[go: up one dir, main page]

CN115408947A - 一种基于直流潮流和图卷积的电力系统快速状态估计方法 - Google Patents

一种基于直流潮流和图卷积的电力系统快速状态估计方法 Download PDF

Info

Publication number
CN115408947A
CN115408947A CN202211193201.9A CN202211193201A CN115408947A CN 115408947 A CN115408947 A CN 115408947A CN 202211193201 A CN202211193201 A CN 202211193201A CN 115408947 A CN115408947 A CN 115408947A
Authority
CN
China
Prior art keywords
phase angle
power system
model
node
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211193201.9A
Other languages
English (en)
Inventor
王�琦
吴忠
胡健雄
汤奕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202211193201.9A priority Critical patent/CN115408947A/zh
Publication of CN115408947A publication Critical patent/CN115408947A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • H02J13/12—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for AC mains or AC distribution networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • H02J2103/30—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于直流潮流和图卷积的电力系统快速状态估计方法，属于电力系统监测、分析和控制技术领域。其技术方案为：利用直流潮流将非线性问题线性化，估计出相角；将相角(全局变量)转化为相角差θij(局部变量)，和电网线路参数一起作为边特征，节点电压、有功、无功转化为节点特征；分别利用考虑边权值的图卷积神经网络、仅考虑节点特征的图卷积神经网络、以及全连接层对边特征及节点特征进行整合滤波，实现状态估计；该方法结合了基于物理模型方法在因果关系处理上的优势和数据驱动方法在高效相关分析方面的优势。解决了传统模型运行效率低，速度慢的问题，且鲁棒性更强。

