本说明书涉及电力系统潮流分析,尤其是涉及一种基于图网络大数据模型的电力系统潮流分析方法及装置。
背景技术:
1、潮流分析主要用于分析电力系统中节点电压、功率和电流的分布情况。通过潮流分析可以评估电力系统的稳定性和可靠性;因此,潮流分析在电网规划、电网运行状态分析、电网故障分析等中均有广泛的应用。随着电网的发展,电力系统规模快速扩大,结构日益复杂,传统的潮流计算方法在进行求解的时候会出现病态潮流、求解速度慢等问题,无法满足诸如实时在线潮流分析、电网安全性校核等需要大批量快速潮流计算的场景。
2、随着人工智能技术的快速发展,基于数据驱动的神经网络模型也开始应用于电力系统的潮流分析。然而,在实现本技术的过程中,本技术的发明人发现:传统的基于神经网络模型的潮流分析忽略了电力系统潮流数据作为图结构数据的实质,缺乏可解释性,并且由于其对训练数据的强依赖性,在缺乏足够训练数据的前提下无法做到足够的泛化性。因此,如何提高基于神经网络模型的潮流分析的泛化性及可解释性已成为目前亟待解决的技术问题。
技术实现思路
1、本说明书实施例的目的在于提供一种基于图网络大数据模型的电力系统潮流分析方法及装置,以提高基于神经网络模型的潮流分析的泛化性及可解释性。
2、为达到上述目的,一方面,本说明书实施例提供了一种基于图网络大数据模型的电力系统潮流分析方法,包括:
3、基于泊松过程的电力系统时空生成模型,生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态;
4、基于线路老化程度估计模型,生成电力系统随时间变化的电力线路老化程度;
5、以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入,节点电压和节点相位角位为输出,训练图神经网络模型,直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值;
6、采集目标电力系统的电网拓扑结构、节点状态和线路状态,并将其输入至已训练的图神经网络模型中,以预测所述目标电力系统的节点电压和节点相位角位。
7、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述基于泊松过程的电力系统时空生成模型,生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态,包括:
8、获取电力系统所处物理平面;
9、在电力系统所处物理平面中生成满足泊松分布的随机点集合;
10、以所述随机点集合中的每个点为切点,分别作以所述物理平面中心为圆心的同心圆的切线,以获得作为电力线路可铺设路径集合的随机线集合;
11、生成所述随机线集合中每个随机线上的满足泊松分布且随时间扩增的随机点集合,以作为电力系统节点;
12、基于电力线路节点连接度概率密度函数,分配新增电力系统节点与已有电力系统节点的连接关系,以生成电力系统的电网拓扑结构;
13、基于电力线路约束条件生成电力系统满足指定规则的节点状态和线路状态。
14、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述电力线路节点连接度概率密度函数包括:
15、
16、其中,表示新增电力系统节点连接度概率密度函数; d b表示新增电力系统节点的连接度;表示已有电力系统节点的平均连接度; d bk表示第 k个已有电力系统节点的连接度; η k表示已有电力系统节点的连接度中与 d bk 数值相等的连接度所占比例, e表示自然常数。
17、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述基于电力线路约束条件生成电力系统满足指定规则的节点状态,包括:
18、生成一个随机的pq节点有功负荷集合,并将其总有功负荷调整至与电力系统总有功负荷相匹配;
19、将调整后的pq节点有功负荷集合的有功负荷,以及电力系统所有节点的连接度分别做标准化处理;
20、获取与调整后的pq节点有功负荷集合具有相同pq节点占比的,实际电力系统中的pq节点的有功负荷及其连接度,并分别做标准化处理;
21、根据所述实际电力系统中标准化处理的pq节点的连接度进行对应pq节点有功负荷的分配;
22、基于上述方式分别生成电力系统中的pv节点状态和平衡节点状态。
23、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述基于电力线路约束条件生成电力系统满足指定规则的线路状态,包括:
24、根据所述电网拓扑结构及所述随机线集合,获取电力系统所处物理平面内连接各电力系统节点的电力线路长度集合;
25、根据电力线路长度集合生成各电力线路的电阻值、电导值、电抗值和电纳值;
26、根据实际环境中不同位置的温度以及湿度状况,分配对应位置电力线路的表面温度以及湿度参数。
