边图神经网络电力系统静态安全评估方法及系统与流程

本发明属于电力系统静态稳定评估领域，具体涉及一种边图神经网络电力系统静态安全评估方法及系统。

背景技术：

1、传统的电网安全预警领域，主要是针对基于模型驱动的一些离线方法。如：较早的安全预警概念，基于一种“分诊—会诊”模式的电网安全预警技术，在“分诊”中多维地寻找电网安全隐患、确定电网安全级别，在“会诊”中做出综合预警，实现了高度的自动化。也有技术从时间维、空间维和对象维三个层面设计了电网安全预警和决策支持系统。有技术依据电力系统三道防线设计了一种大停电防御体系，而电网安全预警是该体系的基础，三道防线重点在于故障后的保护控制，无法提前预警。也有技术基于ems和dts数据平台，将静态安全问题、暂态安全问题、电压安全问题和继电保护定值校核等问题进行综合考虑，构建电网安全预警系统。还有技术构建了电力系统在线动态安全评估和预警系统(pdsa)，该系统能实现静态稳定、暂态稳定、电压稳定、小干扰稳定等多种类型的在线安全稳定分析。有学者研发了大电网安全分析、预警及控制系统，能够初步预演、分析、预警和预控各类电网故障与事故。

2、随着智能电网的不断发展，一方面电网规模越来越大，高比例新能源与交直流混联导致电网的运行方式日趋发杂和接近稳定运行边界；另一方面大量的测量手段和多时空时间尺度数据的积累，亦对电网的运行分析和评估带来新的挑战，传统的基于“模型驱动型”的电网风险评估技术存在以下问题：①关键线路或输电断面是调度运行人员对电网“降维监控”的重要手段，而在传统“模型驱动型”电网安全预警中，输电断面离线制定，无法在线更新，难以适应目前电网复杂多变的运行方式。②断面极限传输容量是调度员进行断面监控的重要依据，需要将断面潮流控制在断面极限传输容量之下。但在传统“模型驱动型”电网安全预警中，运行规则相对粗放，缺乏对电网安全特征的选择，无法明确地表达出影响电网安全的关键因素，更难以依照这些关键因素对电网进行预警预控。③实时性是安全预警的基本要求，由于计算能力的限制，“模型驱动型”电网安全预警很难做到实时预警，更难以实现实时或超前预警。

3、因此，迫切需要开展智能电网信息物理环境下数据驱动的电网静态风险评估相关的数据生成与预处理技术，电压越限和线路阻塞风险预警等问题的研究。

技术实现思路

1、本发明的目的在于提供一种边图神经网络电力系统静态安全评估方法及系统，以克服现有技术存在的问题，本发明可以同时提取电网的运行特征和结构特征，能够适应n–1故障引起网络拓扑结构的变化和新能源的波动引起的不确定性；评估计算速度快，可实现海量、多预想事故下的准确评估。

2、为达到上述目的，本发明采用如下技术方案：

3、边图神经网络电力系统静态安全评估方法，包括：

4、获取目标电力系统的参数；

5、将目标电力系统的参数输入预先建立的基于多头注意力机制的边图注意力网络模型，通过基于多头注意力机制的边图注意力网络模型的输出结果得到电力系统静态安全评估结果；

6、所述基于多头注意力机制的边图注意力网络模型包括：

7、标准化层：用于对输入的参数进行标准化；

8、多层边图注意力层：用于对标准化后的参数进行特征提取与更新变换，每一层边图注意力层均引入多头注意力机制；

9、全连接层：用于处理边图注意力层的输出结果，得到电力系统静态安全评估结果。

10、进一步地，所述目标电力系统的参数包括系统拓扑连接、负荷和发电机运行数据；

11、所述系统拓扑连接包括各种正常、检修、新投运支路电阻、电抗、电纳和连接状态；

12、所述负荷和发电机运行数据包括不同运行方式下负荷的有功、无功功率和发电机有功、无功功率；

13、所述运行方式指不同常规发电机组、新能源机组、负荷多种潮流运行方式。

14、进一步地，所述基于多头注意力机制的边图注意力网络模型通过训练样本集进行训练得到，所述训练样本集获取过程如下：

15、基于电力系统的仿真模型，随机设置不同的发电或负荷水平及不同故障，通过牛顿-拉夫逊法计算潮流，得到由节点电压向量和支路功率向量组成的标签y；

16、将电力系统的负荷和发电机运行数据对应节点特征hi，将电力系统的系统拓扑连接对应边特征fij，所述节点特征hi和边特征fij共同组成输入特征；

17、基于标签y和输入特征构建训练样本集为{hi,fj|yk},i∈n,j∈m,k∈s，s为样本数，n为节点数，m为边数。

18、进一步地，所述训练的过程具体为：

19、每次从训练样本集中随机抽取预设数量的样本，设置学习率，采用adam方法对模型进行训练，损失函数为均方，表达式为：

20、

21、其中，为模型计算输出值；

22、训练直至模型损失函数小于设定的阈值，获得基于多头注意力机制的边图注意力网络模型。

23、进一步地，所述标准化采用z-score方法，计算公式为：

24、

25、其中，x为样本初值，xμ为样本均值，xσ为样本标准差，x*为样本标准化后的值；

26、所述的每一层边图注意力层的计算公式为：

27、h'i＝whi+b

28、f'ij＝leakyrelu(a[h'i||fij||h'j])

