一种电力系统状态的快速评估方法及系统与流程

1.本发明涉及电力系统自动化技术领域，特别是涉及一种电力系统状态的快速评估方法及系统。


背景技术：

2.随着能源日趋清洁低碳，大量可再生能源、电动汽车等柔性负荷接入电网，系统运行的随机性和波动性加剧，系统状态变化更加频繁，实时可靠的状态估计对维持电网的安全稳定运行意义重大。状态估计作为利用实时量测数据实现电力系统状态感知的重要环节，为电压控制、经济调度、安全分析等功能奠定数据基础。它是电力系统能量管理系统(ems，energy management system)的重要组成部分。
3.由于状态估计问题本身的非线性，基于加权最小二乘的静态状态估计方法不可避免地需要求解一个非凸优化问题，可能存在解非全局最优和不收敛地问题，计算成本较高。新兴的数据方法将迭代过程转化为前向计算，大大提高运算速度。
4.因现有的一些数据驱动算法的一个核心假设是数据样本之间彼此独立，这些数据驱动方法都忽略了电网底层网络之间的物理联系这一重要信息。导致不能充分考虑到电网的拓扑结构，计算精度和速度低。特别在冗余度较低时无法改善状态估计的精度且抗差能力差。


技术实现要素：

5.本发明的目的在于，提出一种电力系统状态的快速评估方法及系统，解决现有方法计算精度和速度低，特别在冗余度较低时无法改善状态估计的精度且抗差能力差的技术问题。
6.一方面，提供一种电力系统状态的快速评估方法，包括以下步骤：
7.步骤s1，获取电力系统信息并将所述电力系统信息转换为预设格式；其中，所述电力系统信息至少包括系统参数信息、系统拓扑信息及系统量测量信息；
8.步骤s2，通过预设的图卷积神经模型对所述电力系统信息进行识别，获得所述电力系统信息的特征值；
9.步骤s3，对所述电力系统信息的特征值进行分线性组合，获得电力系统状态量；根据所述电力系统状态量对电力系统进行状态评估，获得电力系统状态。
10.优选地，所述步骤s1包括：
11.将系统参数信息按照预设的图格式进行转化，获得系统信息图数据；
12.将系统拓扑信息转换按照预设的邻接矩阵进行转化，获得拓扑信息的邻接矩阵；
13.将系统量测量信息按照预设的特征矩阵进行转化，获得系统量测量的特征矩阵。
14.优选地，所述将系统拓扑信息转换按照预设的邻接矩阵进行转化包括：
15.通过系统拓扑信息确定系统线路所有的电网支路信息，并根据预设的电网支路分割阈值将所有的电网支路信息分成第一电网支路、第二电网支路；
16.取任一段电网支路，当该电网支路属于所述第一电网支路时，将拓扑信息的邻接矩阵取值为1；当该电网支路属于所述第二电网支路时，将拓扑信息的邻接矩阵取值为0。
17.优选地，所述预设的特征矩阵至少包括支路的有功潮流量测量、支路无功潮流量测量、母线有功注入功率量测、母线无功注入及电压幅值量测量。
18.优选地，在步骤s2中，所述预设的图卷积神经模型具体包括：
[0019][0020]
其中，x
(l)
表示第l层的特征参数，a表示一个n
×
n维的邻接矩阵，表示各个节点之间的连接关系，表示a的度矩阵，w
(l)
表示l层的权重矩阵。
[0021]
优选地，在步骤s3中，所述电力系统状态量通过以下公式表示：
[0022]
[v
i
,θ
i
]
[0023]
其中，v
i
,表示母线i的电压,θ
i
表示母线i的相角。
[0024]
优选地，所述步骤s3包括：
[0025]
当所述电力系统状态量处于预设的正常状态阈值内，判定电力系统状态正常；
[0026]
当所述电力系统状态量不处于预设的正常状态阈值内，判定电力系统状态异常。
[0027]
另一方面，还提供一种电力系统状态的快速评估系统，用以实现所述的电力系统状态的快速评估方法，包括：
[0028]
系统信息模块，用以获取电力系统信息并将所述电力系统信息转换为预设格式；其中，所述电力系统信息至少包括系统参数信息、系统拓扑信息及系统量测量信息；
[0029]
特征模块，用以通过预设的图卷积神经模型对所述电力系统信息进行识别，获得所述电力系统信息的特征值；
[0030]
状态判断模块，用以对所述电力系统信息的特征值进行组合，获得电力系统状态量；根据所述电力系统状态量对电力系统进行状态评估，获得电力系统状态。
[0031]
