该方法包含离线训练和在线定位两部分。离线训练部分，首先根据电力系统的物理结构获得邻接矩阵及特征矩阵。然后训练基于图神经网络的扰动源定位模型，确定扰动源所在的具体机组。同时根据振荡可能发生的位置训练基于时空图神经网络的振荡传播预测模型，能够准确预测振荡的传播过程。在线定位部分先将发生扰动时电力系统所有节点采集到的有功功率数据输入源定位模型，获得具体的机组位置。然后根据机组的具体位置选择扰动传播预测模型，输入有功功率数据预测未来一段时间内的电力系统所有节点的有功功率数据。本发明不仅有较高的定位正确率，还可以精准预测振荡传播。荡传播。荡传播。


技术研发人员：冯双 彭祥佳 崔昊 雷家兴 汤奕
受保护的技术使用者：东南大学溧阳研究院
技术研发日：2022.04.14
技术公布日：2022/7/29