一种基于图卷积网络的电网运行风险预测系统及方法与流程

本发明涉及电力系统，具体涉及一种基于图卷积网络的电网运行风险预测系统及方法。

背景技术：

1、随着电网规模的不断扩大和运行日益复杂化，电网n-1故障可能会引发新的潜在运行风险，由此导致的大规模停电事故时有发生，并且难以预测，可能波及的范围更广，造成的后果也更为严重，给运维人员带来了前所未有的挑战。

2、电网运行风险预测是确保电网系统安全的重要分析工具。为了应对日益增长的电网规模对电力系统运行的影响，电网运行风险预测通过对某条支路进行开断，考虑有功功率、无功功率、电流、电压等因素，设计并实施电网运行风险防控策略，以确保电网的可靠运行。针对一个含有n条支路的系统，传统的电网运行风险预测需要考虑n个单条线路故障场景，执行n次潮流计算。然而，随着电网系统日益复杂化，现有的传统电网运行风险预测存在诸多问题，比如含电网运行风险预测前数据的指标可能由于电网运行风险预测前后潮流变化而不适用于实际场景，传统电网运行风险预测计算的时间呈指数增长等。因此，面对不断扩大的电力系统规模，需要研究一种高效的电网运行风险预测计算方法。

技术实现思路

1、本发明的目的是针对传统电网运行风险预测模型计算复杂度高、耗时长，以及部分指标对电网运行风险表征能力不足的问题，从而提出了一种基于图卷积网络的电网运行风险预测系统及方法。该方法采用拓扑结构处理能力较强的图神经网络作为基础模型，构建了电网支路设备负载率的快速计算框架，图神经网络利用了拓扑节点间的连接，通过信息传递的方式挖掘了图中节点间的相互信息，同时，在该框架中，电网中的设备被视为图神经网络的节点，使得该网络具有了电网设备间局部连接和参数共享的特性。

2、为实现此目的，本发明所设计的一种基于图卷积网络的电网运行风险预测系统，包括：训练数据构建模块用于将静态安全分析历史数据根据时间节点在电网系统状态估计历史断面数据中查找特征变量，得到训练数据集，并将训练数据集中的设备依据负载率区间进行类别标注；

3、拓扑特征提取模块用于将图神经网络的节点和边通过真实电网设备间的连接建立电网系统设备邻接矩阵，根据标注后的训练数据集建立电网系统设备特征矩阵，将电网系统设备邻接矩阵和电网系统设备特征矩阵融合并进行特征提取，得到特征向量；

4、特征映射模块用于将特征向量输入到深度神经网络中得到包含负载率区间种类的矩阵，利用包含负载率区间种类的矩阵得到负载区间的概率分布向量。

5、上述技术方案还包括原始数据处理模块，原始数据处理模块用于采集静态安全分析历史数据和电网系统状态估计历史断面数据，并对电网系统状态估计历史断面数据进行数据清洗；

6、训练数据构建模块用于将数据清洗后的静态安全分析历史数据根据时间节点在历史断面数据中查找特征变量，得到训练数据集。

7、本发明的有益效果：

8、本发明首先构建了拓扑特征提取模块，充分利用了图神经网络在提取拓扑信息方面的能力，高效地建立电网的数理方程映射，利用其快速、准确的拟合与推理能力，与电网运行机理相协同，从而支撑电网在线分析等任务的高精度快速求解；其次，建立了特征映射模块，特征映射模块是由深度神经网络构成，以提升基于在线分析数据的电网风险预测与分析功能。通过这一研究，将图神经网络和深度神经网络巧妙结合，模型能够更好地理解和预测电网的运行风险，为电网的安全稳定运行提供更加可靠的保障。