优选地，所述系统信息模块还用于将系统参数信息按照预设的图格式进行转化，获得系统信息图数据；将系统拓扑信息转换按照预设的邻接矩阵进行转化，获得拓扑信息的邻接矩阵；将系统量测量信息按照预设的特征矩阵进行转化，获得系统量测量的特征矩阵；其中，所述预设的特征矩阵至少包括支路的有功潮流量测量、支路无功潮流量测量、母线有功注入功率量测、母线无功注入及电压幅值量测量。
[0032]
优选地，所述状态判断模块还用于通过以下公式表示电力系统状态量：
[0033]
[v
i
,θ
i
]
[0034]
其中，v
i
,表示母线i的电压,θ
i
表示母线i的相角；
[0035]
当所述电力系统状态量处于预设的正常状态阈值内，判定电力系统状态正常；
[0036]
当所述电力系统状态量不处于预设的正常状态阈值内，判定电力系统状态异常。
[0037]
综上，实施本发明的实施例，具有如下的有益效果：
[0038]
本发明提供的电力系统状态的快速评估方法及系统，通过将电力系统拓扑信息转换为邻接矩阵，量测量转换为特征矩阵，然后将不同时刻的电网信息通过图卷积神经网络进行特征提取，最后通过全连接层进行特征组合，将传统状态估计中迭代过程转化为前向
计算，大大提高运算速度，充分利用神经网络高效计算的优势，解决了传统模型运行效率低，速度慢的问题，且鲁棒性更强。
[0039]
充分考虑电力网络的拓扑关系，在冗余度为较低，相较于深度神经网络，模型结构更简单，且拟合精度更高；具有很好的抗差能力，且可根据实际情况进行调整，能够适应一些非常规场合；在不同规模系统中均具有良好的适应性，且模型的精度和根据训练样本的提升而提升；在不考虑训练时间的情况下，相较于最小二乘牛顿法迭代，速度有大量的提升。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0041]
图1为本发明实施例中一种电力系统状态的快速评估方法的主流程示意图。
[0042]
图2为本发明实施例中一种电力系统状态的快速评估系统的示意图。
[0043]
图3为本发明实施例中图卷积模型的示意图。
[0044]
图4为本发明实施例中图卷积与估计相角误差对比图。
[0045]
图5为本发明实施例中电压误差对比图。
[0046]
图6为本发明实施例中噪声较大时估计误差对比图。
具体实施方式
[0047]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0048]
如图1所示，为本发明提供的一种电力系统状态的快速评估方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
[0049]
步骤s1，获取电力系统信息并将所述电力系统信息转换为预设格式；其中，所述电力系统信息至少包括系统参数信息、系统拓扑信息及系统量测量信息；可以理解的是，将系统参数信息转换为图格式，拓扑信息转换为邻接矩阵，量测量转换为特征矩阵，为后续提取特征值提供数据基础。
[0050]
具体实施例中，将系统参数信息按照预设的图格式进行转化，获得系统信息图数据；将系统拓扑信息转换按照预设的邻接矩阵进行转化，获得拓扑信息的邻接矩阵；将系统量测量信息按照预设的特征矩阵进行转化，获得量测量特征值。所述预设的特征矩阵至少包括支路的有功潮流量测量、支路无功潮流量测量、母线有功注入功率量测、母线无功注入及电压幅值量测量。可以理解的是，量测量包含[p
ij
,q
ij
,p
i
,q
i
,v
i
],其中，p
ij
是支路ij有功潮流量测量，q
ij
是支路无功潮流量测量，p
i
,是母线有功注入功率量测，,q
i
是母线无功注入，v
i
为电压幅值量测量。经算例验证，所提模型在冗余度较低时，也有非常好的预测精度。
[0051]
步骤s2，通过预设的图卷积神经模型对所述电力系统信息进行识别，获得所述电力系统信息的特征值；可以理解的是，通过图卷积神经网络聚合电力系统信息特征，如图3所示，通过增加不同高斯噪声层提高模型的鲁棒性，适应不同量测精度的场景；gcn，图卷积
神经网络，实际上跟cnn的作用一样，就是一个特征提取器，只不过它的对象是图数据。gcn精妙地设计了一种从图数据中提取特征的方法，从而可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预测(link prediction)，还可以顺便得到图的嵌入表示(graph embedding)。
[0052]
具体实施例中，通过图卷积神经网络(图卷积神经模型)聚合电力系统信息特征，卷积核采用的平均聚合的方式，当激活函数为σ时，其数学模型为：
