一种基于图注意网络的中压配电网拓扑辨识方法和系统与流程

本发明属于中压配电网运行拓扑，特别涉及一种基于图注意网络的中压配电网拓扑辨识方法和系统。

背景技术：

1、中压配电网是现代社会最重要的能源基础设施之一，同时也是保障用户高质量供电的“最后一公里”，使得其能够为用户安全、稳定地供电，从而保证用户的用电可靠性。随着智能电网的不断发展，分布式电源（dg）装机规模不断扩大，电动汽车（ev）等新型负荷在用户侧占比日益增加。为了更好的满足配电网安全稳定经济的运行减少电压及功率越限的情况，配电网中的线路开关动作更加频繁致使配电网的网络结构发生变化。精准可靠的配电网拓扑结构信息可以提高配电网的安全运行水平和经济性，并且能够为配电网的状态估计、故障诊断、网络重构、潮流计算、参数辨识以及电压控制等分析问题提供拓扑结构基础。

2、目前配电网中量测装置安装数量以及量测信息质量无法满足拓扑辨识的要求，从而导致配电网结构不能被及时、高效地获取。因此，利用已知量测装置测量得到的数据来实现配电网拓扑辨识具有重要意义。

3、传统的中压配电网拓扑辨识方法主要分为两大类。第一类方法是依据潮流分析或者数学原理推导从而实现配电网拓扑辨识。例如，使用数据驱动的线性回归方法求解与真实潮流方差最小的节点导纳矩阵，通过不断修正节点导纳矩阵得到配电网拓扑结构；另外还有利用微型量测单元量测装置采集的相关电力数据，通过比较量测电压相位与潮流计算得到的电压相位的差异度判别配电网拓扑是否改变与拓扑模型。然而由于在实际电网运行过程中，量测装置采集数据通常是存在误差的，因此此类配电网拓扑辨识方法效率较低并且容差性较差，难以满足实际系统中的应用。

4、第二类配电网拓扑辨识方法主要利用机器学习与深度学习相关的技术，基于数据驱动的思想对深度学习或机器学习相关网络模型进行训练，从而实现配电网拓扑辨识的离线学习、在线应用。例如，将量测设备获取的节点电压幅值数据作为一维时间序列，通过格拉姆角场将时序信号转化为二维图像，然后通过二维卷积神经网络学习与目标拓扑之间的映射关系从而实现配电网的拓扑辨识；另外还可以使用一维卷积神经网络从节点电压幅值的时间断面量测信息中学习与拓扑标签之间的映射关系从而实现配电网的拓扑辨识。该类方法虽然能够通过采集的量测数据进行离线学习、在线拓扑辨识，但是通常都是将相关量测数据作为一维时序数据处理而忽略配电网中本身节点的连接关系，因此在相近拓扑中会出现辨识错误的情况，导致辨识准确率较低。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供了一种基于图注意网络的中压配电网拓扑辨识方法，通过使用当前量测装置采集的数据，获得更准确的中压配电网的运行状态信息，从而使中压配电网拓扑辨识更加精确、高效和智能化，以解决现有技术的中压配电网拓扑辨识准确率较低、容差性较差且未考虑拓扑中节点连接关系等问题。

2、为解决上述技术问题，本发明采用如下的技术方案。

3、本发明首先公开了一种基于图注意网络的中压配电网拓扑辨识方法，该方法包括以下步骤：

4、步骤1：将所述中压配电网中的母线作为节点，连接线路作为边，将中压配电网结构抽象为拓扑图模型，根据所述拓扑图模型得到拓扑邻接矩阵；

5、步骤2：对中压配电网的历史量测数据进行数据清洗，基于清洗后的历史量测数据构建所述节点的特征向量和所述边的标签向量，并将所述特征向量和所述标签向量组成训练样本；

6、步骤3：对所述拓扑图模型中的每个节点进行注意力计算，在图注意网络中利用相邻节点的特征来更新每个节点的特征数据；

7、步骤4：利用所述训练样本和所述拓扑邻接矩阵对所述图注意网络进行训练，得到最优参数，并输出最优图注意网络模型；

8、步骤5：采集中压配电网的实时量测数据，利用所述最优图注意网络模型对所述中压配电网拓扑进行实时辨识。

9、本发明进一步包括以下优选方案：

10、所述步骤1中，将中压配电网结构抽象为拓扑图模型，进一步包括：

11、将所述中压配电网中的母线作为拓扑图模型的节点，潜在连通线路作为拓扑图模型的边，包括支路与联络开关所在支路，设置中压配电网首端电源节点作为基准参考节点，从而得到中压配电网的拓扑图模型记为；其中表示拓扑图模型的节点集合，表示拓扑图模型中的边集合；其中，表示节点与节点之间存在边连接关系，表示拓扑图模型中的节点总数。