技术特征：

1.一种基于图卷积网络的电网运行风险预测系统，其特征在于，包括：训练数据构建模块用于将静态安全分析历史数据根据时间节点在电网系统状态估计历史断面数据中查找特征变量，得到训练数据集，并将训练数据集中的设备依据负载率区间进行类别标注；拓扑特征提取模块用于将图神经网络的节点和边通过真实电网设备间的连接建立电网系统设备邻接矩阵，根据标注后的训练数据集建立电网系统设备特征矩阵，将电网系统设备邻接矩阵和电网系统设备特征矩阵融合并进行特征提取，得到特征向量；特征映射模块用于将特征向量输入到深度神经网络中得到包含负载率区间种类的矩阵，利用包含负载率区间种类的矩阵得到负载区间的概率分布向量。

2.根据权利要求1所述的基于图卷积网络的电网运行风险预测系统，其特征在于，还包括原始数据处理模块，原始数据处理模块用于采集静态安全分析历史数据和电网系统状态估计历史断面数据，并对电网系统状态估计历史断面数据进行数据清洗；

3.根据权利要求2所述的基于图卷积网络的电网运行风险预测系统，其特征在于，对所述电网系统状态估计历史断面数据进行数据清洗的具体方法为：

4.根据权利要求2所述的基于图卷积网络的电网运行风险预测系统，其特征在于，所述静态安全分析历史数据为静态安全分析n-1历史计算数据；

5.根据权利要求4所述的基于图卷积网络的电网运行风险预测系统，其特征在于，对所述训练数据集中的设备依据负载率区间进行类别标注的具体方法为：根据设备对应的负载率区间类别进行标注，其类别包括：负载率50-90％为需要关注的设备，标签为b-normal50；负载率90-100％为需要重点关注的设备，标签为b-normal90；负载率100-120％为有越限需要采取相应措施的设备，标签为b-over0；负载率>120％为重点需要关注并马上进行控制的设备，标签为b-over20。

6.根据权利要求1所述的基于图卷积网络的电网运行风险预测系统，其特征在于，所述图神经网络的矩阵表达式为：

7.根据权利要求6所述的基于图卷积网络的电网运行风险预测系统，其特征在于，将电网系统中的设备和母线视为图神经网络的节点，电网系统中的设备与母线之间的连接关系视为图神经网络的边；

8.根据权利要求7所述的基于图卷积网络的电网运行风险预测系统，其特征在于，将所述电网系统设备特征矩阵xn×f进行归一化处理的具体方法为：将所述电网系统设备特征矩阵xn×f输入z-score模型中，所述z-score模型的公式为：

9.根据权利要求1所述的基于图卷积网络的电网运行风险预测系统，其特征在于，所述深度神经网络由输入层、多个隐藏层和输出层组成，每个隐藏层包含多个神经元，神经元之间通过权重连接进行信息传递；

10.一种基于图卷积网络的电网运行风险预测方法，其特征在于，它包括如下步骤：

11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求10所述方法的步骤。

12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求10所述方法的步骤。

技术总结本发明公开了基于图卷积网络的电网运行风险预测系统及方法，它包括：训练数据构建模块用于将静态安全分析历史数据根据时间节点在电网系统状态估计历史断面数据中查找特征变量，得到训练数据集，并将训练数据集中的设备进行类别标注；拓扑特征提取模块用于将图神经网络的节点和边通过真实电网设备间的连接建立电网系统设备邻接矩阵，根据标注后的训练数据集建立电网系统设备特征矩阵，将电网系统设备邻接矩阵和电网系统设备特征矩阵融合并进行特征提取，得到特征向量；特征映射模块用于将特征向量输入到深度神经网络中得到包含负载率区间种类的矩阵，利用包含负载率区间种类的矩阵得到负载区间的概率分布向量。本发明能更好预测电网的运行风险。技术研发人员：陈宏福,韩政,张越,单连飞,孙阳盛,朱靖恺,王治华,康福权,吴裔,姜玉靓,乔咏田,朱曦,单铭琪,安卓阳,葛文武,杨冰受保护的技术使用者：国网上海市电力公司技术研发日：技术公布日：2024/7/29