29、

30、h”i＝∑i∈nαijh'i

31、其中，hi、fij分别表示初始节点特征、边特征，h”i、fij”分别表示更新后的节点特征、边特征，αij为注意力系数，w、b、a、f为可学习权重矩阵；

32、所述多注意机制的计算表达式为：

33、

34、其中，p为注意力头数目，αin,p为第p次计算所得的注意力系数，h'n,p为第p次更新后的节点特征。

35、进一步地，所述通过基于多头注意力机制的边图注意力网络模型的输出结果得到电力系统静态安全评估结果，具体为：

36、将基于多头注意力机制的边图注意力网络模型的输出结果与预设阈值比较，根据比较结果实现电力系统静态安全评估；

37、所述基于多头注意力机制的边图注意力网络模型的输出结果包括节点电压和支路功率；

38、所述比较结果用0或1表示，所有为1的变量对应的节点或支路集合为不稳定区域，所有为0的变量对应的节点或支路集合为稳定区域。

39、边图神经网络电力系统静态安全评估系统，包括：

40、参数获取模块：用于获取目标电力系统的参数；

41、评估模块：将目标电力系统的参数输入预先建立的基于多头注意力机制的边图注意力网络模型，通过基于多头注意力机制的边图注意力网络模型的输出结果得到电力系统静态安全评估结果；

42、所述基于多头注意力机制的边图注意力网络模型包括：

43、标准化层：用于对输入的参数进行标准化；

44、多层边图注意力层：用于对标准化后的参数进行特征提取与更新变换，每一层边图注意力层均引入多头注意力机制；

45、全连接层：用于处理边图注意力层输出的结果，得到电力系统静态安全评估结果。

46、进一步地，所述参数获取模块中，目标电力系统的参数包括系统拓扑连接、负荷和发电机运行数据；

47、所述系统拓扑连接包括各种正常、检修、新投运支路电阻、电抗、电纳和连接状态；

48、所述负荷和发电机运行数据包括不同运行方式下负荷的有功、无功功率和发电机有功、无功功率；

49、所述运行方式指不同常规发电机组、新能源机组、负荷多种潮流运行方式。

50、进一步地，所述评估模块中，基于多头注意力机制的边图注意力网络模型通过训练样本集进行训练得到，所述训练样本集获取过程如下：

51、基于电力系统的仿真模型，随机设置不同的发电或负荷水平及不同故障，通过牛顿-拉夫逊法计算潮流，得到由节点电压向量和支路功率向量组成的标签y；

52、将电力系统的负荷和发电机运行数据对应节点特征hi，将电力系统的系统拓扑连接对应边特征fij，所述节点特征hi和边特征fij共同组成输入特征；

53、基于标签y和输入特征构建训练样本集为{hi,fj|yk},i∈n,j∈m,k∈s，s为样本数，n为节点数，m为边数；

54、所述训练的过程具体为：

55、每次从训练样本集中随机抽取预设数量的样本，设置学习率，采用adam方法对模型进行训练，损失函数为均方，表达式为：

56、

57、其中，为模型计算输出值；

58、训练直至模型损失函数小于设定的阈值，获得基于多头注意力机制的边图注意力网络模型。

59、进一步地，所述评估模块中，通过基于多头注意力机制的边图注意力网络模型的输出结果得到电力系统静态安全评估结果，具体为：

60、将基于多头注意力机制的边图注意力网络模型的输出结果与预设阈值比较，根据比较结果实现电力系统静态安全评估；

61、所述基于多头注意力机制的边图注意力网络模型的输出结果包括节点电压和支路功率；

62、所述比较结果用0或1表示，所有为1的变量对应的节点或支路集合为不稳定区域，所有为0的变量对应的节点或支路集合为稳定区域。

63、与现有技术相比，本发明具有以下有益的技术效果：

64、本发明方法可以不需要准确的电网数学模型，仅仅基于仿真数据和历史运行数据进行挖掘，可以同时进行离线学习和在线学习，不断提升机器学习电网静态安全评估方法的准确性，从而克服传统的n-1静态安全分析无法对系统安全进行在线快速准确预警的缺点；并通过预想事故分析对电网静态运行风险预警，同时可以为电网静态运行风险预防和调度控制提供决策支持，显著提升电网实际运行的安全性，并将具有显著的经济和社会效益。