27、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述线路老化程度估计模型包括:
28、
29、其中,表示当前 t时刻时电力线绝缘老化程度;表示0时刻时的电力线绝缘老化程度;表示 t+1时刻时的电力线绝缘老化程度;表示任意 t时刻时的电力线绝缘老化程度; t(t)表示 t时刻时的电力线路表面温度; t(t+1)表示 t+1时刻时的电力线路表面温度; w(t)表示 t时刻时的电力线路表面湿度; w(t+1)表示 t+1时刻时的电力线路表面湿度; p(t)表示 t时刻时的电力线路负载; p(t+1)表示 t+1时刻时的电力线路负载;表示电力线路的表面平均温度;表示电力线路的表面平均湿度; p e表示电力线路的额定负载; g1表示 t时刻时电力线路表面温度、电力线路表面湿度、电力线路负载对于电力线路老化程度变化的影响系数函数; g2表示 t+1时刻与 t时刻电力线路表面温度变化、电力线路表面湿度变化、电力线路负载变化对于电力线路老化程度变化的影响系数函数;δ t表示单位时刻的时间长度; σ l( t)表示在 t时刻时电力线路的电导率; σ l(∞)表示电力线路完全绝缘失效时的电导率; σ 0表示全新电力线路的理论电导率。
30、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述图神经网络模型包括多个依次串接的图网络层;每个所述图网络层包括:
31、编码mlp,用于基于外部或上一图网络层输入的节点状态和线路状态,以及节点输出特性方程和电力线路输出特性方程,生成电力线路特征向量及各类节点特征向量;
32、信息传递mlp,用于基于编码mlp输出的电力线路特征向量及各类节点特征向量,以及电网拓扑结构,向接收节点传递与该接收节点连接的节点或者电力线路的邻接信息;
33、更新mlp,用于基于传递mlp输出的邻接信息,更新编码mlp输出的电力线路特征向量及各类节点特征向量;
34、解码mlp,用于基于更新mlp输出的电力线路特征向量及各类节点特征向量,生成各类节点的节点电压和节点相位角位。
35、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述节点输出特性方程包括:
36、
37、其中,δ p pq( t)表示 t时刻pq节点的有功功率平衡误差; p pq( t)表示 t时刻pq节点的有功负荷;表示 t时刻pq节点输出到电力线路上的复电流总和;表示 t时刻从电力线路输入到该pq节点的复电流总和; v pq( t)表示 t时刻pq节点电压幅值; θ pq( t)表示 t时刻pq节点电压相位角;δ q pq( t)表示 t时刻pq节点的无功功率平衡误差; q pq( t)表示 t时刻pq节点的无功负荷;δ p pv( t)表示 t时刻pv节点的有功功率平衡误差; p pv( t)表示 t时刻pv节点的输出有功功率;表示 t时刻pv节点输出到电力线路上的复电流总和;表示 t时刻从电力线路输入到该pv节点的复电流总和; v pv( t)表示 t时刻pv节点电压幅值; θ pv( t)表示 t时刻pv节点电压相位角;δ q pv( t)表示 t时刻pv节点的无功功率平衡误差; q pv( t)表示 t时刻pv节点的输出无功功率;δ p s( t)表示 t时刻平衡节点的有功功率平衡误差; p s( t)表示 t时刻平衡节点的输出有功功率;表示 t时刻平衡节点输出到电力线路上的复电流总和;表示 t时刻从电力线路输入到该平衡节点的复电流总和; v s( t)表示 t时刻平衡节点电压幅值; θ s( t)表示 t时刻平衡节点电压相位角;δ q s( t)表示 t时刻平衡节点的无功功率平衡误差; q s( t)表示 t时刻平衡节点的输出无功功率。
38、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述电力线路输出特性方程包括:
39、
40、其中, i from,j( t)表示 t时刻电力线路 j发送侧的复电流; r l,j( t)表示 t时刻时电力线路 j的电阻值; x l,j( t)表示 t时刻时电力线路 j的电抗值; b l,j( t)表示 t时刻时电力线路 j的电纳值; v from,j( t)表示 t时刻电力线路 j发送侧的复电压;表示 t时刻时电力线路 j上的变压器抽头比; v to,j( t)表示 t时刻电力线路 j接收侧的复电压; e表示自然常数; θ shift,j( t)表示 t时刻时电力线路 j上的变压器相移; i为虚数单位; i to,j( t)表示 t时刻电力线路 j接收侧的复电流。
41、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述电力线路特征向量包括:
42、