[0053][0054]
其中，x
(l)
表示第l层的特征参数，a表示一个n
×
n维的邻接矩阵，表示各个节点之间的连接关系，表示a的度矩阵，w
(l)
表示l层的权重矩阵。在卷积过程中，采用矩阵将特征值进行归一化，防止训练过程中梯度消失或梯度爆炸现象，再通过权重w
(l)
，对特征进行平均加权聚合，最后通过激活函数输出到下一层，形成新的特征矩阵。图卷积神经模型中通过增加不同高斯噪声层提高模型的鲁棒性，适应不同量测精度的场景，高斯噪声层标准差为0，方差可根据需要进行人为调整，不同的高斯噪声层可使模型拥有不同的鲁棒性，可是模型工作在不同量测精度的系统中。
[0055]
再具体地，所述预设的图卷积神经模型中确定邻接矩阵的取值具体包括：
[0056]
通过系统拓扑信息确定系统线路所有的电网支路信息，并根据预设的电网支路分割阈值将所有的电网支路信息分成第一电网支路、第二电网支路；
[0057]
取任一段电网支路，当该电网支路属于所述第一电网支路时，将拓扑信息的邻接矩阵取值为1；当该电网支路属于所述第二电网支路时，将拓扑信息的邻接矩阵取值为0。
[0058]
步骤s3，对所述电力系统信息的特征值进行组合，获得电力系统状态量；根据所述电力系统状态量对电力系统进行状态评估，获得电力系统状态。可以理解的是，通过全连接层将卷积神经网络提取的特征进行非线性组合，得到电力系统状态量，完成状态估计；通过全连接层将卷积神经网络提取的特征进行非线性组合，得到电力系统状态量[v
i
,θ
i
]。
[0059]
具体实施例中，电力系统状态量通过以下公式表示：
[0060]
[v
i
,θ
i
]
[0061]
其中，v
i
,表示母线i的电压,θ
i
表示母线i的相角。
[0062]
当所述电力系统状态量处于预设的正常状态阈值内，判定电力系统状态正常；当所述电力系统状态量不处于预设的正常状态阈值内，判定电力系统状态异常。
[0063]
本发明的实施例，在ieee标准57节点系统上进行模型的调试，并拓展到ieee 9节点、14节点、30节点、118节点中进行测试验证。
[0064]
首先，训练样本集构造，训练样本和测试样本采用matpower进行样本生成，系统运行参数设置为：假设系统负荷整体水平服从一定范围区间内的平均分布；各个节点的注入功率服从独立的正态分布，期望为注入功率的基值，标准差为节点注入功率基值的3％。基于此设置，产生2000组离线仿真数据，其中1000组用于训练，1000组用于测试方法有效性。
[0065]
其次，模型构建及训练，对生成的样本数据进行预处理，对所有数据进行标幺化，并由电网拓扑结构生成邻接矩阵。将邻接矩阵和特征矩阵输入模型进行训练，模型结构如图3所示，其中高斯噪声层采用标准差为0，方差为0.01的高斯噪声，噪声标准差可依据不同
场景进行设置。图卷积层分为两层，区别在于第一层输出维度为32，第二层输出维度为16，激活函数都采用relu。全连接层同样分为2层，第一层采用激活函数为relu实现对特征的非线性组合，输出维度为8，第二层不加激活函数，实现对特征的线性组合，最终输出维度为2的状态量[v
i
,θ
i
]。通过梯度下降实现损失函数最小达到训练模型参数的目的。
[0066]
在特定系统中模型训练完成后，仅需将电网拓扑及量测量输入即可得到状态估计值。
[0067]
为了比较基于数据驱动的状态估计在性能方面的优势，本发明采用相同的样本库分使用深层神经网络作为对照模型。
[0068]
将样本库中[p
i
,q
i
,u
i
]加入1％的高斯噪声作为伪测量量，输出为状态量[u
i
,θ
ij
]。取估计误差作为评判标准，其中x为真实值，为估计值。在测试集上得到的结果图4和图5所示，可以看出基于图卷积计算的方法在预测相角的精度上相较于其他两种方法有更好，在预测电压方面，由于电压本身误差较小，所以图卷积神经网络和深层神经网络都有较好的效果。
[0069]
为了应对不同强度的噪声，测试了模型在不同噪声情况下状态量估计误差的均方值，在噪声标准差在1％以下时，估计误差均方根误差在4
×
10
‑3以下，精度很高。
[0070]
随着噪声标准差的逐步加大，模型精度逐渐下降，本发明通过更改训练模型时高斯层的参数，来提升模型的抗差能力。如图6所示，训练时加标准差为0.01的高斯噪声层模型在测试集噪声标准差小于2％时，估计误差均方差较小。而大于2％时，训练时加标准差0.1的模型效果更好。因此，可以根据不同场景下的不同需求，人为设置高斯噪声层的参数。
