一种注意力机制驱动的图神经网络预测电网状态的系统的制作方法

本发明属于电网可靠性领域，更具体地，涉及一种注意力机制驱动的图神经网络预测电网状态的系统。

背景技术：

1、电能在现代生产和生活中扮演着不可或缺的角色，成为人们生产和生活中必不可少的二次能源。为了确保电力系统的稳定可靠供应，电力系统面临着重要任务之一，即实现电能的稳定供应。在这一背景下，电力负荷预测成为电力系统日常任务的关键组成部分。

2、精确的电力负荷预测对于电网制定运行计划、安排发电机组启停、以及规划电网的增容改建等工作至关重要。当前电力负荷预测任务分为短期、中期和长期预测，其时间跨度从小时到月、年不等。不同的建模方法包括统计学方法、回归模型、专家系统和人工神经网络等。

3、传统的统计学方法和回归模型在表达负荷与监测变量之间复杂非线性关系方面存在困难，专家系统对专业知识和数据的高要求使其应用受限。人工神经网络被认为是目前最具应用前景的电力负荷预测技术。其中，卷积神经网络(cnn)能较好地捕捉变量间的空间耦合关系，而循环神经网络(rnn/lstm)擅长描述时间关联关系，但其计算复杂度高、网络收敛速度慢，不太符合电力系统对实时性的要求。

技术实现思路

1、本发明提供了一种注意力机制驱动的图神经网络预测电网状态的系统，以克服现有技术中存在的不足。

2、该方法首先实时采集电力系统运行参数，然后构建每个时刻的特征电气特征矩阵，包括节点的电压、相角、发电机有功和无功出力，以及负荷的有功和无功功率。

3、

4、其中，vtmi,vtφi,vtpi,vtqi,vtpi,vtqi,分别表示时刻t时节点i处的电压幅值、电压相角、发电机有功、发电机无功、负荷的有功功率和负荷的无功功率，n表示电力系统中节点的数量。因此该矩阵为n×6的矩阵。

5、接着，通过将一段时间的特征矩阵和当前电力系统的拓扑矩阵输入图神经网络，该网络包括多个graphsage层和一个bert(bidirectional encoder representationsfrom transformers)层，其中graphsage处理电气特征和拓扑信息，bert层负责对电力系统总失负荷进行预测。每个graphsage的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵，所有graphsage的输出聚合为一个序列，作为bert的输入。通过调整神经网络中的参数，实现对电力系统连锁故障风险的实时评估。此方法为电力调度中心提供了可靠的决策依据，有效提高了对潜在故障风险的识别和应对能力。

6、进一步地，所述电力系统的仿真故障数据通过如下方法获得：

7、步骤1：整理获取的历史数据，进行相应的预处理，获取时间序列数据。

8、步骤2：使用时间序列数据来模拟系统参数的变化。生成发电机出力和负荷值的时间序列，并基于这些序列进行仿真。

9、步骤3：计算潮流：首先初始化系统参数：包括节点电压、发电机出力、负荷值等。

10、然后使用潮流计算方法解决电力系统的潮流方程，得到系统在稳态时的电压和功率分布。

11、接下来针对每个节点检查电压值是否超过阈值，超过后则因为保护电机脱网，若电机脱网则重复进行下面的步骤4，否则进入步骤5。

12、步骤4：发电机脱网，导致功率不平衡，需要切除相应的负载，知道潮流收敛功率平衡，再次回到步骤2。

13、步骤5：若没有脱网，则记录新的系统时序电气特征，补充到数据库中，为后续分析提供数据支持。

14、进一步地，利用电力系统的历史故障数据或仿真得到的故障数据作为训练集，动态调整神经网络的可训练参数，采用的是梯度法，以均方误差作为损失函数。

15、进一步地，包括：

16、数据获取模块，负责实时采集电力系统运行参数，构建时刻t的特征电气特征矩阵。

17、连锁故障风险实时评估模块，其中嵌入了一个训练完成的图神经网络。该模块能依据一段时间内的特征电气特征矩阵和当前电力系统拓扑矩阵，实时输出对电力系统总损失负荷的预测。这预测不仅提供了对当前电力系统状态的洞察，而且通过对失负荷的评估，实时评估了电力系统连锁故障的风险。

技术特征：

1.一种注意力机制驱动的图神经网络预测电网状态的系统，其特征在于：实时采集电力系统运行参数，构建每个时刻的特征电气特征矩阵，将一段时间的特征电气特征矩阵及当前电力系统的拓扑矩阵输入至一训练好的图神经网络，输出预测的电力系统总失负荷对电力系统连锁故障风险进行实时评估。

2.根据权利要求1所述的系统，其特征在于，所述图神经网络包括多个graphsage(graph sample and aggregated)层和一个bert(bidirectional encoderrepresentations from transformers)层，graphsage层的个数与输入的一段时间的特征电气特征矩阵个数相等，每个graphsage层的输入为一个时刻的特征电气特征矩阵和当前电力系统的拓扑矩阵；所有graphsage层的输出聚合为一个序列作为bert(bidirectionalencoder representations from transformers)的输入，bert(bidirectional encoderrepresentations from transformers)输出预测的电力系统总失负荷。

3.根据权利要求1所述的系统，其特征在于，每个时刻的特征电气特征矩阵具体表示如下：

4.根据权利要求1所述的系统，其特征在于，图神经网络基于所述电力系统的历史故障数据或所述电力系统的仿真故障数据训练获得；其具体的获得步骤：

5.根据权利要求4所述的系统，其特征在于，包含的数据获取模块，其特点为负责实时采集电力系统运行参数，构建时刻t的特征电气特征矩阵，连锁故障风险实时评估模块，其中嵌入了一个训练完成的图神经网络，该模块能依据一段时间内的特征电气特征矩阵和当前电力系统拓扑矩阵，实时输出对电力系统总损失负荷的预测，这预测不仅提供了对当前电力系统状态的洞察，而且通过对失负荷的评估，实时评估了电力系统连锁故障的风险。

技术总结
本发明公开了一种注意力机制驱动的图神经网络预测电网状态的系统，通过图神经网络提取了历史故障中时序电气特征与最终故障规模间的高度非线性映射关系，并基于这种映射关系根据电力系统实时运行数据预测连锁故障风险。本发明对保障电力系统安全稳定运行有着重要意义。

技术研发人员：李涛,董鑫,王浩亮,张毅,王建云,李建强,薛华,郭完义,宋晓玲,乔梦琛,宋婧楷,王丽娟,翟宇清,马宁,茹剑文
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：2024/3/24