Description

一种基于直流潮流和图卷积的电力系统快速状态估计方法
技术领域
本发明公开了一种基于直流潮流和图卷积的电力系统快速状态估计方法，属于电力系统监测、分析和控制技术领域。具体来说，一种基于直流潮流和图卷积计算的电力系统快速状态估计，首先对当前时刻的量测量进行处理，采用直流潮流估算出状态量后通过图卷积的方法进行修正，达到快速且准确的状态估计效果。
背景技术
随着新型电力系统的建设，新能源比例不断提升，电力系统运行状态更加多变，需要快速可靠的状态估计系统对电力系统进行实时监控。
目前依靠模型的方法往往耗时较长，而依赖人工智能的状态估计方法往往忽视了系统的网架结构等信息。
因此本发明提出了一种基于图卷积神经网络和直流潮流的数据物理融合方法来实现状态估计，在不牺牲精度的情况下，提升了估计速度。首先引入直流潮流计算，将非线性问题线性化，保留其电气信息间的强因果关系。利用基于图卷积的神经网络方法进行误差校正，极大地提升计算速度。
发明内容
为解决现有技术中存在的问题，本发明提出了一种基于直流潮流和图卷积的电力系统快速状态估计方法。
为了达到上述目的，本发明是通过以下技术方案来实现的：一种基于直流潮流和图卷积的电力系统快速状态估计方法，包括以下步骤：
(1)获取电力系统参数信息及历史数据；
(2)简化状态估计模型，对某一时刻数据，利用直流潮流计算方法求得相角。
(3)对电力系统参数信息及量测量进行数据整合，并将全局变量相角转化为局部变量相角差，和电网线路参数一起作为边特征，节点电压、有功、无功转化为节点特征。
(4)将整合后的数据，作为由考虑边权值的图卷积神经网络、仅考虑节点特征的图卷积神经网络、以及全连接层构成的深度学习模型的输入。
(5)将电力系统真实状态变量电压和相角差作为模型输出，重复步骤(2)到步骤(4)，对数据模型进行训练。
(6)训练完成后的模型输出为：状态量电压和相角差，通过最短路径法将相角差转换为相角，得到所有状态量，完成状态估计。
进一步的，步骤(1)获取电力系统参数，参数信息包括：电力系统的拓扑连接信息、线路参数信息、量测量、历史量测量及状态量；
进一步的，步骤(2)，首先通过计算公式：
Figure BDA0003869794920000021
得到相角θ，其中相角θ为以平衡节点为基准的全局变量。B是系统节点导纳矩阵，P是系统有功组成的向量。
进一步的，步骤(3)，对电力系统参数信息及量测量进行数据整合，将所有数据转化为图数据格式，表现形式为：G(X,A,E)。其中，A是邻接矩阵，用来描述电网的拓扑结构；X是电网节点的特征矩阵，由电网节点特征构成；E表示边权值矩阵，由电网参数信息构成；
进一步的，步骤(4)，将全局变量相角转化为局部变量相角差，和电网线路参数一起作为边特征，节点电压、有功、无功转化为节点特征。相角差是通过电力系统相连节点间相角求差得到的。
进一步的，步骤(5)，搭建深度学习网络结构，网络结构由三类神经网络模构成。其中考虑边权值的图卷积神经网络，数学模型为：
Figure BDA0003869794920000031
式中：Xl(i)表示电网中第i个节点的特征，bl是一个可学习的偏置。N(i)是节点i相邻的节点个数。
Figure BDA0003869794920000032
是权重矩阵，对于估计值和真值误差较小的节点特征，采用的是平均加权聚合方式，而对于误差相对较大的线路参数，采用加权聚合方式。其通过多层感知机实现，其模型为：
Figure BDA0003869794920000033
式中：L(j,i)表示电力系统线路参数，由相角差、电阻、电抗、电纳构成，函数Fl通过MLP实现，wl是函数Fl的可学习权重。
进一步的，步骤(4)，搭建深度学习网络结构，网络结构由三类神经网络模构成。
其中，仅考虑节点特征的图卷积神经网络数学模型为：
Figure BDA0003869794920000034
其中X(l)在表示考虑边权值的图卷积神经网络提取到的特征，A表示系统拓扑的连接情况，卷积核采用平均聚合方式。
进一步的，步骤(4)，搭建深度学习网络结构，网络结构由三类神经网络模构成。其中，全连接层由不带激活函数的神经网络构成，实现对特征的线性整合。
进一步的，步骤(5)将电力系统真实状态变量电压和相角差作为模型输出，重复步骤(2)到步骤(4)，对数据模型进行训练。训练过程中，不断将预测结果与真实结果进行比较，在损失函数小于一定范围时结束训练。
进一步的，步骤(6)在模型实际应用过程中，采用模型进行状态估计，最终得到状态量电压和相角差。由相角差得到相角的过程中，以平衡节点为基准采用最短路径法还原为相角这一状态量。
本发明的有益效果：
1、计算速率大大提高。相较于传统最小二乘计算方法，采用的人工智能方法将计算时间转移至训练过程中，在实际应用时，时效性有了巨大提升。
2、精度提升。图神经网络能够充分考虑电力系统拓扑和线路参数。相较于深度神经网络、卷积神经网络，所提模型有更高的精度。相较于传统最小二乘法，在系统冗余度较低的情况下(1.5)，所提方法估计精度更高。
附图说明
下面结合附图对本发明作进一步的说明。
图1为基于DCPF和GCN的电力系统快速状态估计流程图。
图2为图卷积模型结构示意图。
图3为三种方法估计相角误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种基于直流潮流和图卷积的电力系统快速状态估计方法，分为离线训练和在线学习两个阶段。
步骤1，生成训练所需的样本数据；
样本数据可分为系统真实数据和仿真数据两部分，包括：电力系统的拓扑连接信息、线路参数信息、量测量、状态量。仿真数据由matpower生成。
步骤2，将交流系统简化为直流模型，进行预计算；
首先通过直流状态估计计算出3估计的相角。计算公式如下：
Figure BDA0003869794920000051
其中相角θ为以平衡节点为基准的全局变量。B是系统节点导纳矩阵，P是系统有功组成的向量。
步骤3，对电力系统参数信息及量测量进行数据整合；
将所有数据转化为图数据格式，最终形式为：G(X,A,E)。其中，A是邻接矩阵，用来描述电网的拓扑结构；X是电网节点的特征矩阵，由电网节点特征构成，包含节点有功、无功、电压[Pi,Qi,Vi]；E表示边权值矩阵，由电网参数信息构成，包含电阻、电抗、电纳[r,x,b]；
将全局变量相角转化为局部变量相角差，和电网线路参数一起作为边特征。相角差通过电力系统相连节点间的相角求差得到。
步骤4，训练模型；
首先搭建深度学习模型网架结构，模型由考虑边权值的图卷积神经网络、仅考虑节点特征的图卷积神经网络、以及全连接层构成，如图2所示，其中GN-0.1表示添加标准差为0.1的噪声，用于增加模型鲁棒性，ECC表示考虑边权值的图卷积神经网络，激活函数采用ReLU，GCN表示仅考虑节点特征的图卷积神经网络，激活函数采用ReLU，FC表示全连接层。其中考虑边权值的图卷积神经网络作为模型直接输入的一层，用于对所有输入信息进行特征提取；仅考虑节点特征的图卷积神经网络则位于中间层进行进一步的特征提取；全连接层作为模型输出层，用于对特征的整合。
其中考虑边权值的图卷积神经网络，数学模型为：
