基于可解释图神经网络的电网暂态失稳定位方法和系统技术方案

用于定位暂态失稳子结构的可解释图神经网络方法和系统，包括：首先，将电网数据处理为图结构数据，引入了第一图卷积神经网络作为编码层学习电网中间节点嵌入；然后通过计算图结构的电网数据的节点特征相似度和局部拓扑结构相似度，获得边采样权重；根据边采样权重采样解释子图获取采样掩码矩阵，通过此矩阵控制第二图神经网络运行和分类任务，并在反向传播过程中自定义采样梯度计算方法；最后根据采样掩码矩阵定位电网暂态失稳子结构，根据分类器获得电网数据稳态情况。本发明专利技术还包含基于可解释图神经网络的电网暂态失稳定位方法的系统。本发明专利技术在使用图神经网络判断电网暂态稳定性的基础上，运用子图可解释技术定位电网暂态失稳子结构。稳子结构。稳子结构。

【技术实现步骤摘要】
基于可解释图神经网络的电网暂态失稳定位方法和系统


[0001]本专利技术属于电网暂态失稳定位和图神经网络子图可解释领域，涉及一种电网暂态失稳定位方法。根据电网中各个器件的属性和器件间的拓扑关系建立图数据，在判别电力系统暂态稳定情况的基础上，通过图神经网络可解释方法定位电网暂态失稳子结构。本专利技术将电网数据处理为图结构数据，在现有的图神经网络可解释方法的基础上，充分考虑图结构信息和图属性信息，构建事前可解释图分类神经网络，提出了一种可用于电网暂态失稳子结构定位的子图级事前可解释的图神经网络方法和系统。

技术介绍

[0002]电力系统的暂态稳定性通常是指在电力系统受到大干扰后，各同步发电机保持同步运行并过渡到新的或恢复到原来稳态运行状态的能力。暂态稳定研究的是电力系统在某一运行状态下受到较大干扰时的稳定性问题。电力系统的暂态不稳定可能会导致灾难性的事件，如大规模停电和级联故障等。因此，当电力系统遭遇暂态稳定故障后，快速、准确的进行暂态稳定评估以及精确定位出造成暂态失稳的区域是确保电力系统安全稳定运行的重要保障。
[0003]暂态稳定评估可用于预测在连续扰动下的电力系统的稳定性，并利用评估结果触发发电机跳闸和减载等应急控制动作，对防止不稳定传播具有重要意义。采用时域仿真方法求解一组高维非线性微分代数方程，是目前最常用的稳定性评价方法之一。但是该仿真方法计算量大，往往难以满足在线计算的需要，这使得暂态稳定仿真在实际应用环节受到限制。此外，该仿真方法并不能帮助人们定位出造成电网暂态失稳的电网子区域。因此，电网暂态失稳现象出现后，找到引起电网暂态失稳的电网子区域有助于对失稳电网进行定位修复，对于失稳电网的快速修复有着非常重要的意义。因此一个能够快速判断电网暂态稳定性且能够定位出暂态失稳子结构的方法是非常值得研究的。
[0004]充分观察电网数据的特点，可以发现电网数据和图结构数据有很多共同点，并且可以使用一定的方法转化为图结构数据。此外，图神经网络近期因在各种图任务上取得了良好的性能而备受关注，并在许多领域都得到了广泛的应用，比如分子属性判断，城市数据挖掘等等。它们都是先将不同领域中的数据转化为图结构数据，并将要解决的问题建模为图神经网络上的不同任务。同样地，电网暂态稳定性判别问题也可以转化为图神经网络上的任务。电网暂态稳定性判别问题是指判断当前拓扑结构下的电网是否稳定。相似的，图分类任务是指在已知拓扑结构和相应节点属性地情况下对图结构数据进行分类。而电网数据恰好可以转化为图结构数据。通过对转化为图结构数据的电网数据进行图分类任务来间接解决电网暂态稳定性的判别问题。
[0005]此外，对于定位电网暂态失稳子区域的任务实际上是找到导致电网暂态失稳的电网子结构。而目前针对图神经网络可解释的研究中，一个很重要的分支是寻找能够决定图分类预测结果的子图。这和定位电网暂态失稳子结构的任务不谋而合。因此，可以通过对电网图数据研究子图级别的图神经网络的可解释问题来间接解决定位导致电网暂态失稳子
结构的问题。目前，对于子图级图神经网络可解释大多是事后解释，也就是说通过一些解释方法来找寻解释子图，将找到的解释子图输入到图神经网络模型中使其预测接近原图预测结果。但是，很多研究表明，事后方法往往无法真正地揭示模型预测过程，而且，事后解释方法和模型真实解释之间存在差异。因此，要在模型预测的过程中找到一个能够在一定程度上揭示模型预测过程的子图，找到模型预测的真实解释。

技术实现思路

[0006]为了解决现有技术的上述缺点，本专利技术提出一种基于可解释图神经网络的电网暂态失稳定位的方法和系统。
[0007]本专利技术根据电网中各个器件的属性和器件间的拓扑关系建立图数据，将电网数据处理为图结构数据，按照一般图结构数据的结构特点，将电网数据建模在图结构上，转化为图结构数据，使用图神经网络判断电网暂态稳定性，在现有的图神经网络可解释方法的基础上，充分考虑图结构信息和图属性信息，构建事前可解释图分类神经网络，提出了一种可用于电网暂态失稳子结构定位的子图级事前可解释的图神经网络方法和系统。
[0008]本专利技术的技术方案是：
[0009]一种基于可解释图神经网络的电网暂态失稳定位方法，包含如下步骤：
[0010]步骤1.通过时域仿真获取每个电网数据的暂稳标签，将不同暂稳状态的电网数据转化为图结构数据以获得图结构的电网暂稳样本数据集；
[0011]步骤2.采用第一图卷积神经网络计算电网暂稳样本数据集中的电网数据中的每个节点的嵌入，生成中间节点嵌入矩阵；
[0012]步骤3.针对图结构的电网暂稳样本数据集中的电网数据中的每条边，根据边两侧节点的中间节点嵌入和电网暂稳样本数据集中的电网数据自身的结构信息获得每条边的边采样权重；
[0013]步骤4.根据边采样权重进行采样解释子图，将采样的解释子图表示为采样掩码矩阵，对于电网暂稳样本数据集中的暂态失稳数据将采样解释子图作为导致电网暂态失稳的子结构；
[0014]步骤5.通过采样掩码矩阵约束电网暂稳样本数据集中的电网数据的拓扑结构获得新的拓扑结构邻接矩阵，将新的拓扑结构邻接矩阵和步骤2中的中间节点嵌入矩阵放入第二图卷积神经网络获取最终节点嵌入，将最终节点嵌入放入分类器中获得电网稳态类别结果；
[0015]步骤6.计算电网暂态判别结果和电网暂稳样本数据集中的电网暂稳样本数据标签之间的损失，将该损失反向传播，调整步骤2中的第一图卷积神经网络的参数和步骤5中第二图卷积神经网络和分类器的参数，并重复步骤2
‑
步骤6，直到该损失趋于稳定。
[0016]进一步，步骤1包括：利用电力系统仿真软件PSASP构建电网数据集；首先获取电力系统的拓扑结构，然后通过修改电网负荷水平、电压值、线路故障类型、线路故障位置、电路元件故障这些参数，之后进行时域仿真并根据仿真结果获得收敛的电网数据样本；经过多次迭代后获得就可以获得具有暂稳状态标签的电网暂稳数据；最后，将这些电网数据建模成为图结构数据以构成电网暂稳样本数据集，数据集中除电网数据是否稳定的暂稳标签
‘0’
和
‘1’
外，还包含电网暂态失稳子结构的标识。
[0017]进一步，步骤2包括：电网数据由各种器件组成，如发电机、负荷等，它们可以被视为图结构中的节点，把各个器件的属性视为图结构中的节点属性。图数据和电网数据之间的拓扑结构相同。
[0018]因此，一个图结构的电网数据集可以被定义为s＝(A,X)，其中A是包含n个节点的邻接矩阵，X是n个节点的特征矩阵。然后，采用第一图卷积神经网络学习电网暂稳样本数据中每个节点的嵌入，针对输入数据s＝(A,X)，第一图卷积神经网络计算过程如下：
[0019][0020]其中I
n
是单位矩阵，是对角度数矩阵，矩阵的第i个对角元素为的第i个对角元素为表示矩阵的第i行第j列元素，W
l+1
是可训练权重矩阵，σ是ReLU函数，H
l
是经过l步计算之后的节点嵌入矩阵；使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可解释图神经网络的电网暂态失稳定位方法，包含如下步骤：步骤1.通过时域仿真获取每个电网数据的暂稳标签，将不同暂稳状态的电网数据转化为图结构数据以获得图结构的电网暂稳样本数据集；步骤2.采用第一图卷积神经网络计算电网暂稳样本数据集中的电网数据中的每个节点的嵌入，生成中间节点嵌入矩阵；步骤3.针对图结构的电网暂稳样本数据集中的电网数据中的每条边，根据边两侧节点的中间节点嵌入和电网暂稳样本数据集中的电网数据自身的结构信息获得每条边的边采样权重；步骤4.根据边采样权重进行采样解释子图，将采样的解释子图表示为采样掩码矩阵，对于电网暂稳样本数据集中的暂态失稳数据将采样解释子图作为导致电网暂态失稳的子结构；步骤5.通过采样掩码矩阵约束电网暂稳样本数据集中的电网数据的拓扑结构获得新的拓扑结构邻接矩阵，将新的拓扑结构邻接矩阵和步骤2中的中间节点嵌入矩阵放入第二图卷积神经网络获取最终节点嵌入，将最终节点嵌入放入分类器中获得电网稳态类别结果；步骤6.计算电网暂态类别结果和电网暂稳样本数据集中的电网暂稳样本数据标签之间的损失，将该损失反向传播，调整步骤2中的第一图卷积神经网络的参数和步骤5中第二图卷积神经网络和分类器的参数，并重复步骤2
‑
步骤6，直到该损失趋于稳定。2.如权利要求1所述的基于可解释图神经网络的电网暂态失稳定位方法，其特征在于：步骤1包括：首先获取电力系统的拓扑结构，然后通过修改电网负荷水平、电压值、线路故障类型、线路故障位置、电路元件故障的参数，之后进行时域仿真并根据仿真结果获得收敛的电网数据样本；经过多次迭代后获得具有暂稳状态标签的电网暂稳数据；将这些电网数据建模成为图结构数据以构成电网暂稳样本数据集，数据集中除电网数据是否稳定的暂稳标签
‘0’
和
‘1’
外，还包含电网暂态失稳子结构的标识。3.如权利要求1所述的基于可解释图神经网络的电网暂态失稳定位方法，其特征在于：步骤2具体包括：一个图结构的电网暂稳样本数据被定义为s＝(A,X)，其中A是包含n个节点的邻接矩阵，X是n个节点的特征矩阵；然后，采用第一图卷积神经网络学习电网图数据中每个节点的嵌入，针对输入数据s＝(A,X)，第一图卷积神经网络计算过程如下：其中I
n
是单位矩阵，是对角度数矩阵，矩阵的第i个对角元素为表示矩阵的第i行第j列元素，W
l+1
是可训练权重矩阵，σ是ReLU函数，H
l
是经过l步计算之后的节点嵌入矩阵；使用节点特征矩阵X作为初始化输入节点嵌入矩阵H0，在经过l次迭代计算之后，第一图卷积神经网络能生成中间节点嵌入矩阵Z＝H
l
。4.如权利要求1所述的基于可解释图神经网络的电网暂态失稳定位方法，其特征在于：步骤3所述的获得边采样权重包括：在拓扑结构中相连的两节点之间的边采样权重主要由两部分构成，分别是节点特征相
似度和节点局部拓扑结构相似度，给定边e，其两侧节点分别为e
a
和e
b
；3.1计算节点特征相似度；经过步骤2中第一图卷积神经网络的预处理，对于每个节点均可以获得一个多维的中间节点嵌入；使用Frobenius内积来计算节点之间的特征相似性，计算方法如下：s
node
＝Frobenius(X
a
,X
b
)，
ꢀꢀꢀꢀ
(2)其中，X
a
和X
b
分别表示两节点e
a
和e
b
的中间节点嵌入，Frobenius()为Frobenius内积计算函数；3.2计算局部拓扑结构相似度；对于两节点e
a
和e
b
，分别寻找以每一节点为中心的k
‑
hop子图，并以邻接矩阵的形式表示；通过计算邻接矩阵之间的相似度来表征两节点k
‑
hop子图之间的相似度，进而得到两节点局部拓扑结构的相似度，计算方法如下：其中，A
a
和A
b
分别表示为两节点k
‑
hop子图的邻接矩阵表示，是范数运算，sum()是求和运算；3.3将两部分的相似度结合，得到最终的边采样权重，计算如下：w＝s
k
‑
hop
(e
a
,e
b
)+λs
node
(e
a
,e
b
)，
ꢀꢀꢀꢀꢀ
(4)其中λ控制两个相似度的比重，...

【专利技术属性】
技术研发人员：宋明黎，李文达，陈凯旋，刘顺宇，汪雨雯，苏运，田英杰，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：