一种基于图神经网络的电网潮流调整方法

本发明涉及一种电网潮流调整方法，属于电网控制。

背景技术：

1、电网是一个非常复杂且重要的系统，关于电网如何有效稳定运行的研究非常重要，电力系统进行设计、规划结构以及对电力系统的调度优化以其为基础，所以它具有重要的意义。

2、电力系统的潮流计算是一组高阶非线性方程，迭代是计算这种方程的有效方法，因此，如果想要成功进行潮流计算，那就要确保它是能够收敛的，这样才能最终成功进行计算并给出答案。然而科技经济的快速增长，使得城市化程度越来越高，因此电网具有了更大的规模，一直在飞速增长，使得电网潮流收敛常常难以达成。一般情况下会有两种不收敛形式：第一种形式是因为算法的各种问题导致在有合理解的情况下也没办法得到正确的解；第二种形式是由于电网的各种参数条件的问题而导致没有合理解。当面对第二种形式时，就需要对于给定的参数条件进行修改(比如发电机的有功发电、无功发电修改等)使潮流计算收敛。

3、目前潮流不收敛主要是通过人为地手动进行调整，调整过程中非常依赖专家经验，要进行大量且复杂的试错过程，严重依赖专家经验，大量地耗费人力资源且速度很慢。我国的大电网规模极其庞大，不收敛的情况时有发生，而对于大电网来说，参数数量往往难以想象，需要改变的参数不可计数，这样进行人工调整使得潮流收敛是一项严峻的考验，速度极低且对人工消耗很大。综合以上所说的几点可以看出，传统的潮流计算以及潮流调整的方法具有很多难以容忍的问题，非常需要一种能够解放人力的方法，利用计算机的强大性能来实现对电网参数的自动调整以使得电网潮流能够成功收敛，这样可以节省大量的人力资源，还能够提高精度，因此，实现潮流计算收敛的自动调整具有重要的意义。

4、人工智能技术利用了计算机的强大算力，因此可以考虑把人工智能应用到潮流收敛调整上去解放人力，而确实有不少相关的应用，使用人工智能进行电力系统潮流计算收敛调整还是在一个起步阶段，虽然有一些成果，但是很多论文中是处于尝试阶段，而且大多数都无法用于实际的电力系统潮流计算收敛调整中，在很多时候，还是需要依靠数学方面的改进来实现潮流收敛调整，这说明用人工智能做潮流收敛调整方面大有可为。而且，目前对于潮流收敛调整的研究中，电力系统的拓扑结构较少被考虑在内。所以，目前的方法还存在一些缺陷：

5、(1)人工智能参与电力系统潮流计算收敛调整往往处于尝试阶段，难以应用于实际的电力系统。

6、(2)对于特征的选取，目前的工作中没有较好地分析论证如何选择特征，大多依靠经验选择。

7、(3)算法往往未考虑电网的拓扑结构。

技术实现思路

1、本发明是为了解决目前的人工调整电网潮流的方式存在耗费人力资源且速度很慢的问题，以及现有的基于人工智能调整方式存在难以应用于实际的电力系统的问题。

2、一种基于图神经网络的电网潮流调整方法，首先利用图神经网络模型对电网异构图节点的电网数据进行图嵌入处理；然后针对图嵌入处理后不收敛的电网数据，基于强化学习的方式进行电网参数调整；

3、其中，利用图神经网络模型对电网异构图节点的电网数据进行图嵌入处理的过程包括以下步骤：

4、利用重启随机游走的方式进行电网的节点采样；

5、针对目标节点和邻居节点中的每个节点，将同一节点的不同参数转化成维度相同的特征；之后对转换后的不同参数对应的特征进行不分先后顺序的聚合，在得到节点矩阵上使用平均池操作来最终得到节点特征f1(v)；

6、然后针对目标节点选择将相同类型的邻居节点进行聚合，在得到节点矩阵上使用平均池操作得到目标节点的相同类型的邻居节点的特征聚合

7、将针对目标节点和邻居节点中的每个节点对应的节点特征f1(v)和目标节点的相同类型邻居节点的特征聚合有权重地聚合，得到最终的嵌入结果。

8、进一步地，利用重启随机游走的方式进行电网的节点采样的过程包括以下步骤：

9、针对每个目标节点进行随机游走获得邻居节点，按照邻居节点的类型将它们分别统计数量，当每个类别的数量都达到最低限度的时候停止随机游走；游走过程中，从目标节点开始游走，以设定的概率采样到邻居节点，否则就返回原目标节点，对随机游走的游走长度进行限制，游走长度达到最大限制同样会返回目标节点；

10、然后，针对不同类型邻居的数量，从比最低限度多的类型节点中按照采样到的次数高低选取最低限度数量的节点，设该数量为kt，t表示节点类型。

11、进一步地，对转换后的不同参数对应的特征进行不分先后顺序的聚合的过程是利用bilstm网络实现的。

12、进一步地，所述节点特征f1(v)如下：

13、

14、其中，f1(v)∈rd×1，d代表内容嵌入的维度；xi表示节点v的第i个属性，cv表示节点v的属性集，|cv|为cv的容量；代表对特征xi的转换函数，表示将两部分矩阵进行串联；表示bilstm中前向lstm和后向lstm。