Figure BDA0003869794920000061
式中：Xl(i)表示电网中第i个节点的特征，bl是一个可学习的偏置。N(i)是节点i相邻的节点个数。激活函数选用的是ReLU。
Figure BDA0003869794920000062
是权重矩阵，对于估计值和真值误差较小的节点特征，采用的是平均加权聚合方式，而对于误差相对较大的线路参数，采用加权聚合方式。其通过多层感知机实现，其模型为：
Figure BDA0003869794920000063
式中：L(j,i)表示电力系统线路参数，由相角差、电阻、电抗、电纳构成，函数Fl通过MLP实现，wl是函数Fl的可学习权重。
其中，仅考虑节点特征的图卷积神经网络数学模型为：
Figure BDA0003869794920000064
式中X(l)在表示考虑边权值的图卷积神经网络提取到的特征，A表示系统拓扑的连接情况，卷积核采用平均聚合方式，激活函数选用的是ReLU。
其中，全连接层由不带激活函数的神经网络构成，实现对特征的线性整合。
将数据输入到深度学习模型中，将电力系统真实状态变量电压和相角差作为模型输出，对数据模型进行训练。训练过程中，不断将预测结果与真实结果进行比较，在损失函数小于一定范围时结束训练。损失函数可以选取均方根误差，学习率设置为0.001，训练迭代次数设置为1000；训练结果由验证集体现，对训练结果的评价指标为平均绝对值误差。
步骤5，应用阶段；
训练完成后的模型进行状态估计后，得到系统的电压和相角差。由相角差得到相角的过程中，以平衡节点为基准采用最短路径法还原为相角。最终得到系统的所有状态量，完成状态估计。
模型效果；
在59节点中对模型进行了测试，对模型的准确度、速度进行了评估。精度方面采用相同的样本库分别用深层神经网络、仅图神经网络(不添加直流计算环节)作为对照模型。结果如图3所示，可以看出数据物理融合的方法在预测相角的精度上相较于其他两种方法有更好。速度方面和传统最小二乘法进行对比。通过对1000个样本取平均值的方法，最终单个样本计算时间由传统方法的62ms提升至1.22ms，效率提升明显。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，包括如下步骤：
(1)获取电力系统参数信息及历史数据，包括电力系统的拓扑连接信息、线路参数信息、量测量、历史量测量及状态量；
(2)简化状态估计模型，对某一时刻数据，利用直流潮流计算方法求得相角；
(3)对电力系统参数信息及量测量进行数据整合，并将全局变量相角转化为局部变量相角差，局部变量相角差和电网线路参数信息一起作为边特征，节点电压、有功、无功转化为节点特征；
(4)将整合后的数据，作为由考虑边权值的图卷积神经网络、仅考虑节点特征的图卷积神经网络、以及全连接层构成的深度学习模型的输入；
(5)将电力系统真实状态变量电压和相角差作为模型输出，重复步骤(2)到步骤(4)，对数据模型进行训练，将训练的预测结果与真实结果进行比较；
(6)训练完成后的模型输出为：状态量电压和相角差，通过最短路径法将相角差转换为相角，得到所有状态量，完成状态估计。
2.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述获取电力系统参数信息及历史数据中，参数信息及历史数据包括：电力系统的拓扑连接信息、线路参数信息、量测量、历史量测量及状态量。
3.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述简化状态估计模型中，首先通过计算公式得到相角θ：
Figure FDA0003869794910000011
其中相角θ为以平衡节点为基准的全局变量；B是系统节点导纳矩阵，P是系统有功组成的向量。
4.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述对电力系统参数信息及量测量进行数据整合中，将所有数据转化为图数据格式，表现形式为：G(X,A,E)；其中，G用来表示电力系统信息转化为图数据后的格式；A是邻接矩阵，用来描述电网的拓扑结构；X是电网节点的特征矩阵，由电网节点特征构成；E表示边权值矩阵，由电网参数信息构成。
5.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述相角差是通过电力系统相连节点间相角求差得到。
6.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述考虑边权值的图卷积神经网络的数学模型为：
Figure FDA0003869794910000021
式中：Xl(i)表示电网中第i个节点的特征，bl是一个可学习的偏置；N(i)是节点i相邻的节点个数；σ表示激活函数；
Figure FDA0003869794910000022
是权重矩阵，对于估计值和真值误差较小的节点特征，采用的是平均加权聚合方式，而对于误差相对较大的线路参数，采用加权聚合方式；其通过多层感知机实现，其模型为：
Figure FDA0003869794910000023
式中：L(j,i)表示电力系统线路参数，由相角差、电阻、电抗、电纳构成，函数Fl通过多层感知机实现，wl是函数Fl的可学习权重。
7.根据权力要求1中所述一种基于直流潮流和图卷积的电力系统快速状态估计方法，其特征在于，所述仅考虑节点特征的图卷积神经网络的数学模型为：
Figure FDA0003869794910000031
其中X(l)在表示考虑边权值的图卷积神经网络提取到的特征，A表示系统拓扑的连接情况，D是A的度，卷积核W(l)采用平均聚合方式。
8.根据权力要求1中所述基于直流潮流和图卷积计算的电力系统快速状态估计方法，其特征在于，所述全连接层由不带激活函数的神经网络构成，实现对特征的线性整合。
9.根据权力要求1中所述基于直流潮流和图卷积计算的电力系统快速状态估计方法，其特征在于，所述对数据模型进行训练的过程中，不断将预测结果与真实结果进行比较，在损失函数小于一定范围时结束训练。
10.根据权力要求1中所述基于直流潮流和图卷积计算的电力系统快速状态估计方法，其特征在于，所述训练完成后的模型输出中，在模型实际应用过程中，采用模型进行状态估计，最终得到状态量电压和相角差；由相角差得到相角的过程中，以平衡节点为基准采用最短路径法还原为相角这一状态量。
CN202211193201.9A 2022-09-28 2022-09-28 一种基于直流潮流和图卷积的电力系统快速状态估计方法 Pending CN115408947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211193201.9A CN115408947A (zh) 2022-09-28 2022-09-28 一种基于直流潮流和图卷积的电力系统快速状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211193201.9A CN115408947A (zh) 2022-09-28 2022-09-28 一种基于直流潮流和图卷积的电力系统快速状态估计方法