[0071]
为了检测所提模型对不同规模系统的适用性，分别在ieee 9节点、14节点、30节点、57节点、118节点上进行测试，所得估计误差的均方根误差如下表所示，可以看出，模型在应对9、14、30、57节点系统时均方根误差都比较小，在2
×
10
‑3以下。而118节点系统的均方误差则比较大，原因可能是系统规模扩大后1000个训练样本可能难以充分描述系统特征，模型无法完成充分的训练，容易过度拟合的符合少量的训练数据特征，在采用9000个样本进行训练后，估计误差均方根误差降到1.96
×
10
‑3。
[0072]
不同系统规模估计误差均方值如下表，
[0073][0074]
数据物理融合模型的一大优点在于解决了计算速度和计算精度的矛盾，在时间层面，此发明将训练完成的模型与基于最小二乘法的状态估计进行比较：对1000个相同样本，计算总时间后取平均作为单个样本的测试时常。
[0075]
对比传统方法计算时效性比较如下表，
[0076][0077]
由上表可看出在不同规模节点系统中，基于数据物理融合模型的计算时间较最小二乘法都有极大的提升，计算时效很高。
[0078]
如图2所示，为本发明提供的一种电力系统状态的快速评估系统的一个实施例的示意图。在该实施例中，所述系统用以实现所述的电力系统状态的快速评估方法，包括：
[0079]
系统信息模块，用以获取电力系统信息并将所述电力系统信息转换为预设格式；其中，所述电力系统信息至少包括系统参数信息、系统拓扑信息及系统量测量信息；
[0080]
特征模块，用以通过预设的图卷积神经模型对所述电力系统信息进行识别，获得所述电力系统信息的特征值；
[0081]
状态判断模块，用以对所述电力系统信息的特征值进行分线性组合，获得电力系统状态量；根据所述电力系统状态量对电力系统进行状态评估，获得电力系统状态。
[0082]
具体实施例中，所述系统信息模块还用于将系统参数信息按照预设的图格式进行转化，获得系统信息图数据；将系统拓扑信息转换按照预设的邻接矩阵进行转化，获得拓扑信息的邻接矩阵；将系统量测量信息按照预设的特征矩阵进行转化，获得量测量特征值；其中，所述预设的特征矩阵至少包括支路的有功潮流量测量、支路无功潮流量测量、母线有功注入功率量测、母线无功注入及电压幅值量测量；
[0083]
以及用于通过系统拓扑信息确定系统线路所有的电网支路信息，并根据预设的电网支路分割阈值将所有的电网支路信息分成第一电网支路、第二电网支路；
[0084]
取任一段电网支路，当该电网支路属于所述第一电网支路时，将拓扑信息的邻接矩阵取值为1；当该电网支路属于所述第二电网支路时，将拓扑信息的邻接矩阵取值为0。
[0085]
具体地，所述状态判断模块还用于通过以下公式表示电力系统状态量：
[0086]
[v
i
,θ
i
]
[0087]
其中，v
i
,表示母线i的电压,θ
i
表示母线i的相角；
[0088]
当所述电力系统状态量处于预设的正常状态阈值内，判定电力系统状态正常；
[0089]
当所述电力系统状态量不处于预设的正常状态阈值内，判定电力系统状态异常。
[0090]
关于电力系统状态的快速评估系统的具体实现过程，可参考上述电力系统状态的快速评估方法的过程，在此不再赘述。
[0091]
综上，实施本发明的实施例，具有如下的有益效果：
[0092]
本发明提供的电力系统状态的快速评估方法及系统，通过将电力系统拓扑信息转
换为邻接矩阵，量测量转换为特征矩阵，然后将不同时刻的电网信息通过图卷积神经网络进行特征提取，最后通过全连接层进行特征组合，将传统状态估计中迭代过程转化为前向计算，大大提高运算速度，充分利用神经网络高效计算的优势，解决了传统模型运行效率低，速度慢的问题，且鲁棒性更强。
[0093]
充分考虑电力网络的拓扑关系，在冗余度为较低，相较于深度神经网络，模型结构更简单，且拟合精度更高；具有很好的抗差能力，且可根据实际情况进行调整，能够适应一些非常规场合；在不同规模系统中均具有良好的适应性，且模型的精度和根据训练样本的提升而提升；在不考虑训练时间的情况下，相较于最小二乘牛顿法迭代，速度有大量的提升。
[0094]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。