15、进一步地，针对目标节点选择将相同类型的邻居节点进行聚合，在得到节点矩阵上使用平均池操作得到目标节点的相同类型的邻居节点的特征聚合的过程包括以下步骤：

16、用vnt(v)来表达目标节点v的采样到的t类型的邻居节点集合，用来聚合同类型的邻居节点v'∈vnt(v)，将v'对应的节点特征记为嵌入值f1(v')，选择bilstm来对同一类型中节点的特征表达进行处理，并且最后添加一个平均池操作，以得到目标节点的相同类型的邻居节点的特征聚合

17、进一步地，所述的

18、进一步地，将针对目标节点和邻居节点中的每个节点对应的节点特征f1(v)和目标节点的相同类型邻居节点的特征聚合f2t(v)有权重地聚合的过程中使用注意力机制来对不同类型的邻居节点组施加不同的权值，按照注意力机制来进行操作，先将不同类型的邻居组的特征表达与目标节点的特征表达先进行聚合然后再将不同的结果聚合在一起，最终的输出嵌入结果如下：

19、

20、其中，εv∈rd×1表示目标节点的最终嵌入值，av,*表示不同类型节点组对目标节点的重要性，即聚合权重。

21、进一步地，聚合权重av,*的确定包括以下步骤：

22、将不同类型节点组的特征表达设为其中代表不同类型节点组的特征表达，av,*的表达式如下：

23、

24、其中，u∈r2d×1是注意力参数。

25、进一步地，所述图神经网络模型在训练过程中需要最大化不同类型节点间的距离并且最小化相同类型节点间的距离，距离使用不同节点最终得到的嵌入进行计算得到，训练目标如下：

26、

27、其中，条件概率p(vc|v；θ)定义为softmax函数：

28、

29、其中，vt是图中节点类型的集合，θ代表εv公式所表示的输出节点嵌入；vc为集合vnt(v)中的节点，εvc表示针对节点vc对应的嵌入结果；

30、通过adam优化器更新模型参数，重复训练迭代，直到两个连续训练组间的变化小于变化阈值，从而得到处理电网异构图的图神经网络。

31、进一步地，基于强化学习的方式进行电网参数调整的过程中，根据q-learning算法对发电机的有功发电和无功发电进行调整；

32、建立q表的时候，行代表一种状态，列对应在该状态下不同动作的q值，该值是在此状态下对应的行为估计的回报；

33、对图神经网络得到的各个节点的图嵌入进行降维处理，降至三维，发动机降维的图嵌入记为[x,y,z]，q表中有8种状态：①x大于正常发动机节点的x的平均值，y大于正常发动机节点的y的平均值，z大于正常发动机节点的z的平均值；②x大于正常发动机节点的x的平均值，y大于正常发动机节点的y的平均值，z小于正常发动机节点的z的平均值；③x大于正常发动机节点的x的平均值，y小于正常发动机节点的y的平均值，z大于正常发动机节点的z的平均值；④x小于正常发动机节点的x的平均值，y大于正常发动机节点的y的平均值，z大于正常发动机节点的z的平均值；⑤x大于正常发动机节点的x的平均值，y小于正常发动机节点的y的平均值，z小于正常发动机节点的z的平均值；⑥x小于正常发动机节点的x的平均值，y大于正常发动机节点的y的平均值，z小于正常发动机节点的z的平均值；⑦x小于正常发动机节点的x的平均值，y小于正常发动机节点的y的平均值，z大于正常发动机节点的z的平均值；⑧x小于正常发动机节点的x的平均值，y小于正常发动机节点的y的平均值，z小于正常发动机节点的z的平均值；

34、设置一个概率ε，当学习主体在某一状态需要进行动作选择时，按照该概率来取最大q值的动作，否则就在所有动作中随机选择；在选择完动作后，更新当前状态下选择的动作的q值；

35、q表中有四种动作：(1)有功发电增加，无功发电不变，(2)有功发电减少，无功发电不变，(3)有功发电不变，无功发电增加，(4)有功发电不变，无功发电减少；在回报设置方面，在每次迭代时保留异常发电机的图嵌入与正常发电机的图嵌入的中心向量的距离，将迭代更新后的异常发动机到正常发动机的中心向量做计算并与之前保留的距离作对比，如果距离更小，则将reward设置为1，否则设置为-1。

36、有益效果：

37、本发明将电网看作异构图数据，通过图神经网络对其进行特征表达，并利用强化学习进行参数调整，这样与其他用人工智能对电网数据潮流进行调整的方式不同，这样充分利用了电网数据的所有关键信息，而不是只使用节点参数，使得表达更加准确，这也使得强化学习的环境反馈步骤更加准确，提高了强化学习的准确性并缩小了强化学习的搜索空间，提高了效率。

38、同时本发明还捕捉到了电网的节点图嵌入间的关系，利用了图神经网络强大的节点分类功能，对于异常的发动机数据具有有效的筛选效果，从而可以有效地找出电网不收敛的关键部分并针对性进行调整，比传统方法更加快捷有效。