基于图神经网络的配电网电压多阶段控制方法及相关设备与流程

本申请涉及电力系统的，具体涉及基于图神经网络的配电网电压多阶段控制方法及相关设备。

背景技术：

1、随着大规模新能源的快速、持续接入，新型电力系统配电网电压控制研究已成为配电网研究的关键课题之一。

2、当前，配电网电压控制的主要方向在于挖掘新能源的电压控制潜力，通过新能源就地控制或分区集中控制实现电压的就地或局部控制，该思路主要从“源”的角度出发制定配电网电压控制策略，但是不同的配电网电压等级接入的新能源类型和运行特征存在显著差异，高（110kv、35kv）、中（10kv）压配电网主要接入集中式新能源场站，装机容量大，且装设有静止无功发生器（svg），其电压控制性能较强，而低压（380/220v）配电网接入分布式新能源（以屋顶光伏为主），装机容量小，数量分散，主要依赖于逆变器功率因数调节区间进行电压控制，调节性能较差，通常采用台区或集群形式进行控制，因此，从“源”角度进行该课题的研究无法兼顾配电网不同电压等级、不同电源类型等因素，该类控制方法或策略忽视各电压等级和各类型新能源场站通过电网的互相影响，未进行“网”的考虑；同时该思路仅考虑新能源节点的电压控制，也忽视电网一般节点通过主变档位或电容器投切进行的电压协同控制，未进行电网节点的考虑。

3、另一研究思路主要将电压控制转化为优化问题，即考虑配电网电压控制的目标函数，除电压控制偏差最小外，增加了有功削减、电量损失等诸多优化目标函数，通过智能算法求解控制策略，该类方法或策略从“网”侧出发，充分考虑电网的全局控制的优化，但无法充分确保优先新能源节点电压控制，也无法确定各电压等级不同类型节点电压控制的先后性，无法实现“源”和“网”的协同。

4、此外，在配电网电压控制方法研究和应用中，还通常采用遗传算法、粒子群算法等智能优化算法实现配电网各节点的协同控制，但无法确保确定各电压等级以及各类型节点的控制方向及控制顺序，尽管提出基于电压灵敏度的控制思路来弥补这一缺陷，但电压灵敏度如何参与优化模型的建立成为研究难点；同时，深度学习网络在配电网电压控制模型中开始深入应用，强化学习网络因其良好的适应性和复杂决策的学习性能被广泛采用，但是该模型在应用中过度依赖于奖励函数用于控制决策，奖励函数的设计水平决定模型的优劣；此外，配电网电压控制需要考虑“源”和“网”之间的多阶段协同控制，数据中具有很强的时间和空间特征，而强化学习需要大量的标签数据用于训练，无法实现时间和空间特征的提取，在应用中存在局限性。