Publications (1)

Publication Number Publication Date
CN115408947A true CN115408947A (zh) 2022-11-29

Family

ID=84167730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211193201.9A Pending CN115408947A (zh) 2022-09-28 2022-09-28 一种基于直流潮流和图卷积的电力系统快速状态估计方法

Country Status (1)

Country Link
CN (1) CN115408947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119765662A (zh) * 2025-03-06 2025-04-04 浙江大学 基于GCN与Transformer融合的有源配电网状态估计方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHONG WU: "Integrating model-driven and data-driven methods for fast state estimation", 《INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEM》, vol. 139, 4 February 2022 (2022-02-04), pages 1 - 8, XP086988880, DOI: 10.1016/j.ijepes.2022.107982 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119765662A (zh) * 2025-03-06 2025-04-04 浙江大学 基于GCN与Transformer融合的有源配电网状态估计方法及系统

Similar Documents

Publication Publication Date Title
Liu et al. Remaining useful life estimation for proton exchange membrane fuel cells using a hybrid method
CN111832814B (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN108304623A (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
CN111245673A (zh) 一种基于图神经网络的sdn时延感知方法
CN103728535A (zh) 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
Barzola-Monteses et al. Energy consumption of a building by using long short-term memory network: a forecasting study
CN119337326A (zh) 一种基于超图融合的电力物联网异常检测方法及系统
CN115146538A (zh) 基于消息传递图神经网络的电力系统状态估计方法
CN104503420B (zh) 一种基于新型fde‑elm和时延efsm的非线性过程工业故障预测方法
CN110414718A (zh) 一种深度学习下的配电网可靠性指标优化方法
WO2019184132A1 (zh) 一种基于数据驱动的电网潮流方程线性化求解方法
CN113536509A (zh) 一种基于图卷积网络的微电网拓扑辨识方法
CN118378553B (zh) 一种数字孪生模型构建方法及系统
CN118311434A (zh) 基于电化学阻抗谱的锂离子电池soh估计方法及系统
CN115408947A (zh) 一种基于直流潮流和图卷积的电力系统快速状态估计方法
CN115065166B (zh) 一种低压配电网状态感知及异常告警方法
CN119765662B (zh) 基于GCN与Transformer融合的有源配电网状态估计方法及系统
CN116227191A (zh) 结合多项式拟合与维纳过程的锂电池剩余寿命预测方法
CN114997506A (zh) 一种基于链路预测的大气污染传播路径预测方法
CN113933706A (zh) 一种基于bp神经网络的直流电机故障检测方法
CN102280892A (zh) 分布式电力无功优化的实时控制设备和方法
CN111369046A (zh) 一种基于灰色神经网络的风光互补功率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination