一种针对错判的图卷积网络暂态稳定评估方法技术

一种针对错判的图卷积网络暂态稳定评估方法，包括以下步骤：步骤1：模拟电力系统不同运行场景构建样本集；步骤2：获得改进后的自适应图卷积网络GCN；步骤3：基于改进后的自适应图卷积网络GCN建立评估模型，进行离线训练；步骤4：在在线应用过程中，通过构建辅助决策模块对模型得到的稳定类别与稳定水平进行协调，判断电力系统的真实运行状态。断电力系统的真实运行状态。断电力系统的真实运行状态。

【技术实现步骤摘要】
一种针对错判的图卷积网络暂态稳定评估方法


[0001]本专利技术属于电力系统暂态稳定分析领域，具体涉及一种针对错判的图卷积网络暂态稳定评估方法。

技术介绍

[0002]暂态稳定性通常是指电力系统在受到严重干扰时，如输电线路上发生短路故障时保持同步的能力。随着基于低惯量变流器的可再生能源接入规模的不断扩大，电力系统的稳定裕度降低，面临着越来越紧张的运行条件。在这种情况下，开发低错判率的暂态稳定评估(Transient Stability Assessment,TSA)方法，以提供风险的早期预警和及时启动应急控制成为一个值得关注的问题。
[0003]传统上，一种可靠的TSA方法是时域仿真法，它通过数值积分算法求解电力系统的高维非线性微分代数方程，但由于系统规模扩大所带来的不断增加的计算负担，限制了TSA的在线应用。人工智能法的出现，使在线TSA可以广泛应用，申请公布号为CN114629111A的专利文献公开了一种基于多源信息的电力系统暂态稳定评估方法，采用时域仿真构造海量数据集，将运行信息和故障信息作为卷积神经网络模型的输入特征进行TSA；申请公布号为CN112909939A的专利文献公开了一种基于故障前后潮流特征的电力系统暂态稳定评估方法，根据故障前后信息，采用支持向量机分类器在安全域概念下与稳定域概念下对电力系统暂态稳定状态做出判断。上述方法中浅层网络模型依赖于专家的经验来选择输入特征，这极大地限制了其泛化能力和在实际应用中的TSA精度，并且从故障开始到故障结束或更长时间的系统动态特征作为输入，也一定程度限制了评估速率。
[0004]综上所述，目前的电力系统TSA方法大都没有尽最大可能满足在线TSA且保证其具有较高的准确率。为了实现这一目标，本专利技术提出的方法通过仅采用故障发生后第一个周波内的快照信息，集成两种稳定判断方法提高准确率，具有更高的计算效率，也具有较高的鲁棒性。

技术实现思路

[0005]本专利技术提出了一种针对错判的图卷积网络暂态稳定评估方法，目的是为了解决现有技术存在的评估速率较低并且错判率较高的技术问题。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：
[0007]一种针对错判的图卷积网络暂态稳定评估方法，包括以下步骤：
[0008]步骤1：模拟电力系统不同运行场景构建样本集；
[0009]步骤2：获得改进后的自适应图卷积网络GCN；
[0010]步骤3：基于改进后的自适应图卷积网络GCN建立评估模型，进行离线训练；
[0011]步骤4：在在线应用过程中，通过构建辅助决策模块对模型得到的稳定类别与稳定水平进行协调，判断电力系统的真实运行状态。
[0012]在步骤1中，对样本集的构建具体包含以下步骤：
[0013]步骤1
‑
1：模拟电力系统运行场景，选择模型的输入特征；
[0014]步骤1
‑
2：构建样本的稳定评价指标。
[0015]在步骤1
‑
1中，模拟电力系统在发电机及负荷正常波动下发生N
‑
1三相短路故障，将故障发生后第一个周波内的母线电压幅值和相位角、负荷有功和无功以及发电机有功和无功的采样数据作为输入，构建特征矩阵X
m
∈R
N
×6。
[0016]在步骤1
‑
2中，每个样本赋予两个稳定性标签，为暂态稳定指标TSI和稳定水平指标SLI，定义如下：
[0017][0018][0019]式中：Δδ
max
为任意两台发电机之间的功角差；当|Δδ|
max
>180
°
，即TSI<0时，系统暂态失稳，标记为c＝[1,0]，反之，标记为c＝[0,1]；ε为一个稳定阈值，SLI的取值范围为[
‑
1,1]。
[0020]在步骤2中，改进的神经网络自适应图卷积网络GCN具体为：
[0021]输入层
→
第一图卷积层
→
第一反残差模块
→
第二图卷积层
→
第二反残差模块
→
第三图卷积层
→
第三反残差模块
→
输出层。
[0022]所述的图卷积层数学表达式如下：
[0023]H
(r+1)
＝f(H
r
,A)
ꢀꢀ
(3)
[0024][0025]式中：H
(r+1)
、H
r
分别为第r+1与第r节点特征；f(
·
,
·
)为函数运算；A为相关矩阵；h(
·
)为非线性运算；为归一化后的相关矩阵；W
r
为学习运算矩阵；
[0026]图卷积层在使用时，首先，由第一层图卷积与反残差模块对通道进行扩张，达到升维效果；然后，由第二层图卷积与反残差模块对每个特征通道独立进行二维卷积运算，该过程通道数不变，特征图尺寸变小；最后，通过第三层图卷积与反残差模块进行维度还原，输出特征图；经过上述反残差层的维度扩充、深度卷积、维度还原后，提升特征图的表征能力。
[0027]在步骤3中具体包含以下步骤：
[0028]步骤3
‑
1：基于改进后的自适应图卷积网络GCN构建评估模型；
[0029]步骤3
‑
2：添加稳定类别评估模块SCAM和稳定水平评估模块SLAM，减少错判发生率；
[0030]步骤3
‑
3：建立联合稳定类别评估模块SCAM和稳定水平评估模块SLAM的损失函数，提高模型评估精度。
[0031]在步骤3
‑
1中，自适应图卷积网络GCN以经过反残差模块特征选择后的特征信息作为输入，其包含初始节点特征矩阵X
out
∈R
N
×
d
和初始邻接矩阵A∈R
N
×
N
，其中N为样本数量，d为特征维度，将邻接矩阵A设置为参数自适应更新，通过自适应调整邻域节点的权重可以更好的拟合实际电力系统中的拓扑结构变化，图卷积层的计算公式如下：
[0032][0033]式中：X
out
为节点特征；为邻域聚合信息；“//”为沿着特征维度进行拼接；W为权重矩阵；σ(
·
)为非线性激活函数；Z1为节点特征矩阵，GCN网络输入层有N个节点，对应电力系统中的节点数。
[0034]在步骤3
‑
2中，在自适应图卷积网络GCN下端连接由自编码器构成的SCAM与SLAM，SCAM对稳定性类别进行判断，SLAM估计稳定性水平，两个模块的表达式如下：
[0035][0036][0037]式中：为第i个样本的置信度；为SCAM模块的输出；z
SLAM
为SLA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对错判的图卷积网络暂态稳定评估方法，其特征在于，包括以下步骤：步骤1：模拟电力系统不同运行场景构建样本集；步骤2：获得改进后的自适应图卷积网络GCN；步骤3：基于改进后的自适应图卷积网络GCN建立评估模型，进行离线训练；步骤4：在在线应用过程中，通过构建辅助决策模块对模型得到的稳定类别与稳定水平进行协调，判断电力系统的真实运行状态。2.根据权利要求1所述的方法，其特征在于：在步骤1中，对样本集的构建具体包含以下步骤：步骤1
‑
1：模拟电力系统运行场景，选择模型的输入特征；步骤1
‑
2：构建样本的稳定评价指标。3.根据权利要求2所述的方法，其特征在于：在步骤1
‑
1中，模拟电力系统在发电机及负荷正常波动下发生N
‑
1三相短路故障，将故障发生后第一个周波内的母线电压幅值和相位角、负荷有功和无功以及发电机有功和无功的采样数据作为输入，构建特征矩阵X
m
∈R
N
×6。4.根据权利要求2所述的方法，其特征在于：在步骤1
‑
2中，每个样本赋予两个稳定性标签，为暂态稳定指标TSI和稳定水平指标SLI，定义如下：签，为暂态稳定指标TSI和稳定水平指标SLI，定义如下：式中：Δδ
max
为任意两台发电机之间的功角差；当|Δδ|
max
>180
°
，即TSI<0时，系统暂态失稳，标记为c＝[1,0]，反之，标记为c＝[0,1]；ε为一个稳定阈值，SLI的取值范围为[
‑
1,1]。5.根据权利要求1所述的方法，其特征在于：在步骤2中，改进的神经网络自适应图卷积网络GCN具体为：输入层
→
第一图卷积层
→
第一反残差模块
→
第二图卷积层
→
第二反残差模块
→
第三图卷积层
→
第三反残差模块
→
输出层。6.根据权利要求5所述的方法，其特征在于，所述的图卷积层数学表达式如下：H
(r+1)
＝f(H
r
,A)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中：H
(r+1)
、H
r
分别为第r+1与第r节点特征；f(
·
,
·
)为函数运算；A为相关矩阵；h(
·
)为非线性运算；为归一化后的相关矩阵；W
r
为学习运算矩阵；图卷积层在使用时，首先，由第一层图卷积与反残差模块对通道进行扩张，达到升...

【专利技术属性】
技术研发人员：刘颂凯，杨明飞，杨超，常鹏，杨苗，曾祥军，胡竞哲，周倩，崔梓琪，袁铭洋，赵文博，陈萍，李正浩，曾羽聪，
申请(专利权)人：三峡大学，
类型：发明
国别省市：