技术实现思路

1、为了解决上述技术缺陷之一，本申请中提供了一种基于图神经网络的配电网电压多阶段控制方法及相关设备，能够实现新型电力系统配电网电压的稳定运行。

2、根据本申请的第一个方面，提供了基于图神经网络的配电网电压多阶段控制方法，包括以下步骤：

3、s10，构建反映各配电网节点之间电压幅值与无功功率变化敏感度的邻接矩阵和反映配电网各节点无功功率分布的配电网节点特征矩阵；

4、s20，设置控制周期，在每个控制周期内，根据电网潮流计算结果和采集的电网数据采集与监视控制系统（scada系统）数据，实时更新邻接矩阵和配电网节点特征矩阵；

5、其中，所述控制周期包含四个阶段，分别为：中低压配电网新能源电压控制阶段、中低压配电网电压控制阶段、高压配电网新能源电压控制阶段和高压配电网电压控制阶段；

6、s30，根据实时更新的邻接矩阵和配电网节点特征矩阵，构建每个控制周期的动态邻接矩阵和动态配电网节点特征矩阵；

7、其中，；；

8、所述、、和分别表示控制周期四个阶段的邻接矩阵；、、和分别表示控制周期四个阶段的配电网节点特征矩阵；

9、s40，将动态邻接矩阵和动态配电网节点特征矩阵输入至具有门控循环单元的动态图卷积神经网络，进行动态图卷积特征、时间图卷积特征、空间图卷积特征的提取；

10、s50，将提取的时间图卷积特征、空间图卷积特征输入至全连接网络和分类器中进行特征融合和分类预测，得到配电网各节点控制动作量序列；

11、s60，根据配电网各节点控制动作量序列进行节点电压的调整。

12、根据本申请的第二个方面，提供了一种电子设备，包括：

13、存储器；处理器；以及计算机程序；

14、其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上所述的方法。

15、根据本申请的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行以实现如上所述的方法。

16、本申请由于采用以上技术方案，具有以下技术效果：

17、本申请中，构建了每个控制周期的动态邻接矩阵和动态配电网节点特征矩阵，并通过具有门控循环单元的动态图卷积神经网络对动态邻接矩阵和动态配电网节点特征矩阵进行特征提取和分类预测，得到配电网各节点控制动作量序列；采用反映各配电网节点之间电压幅值与无功功率变化敏感度的邻接矩阵应用于动态图卷积神经网络，通过动态图卷积神经网络提取动态图卷积特征、时间图卷积特征和空间图卷积特征，实时学习不同阶段电压灵敏度和节点特征，得到配电网各节点控制动作量序列，并根据配电网各节点控制动作量序列进行节点电压的调整，实现多阶段电压控制，使新型电力系统配电网电压能够稳定的运行。

技术特征：

1.基于图神经网络的配电网电压多阶段控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s10中，邻接矩阵的表达式为：

3.根据权利要求1所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s10中，所述配电网节点特征矩阵的表达式为：

4.根据权利要求1所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s40中，所述动态图卷积特征的提取，包括：

5.根据权利要求4所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s40中，所述时间图卷积特征的提取，包括：基于门控循环单元进行时间图卷积计算，提取时间特征；具体包括：

6.根据权利要求5所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s40中，所述空间图卷积特征的提取，包括：采用隐状态矩阵和动态图邻接矩阵，进行空间图卷积计算，提取空间特征；具体包括：

7.根据权利要求6所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s60，根据配电网各节点控制动作量序列进行节点电压的调整；包括：计算特征向量中心性，识别出每一阶段参与电压控制的重要节点及各重要节点的动作顺序；具体包括：

8.根据权利要求1所述的基于图神经网络的配电网电压多阶段控制方法，其特征在于，所述s50中，所述控制动作量序列中的控制动作量通过标签量表示，所述标签量包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1至8任一项所述的方法。

技术总结本申请提供了基于图神经网络的配电网电压多阶段控制方法及相关设备；包括：S10，构建邻接矩阵和配电网节点特征矩阵；S20，在每个控制周期内，实时更新邻接矩阵和配电网节点特征矩阵；S30，构建每个控制周期的动态邻接矩阵和动态配电网节点特征矩阵；S40，将动态邻接矩阵和动态配电网节点特征矩阵输入至具有门控循环单元的动态图卷积神经网络，进行动态图卷积特征、时间图卷积特征、空间图卷积特征的提取；S50，将提取的特征输入至全连接网络和分类器中，得到配电网各节点控制动作量序列；S60，根据配电网各节点控制动作量序列进行节点电压的调整；具有实现电压稳定运行的有益效果，适用于电力系统的技术领域。技术研发人员：陈文刚,姬玉泽,张兆锋,王新瑞,田瑞敏,董建军,徐囡,李海燕,何云波,冯丽云,孔家伦,马伟天,张燕丽,赵赫,李政宇,许泳涛受保护的技术使用者：国网山西省电力公司晋城供电公司技术研发日：技术公布日：2024/7/25