12、本发明进一步包括以下优选方案：

13、所述步骤1中，根据所述拓扑图模型得到拓扑邻接矩阵，进一步包括：

14、根据拓扑图模型得到对应于拓扑图的拓扑邻接矩阵，该邻接矩阵表示为

15、；

16、(1)

17、所述拓扑邻接矩阵为阶的对称矩阵，其中拓扑邻接矩阵中第行第列的元素表示节点与节点之间的连通关系。

18、本发明进一步包括以下优选方案：

19、所述步骤2进一步包括：步骤2.1：将所述历史量测数据中同一节点的电压幅值、注入有功功率、注入无功功率按照同一时间断面的时间戳进行数据对齐，形成全部特征向量和标签向量，分别为：

20、，

21、，

22、其中，表示第个节点的节点电压幅值、节点注入有功功率与节点注入无功功率的所有采样样本，表示在第个时间断面下的边的标签属性，其中，，，为历史量测数据总数，为边标签总数；

23、步骤2.2：检测在同一时间断面下个节点全部特征数据是否存在缺失值，如果任意节点特征数据存在，则删除当前时间断面下全部节点所有特征数据；

24、步骤2.3：检测节点全部特征中是否存在离群值，如果存在大于的特征数据，则将该特征数据确定为离群值，删除离群值所在时间断面下全部节点所有特征数据；其中为量测装置采集数据的标准差；

25、步骤2.4：将第个时间断面下第个节点的中压配电网的节点电压幅值、节点注入有功功率、节点注入无功功率以及边标签向量构成第个训练样本：；其中为第个时间断面下第个节点的中压配电网的节点电压幅值、节点注入有功功率、节点注入无功功率所组成的特征向量，为第个时间断面下边标签向量所组成的边状态向量；

26、将个时刻的数据划分为训练样本集、测试样本集；其中，为训练集样本总数，。

27、本发明进一步包括以下优选方案：

28、所述步骤3进一步包括：步骤3.1：对节点的特征向量进行预处理，将预处理后的节点特征向量在单个时间断面下的节点序列作为行索引，节点特征以节点电压幅值、节点注入有功功率、节点注入无功功率的顺序作为列索引，输入到图注意网络中的注意力模块中，计算各个节点与相邻节点之间的相似度：

29、(2)

30、其中表示节点与相邻节点j之间的相似度，是图注意网络训练的参数，，分别表示节点与节点j的特征向量；表示对于节点，变换后的特征进行拼接操作，表示将拼接后的高维特征映射至一个实数上，表示与节点相邻的节点集合；

31、步骤3.2：对所述相似度进行归一化处理，得到节点与相邻节点j之间的注意力系数：

32、(3)

33、其中表示归一化后的节点与节点之间的注意力系数，表示指数函数；表示注意力系数激活函数；

34、步骤3.3：根据计算得到的节点与相邻各个节点之间的注意力系数，将相邻节点的特征进行加权聚合，从而得到图注意网络中每个节点的更新特征表示：

35、(5)

36、其中，表示节点将各相邻节点聚合后的每个节点的新特征表示，表示将单个节点与各个相邻节点进行多次注意力机制计算后的特征的拼接运算，表示在第头注意力机制计算时拓扑图节点与节点之间的注意力系数，表示第头注意力机制计算时共享参数的线性映射系数，是图注意网络训练的参数，表示节点的原始特征向量，表示注意力头数，为特征表示激活函数。

37、所述注意力系数激活函数表示为：

38、(4)

39、其中，为预设固定常数。

40、所述特征表示激活函数为函数：

41、(6)。

42、本发明进一步包括以下优选方案：

43、所述步骤4进一步包括：步骤4.1：将第组训练样本中的特征集与所述拓扑邻接矩阵作为网络特征集输入到图注意网络中，按照上述步骤3.3的公式（5）计算得到各个节点的每个节点的新特征表示，并输出对应的新特征向量；

44、步骤4.2：将各个节点所生成的新特征向量及其拓扑邻接矩阵输入到多层感知机mlp 中，对任意两节点i，j之间所连接的边进行连接性预测，并对连接性预测结果进行二值化表示：

45、(7)

46、其中，表示节点与节点之间的连接性表示，其中，1表示连通，0表示不连通，表示节点与节点之间的连接性预测结果；

47、步骤4.3：将第轮迭代前向计算得到的所有连通性预测结果与第轮迭代的状态向量进行差分运算，从而获得第轮训练样本迭代所产生的误差；

48、步骤4.4、判断是否达到最大迭代次数，如果不成立，则将赋值给后返回至步骤4.1，否则继续执行步骤4.5；

49、步骤4.5：计算所述图注意网络的交叉熵损失函数，并利用梯度下降算法更新所述图注意网络中的权重参数，然后将其第个测试集输入到当前权重参数的图注意网络中计算预测得分准确率，随后与当前最优模型得分进行比较，其中，表示训练样本迭代所产生的误差的最小值，若预测得分高于当前最优模型得分，则保存迭代轮次索引与权重参数，否则继续迭代，最终输出最优图注意网络模型。

50、本发明进一步包括以下优选方案：

51、所述步骤5进一步包括：将实时采集的中压配电网节点电压幅值、节点电压注入有功功率、节点电压注入无功功率作为节点特征，输入到最优图注意网络模型中，首先计算基于注意力机制的每个节点的新特征表示，然后将新特征表示输入到多层感知机mlp网络中，以辨识中压配电网的线路断路器开断状态，将全拓扑图中的邻接矩阵与拓扑标签库进行对比，得到拓扑对应标签并输出辨识结果。

52、本发明同时公开了一种利用前述基于图注意网络的中压配电网拓扑辨识方法的中压配电网拓扑辨识系统，包括拓扑图模型生成模块、历史量测数据处理模块、节点特征数据更新模块、图注意网络优化模块和中压配电网拓扑实时辨识模块：

53、所述拓扑图模型生成模块用于，将所述中压配电网中的母线作为节点，连接线路作为边，将中压配电网结构抽象为拓扑图模型，根据所述拓扑图模型得到拓扑邻接矩阵；

54、所述历史量测数据处理模块用于，对中压配电网的历史量测数据进行数据清洗，基于清洗后的历史量测数据构建所述节点的特征向量和所述边的标签向量，并将所述特征向量和所述标签向量组成训练样本；

55、所述节点特征数据更新模块用于，对所述拓扑图模型中的每个节点进行注意力计算，在图注意网络中利用相邻节点的特征来更新每个节点的特征数据；

56、所述图注意网络优化模块用于，利用所述训练样本和所述拓扑邻接矩阵对所述图注意网络进行训练，得到最优参数，并输出最优图注意网络模型；

57、所述中压配电网拓扑实时辨识模块用于，采集中压配电网的实时量测数据，利用所述最优图注意网络模型对所述中压配电网拓扑进行实时辨识。

58、本技术还公开了一种终端，包括处理器及存储介质；

59、所述存储介质用于存储指令；

60、所述处理器用于根据所述指令进行操作以执行根据前述基于图注意网络的中压配电网拓扑辨识方法的步骤。

61、本技术还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述基于图注意网络的中压配电网拓扑辨识方法的步骤。

62、本发明的有益效果在于，与现有技术相比，本发明首先将所述中压配电网中的母线作为节点，将连接线路与馈线作为边，从而将配电网结构抽象为拓扑图模型；然后对原始数据进行数据预处理，将处理后的数据输入到图注意网络中进行注意力特征的计算与特征聚合操作，并用相关数据集对图注意网络进行训练及验证；最后将训练完成所得到的最优图注意网络模型保存，并将实时采集的中压配电网节点电压幅值、节点电压注入有功功率、节点电压注入无功功率作为节点特征输入到图注意网络模型中辨识配电网线路断路器开断状态。本发明充分考虑了量测装置采集的数据并通过上述数据实现快速准确的中压配电网拓扑辨识。此外，本发明还充分考虑了配电网拓扑节点间的拓扑连接关系，考虑了相邻节点之间的连接强度，显著抑制了量测噪声对其拓扑辨识所产生的影响，因此本发明能够提高配电网拓扑辨识准确率、鲁棒性和实用性。