43、其中, x e,j( t)表示 t时刻电力线路 j的特征向量; γ e,j( t)表示 t时刻电力线路 j的导纳大小; δ e,j( t)表示 t时刻电力线路 j的导纳相位角; b l,j( t)表示 t时刻时电力线路 j的电纳值; r l,j( t)表示 t时刻时电力线路 j的电阻值; x l,j( t)表示 t时刻时电力线路 j的电抗值。
44、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述各类节点特征向量包括:
45、
46、其中, x pq( t)表示 t时刻pq节点的特征向量; v pq( t)表示 t时刻pq节点电压幅值; θ pq( t)表示 t时刻pq节点电压相位角;δ p pq( t)表示 t时刻pq节点的有功功率平衡误差;δ q pq( t)表示 t时刻pq节点的无功功率平衡误差; x pv( t)表示 t时刻pv节点的特征向量; v pv( t)表示 t时刻pv节点电压幅值; θ pv( t)表示 t时刻pv节点电压相位角;δ p pv( t)表示 t时刻pv节点的有功功率平衡误差; q pv( t)表示 t时刻pv节点的输出无功功率; x slack( t)表示 t时刻平衡节点的特征向量; v s( t)表示 t时刻平衡节点电压幅值; θ s( t)表示 t时刻平衡节点电压相位角; p s( t)表示 t时刻平衡节点的输出有功功率; q s( t)表示 t时刻平衡节点的输出无功功率。
47、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述图神经网络模型的邻接矩阵包括:
48、
49、其中, a i,j表示节点 i与电力线路 j的邻接矩阵; p i( t)表示 t时刻的第 i节点, e j( t)表示 t时刻的第 j条电力线路。
50、本说明书实施例的基于图网络大数据模型的电力系统潮流分析方法中,所述考虑基尔霍夫电流定律的损失函数包括:
51、
52、其中, loss为考虑基尔霍夫电流定律的损失函数; n s表示图神经网络模型的训练数据集总数; t s表示第 s个训练数据集中的电力系统发展总时刻数; n pv,s( t)表示第 s个训练数据集中的电力系统 t时刻时的pv节点总数; n pq,s( t)表示第 s个训练数据集中的电力系统 t时刻时的pq节点总数;δ p pv,n,s( t)表示第 s个训练数据集中的电力系统 t时刻时的第 n个pv节点的有功功率平衡误差;δ q pv,n,s( t)表示第 s个训练数据集中的电力系统 t时刻时的第 n个pv节点的无功功率平衡误差;δ p pq,n,s( t)表示第 s个训练数据集中的电力系统 t时刻时的第 n个pq节点的有功功率平衡误差;δ q pq,n,s( t)表示第 s个训练数据集中的电力系统 t时刻时的第 n个pq节点的无功功率平衡误差。
53、另一方面,本说明书实施例还提供了一种基于图网络大数据模型的电力系统潮流分析装置,包括:
54、第一生成模块,用于基于泊松过程的电力系统时空生成模型,生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态;
55、第二生成模块,用于基于线路老化程度估计模型,生成电力系统随时间变化的电力线路老化程度;
56、模型训练模块,用于以所述电网拓扑结构、所述节点状态、所述线路状态和所述电力线路老化程度为输入,节点电压和节点相位角位为输出,训练图神经网络模型,直至所述图神经网络模型的考虑基尔霍夫电流定律的损失函数的损失值收敛至目标值;
57、参数预测模块,用于采集目标电力系统的电网拓扑结构、节点状态和线路状态,并将其输入至已训练的图神经网络模型中,以预测所述目标电力系统的节点电压和节点相位角位。
58、另一方面,本说明书实施例还提供了一种计算机设备,包括存储器、处理器、以及存储在所述存储器上的计算机程序,所述计算机程序被所述处理器运行时,执行上述方法的指令。
59、另一方面,本说明书实施例还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被计算机设备的处理器运行时,执行上述方法的指令。
60、由以上本说明书实施例提供的技术方案可见,在本说明书实施例中,基于泊松过程的电力系统时空生成模型生成电力系统随时间变化的电网拓扑结构、节点状态和线路状态,不仅可以满足电力系统各部件的物理约束和边界,同时还能够随时间持续发展扩大电网拓扑结构的规模,匹配了现实电力系统的发展特征,从而保证了模型训练时所需数据的全面性和多样性,从而提高了训练出的图神经网络模型的泛化能力,进而提高了基于图神经网络模型的潮流分析的泛化性。不仅如此,在进行模型训练时还使用了考虑基尔霍夫电流定律的损失函数,并且图神经网络中的信息传递过程与电力系统的能量传递过程相似,从而使得训练出的图神经网络模型具有更强的可解释性,进而提高了基于图神经网络模型的潮流分析的可解释性。