【技术实现步骤摘要】
本专利技术涉及电网系统源荷场景生成方法领域，具体是一种基于关系图卷积网络的源荷场景对抗生成方法。
技术介绍
1、新型配电系统是实现能源安全新战略的关键环节，在新能源接入比例提高的背景下，配电网在强不确定性、弱参数、多变量条件下难以实现资源的有效协同优化，实现精准、实时、泛化性强的辅助决策。因此，正确描述源荷双侧运行的不确定性是克服上述问题的关键。场景分析法通过构建多个确定源荷场景来表征不确定性，将不确定性问题转换为确定性问题，是对源荷场景运行不确定性建模的有效方法之一。
2、在源荷双侧不确定性增强、运行状态频繁变化、控制决策变量增多等实际问题背景下，当前的场景分析方法难以在复杂数据条件下建立全面覆盖复杂数据的不确定性源荷场景，对于源荷功率波动的应对能力不足。传统优化模型的参数及目标函数往往是基于历史数据或预测数据设定的，难以准确反映源荷场景实际运行情况，而配电网拓扑结构也可能因为故障、检修、转供等原因发生变化。因此，源网荷储协同优化需充分考虑风、光、负荷、拓扑等不确定运行的源荷场景。
技术实现思路
1、本专利技术提供了一种基于关系图卷积网络的源荷场景对抗生成方法，以解决现有技术场景分析法由于不确定性增强、运行状态频繁变化、控制决策变量增多等因素，导致难以精确生成源荷场景的问题，进而实现为电网调度与决策提供模拟分析样例、提高对电力系统运行场景认知的目的。
2、为了达到上述目的，本专利技术所采用的技术方案为：
3、一种基于关系图卷积网络的源荷场景对抗
4、步骤1、获取源荷场景数据，并根据源荷场景数据构建源荷场景的拓扑结构；根据源荷场景的拓扑结构中节点的邻接关系矩阵，得到节点间的邻接关系矩阵；根据源荷场景的拓扑结构中节点的关键特征，得到源荷场景的节点属性矩阵；根据源荷场景的拓扑结构中节点间链接的关键特征，得到源荷场景的边属性矩阵；
5、然后，分别对节点属性矩阵、边属性矩阵进行预处理后，与所述邻接关系矩阵组成真实源荷场景的图结构表示
6、步骤2、建立融合关系图卷积网络的图生成对抗网络，并对所述图生成对抗网络进行训练；所述图生成对抗网络模型包括基于多层感知机的源荷场景数据生成器、基于关系图卷积网络的源荷场景数据判别器；
7、每次训练时，首先生成服从高斯分布的随机噪声作为所述源荷场景数据生成器的输入，通过源荷场景数据生成器中三层全连接层输出隐藏层的编码表示，然后由源荷场景数据生成器将输出的隐藏层编码表示分别解码为邻接关系矩阵、边属性矩阵、节点属性矩阵，由此生成源荷场景图结构表示
8、接着，以步骤1得到的真实源荷场景图结构表示由源荷场景数据生成器生成的源荷场景图结构表示作为所述源荷场景数据判别器的输入，由源荷场景数据判别器通过若干关系图卷积层分别得到真实源荷场景图结构表示源荷场景图结构表示中每个节点的隐藏层编码表示，然后由源荷场景数据判别器通过关系图聚合层分别将得到的两个图结构表示和中节点的隐藏层编码表示进行聚合，由此分别得到真实源荷场景图结构表示和源荷场景图结构表示中每个节点的图级向量表示，最后由源荷场景数据判别器通过概率输出层根据真实源荷场景图结构表示和源荷场景图结构表示中每个节点的图级向量表示，分别得到真实源荷场景图结构表示和源荷场景图结构表示中每个节点的概率占比；
9、基于上述过程进行多轮训练，多轮训练时基于训练目标函数计算结果反向传播交替优化更新所述源荷场景数据生成器和源荷场景数据判别器的权重参数，直至达到指定迭代次数后停止训练，由此得到训练好的图生成对抗网络，并保存训练好的图生成对抗网络中的源荷场景数据生成器部分的权重参数；
10、步骤3、重新随机生成服从高斯分布的随机噪声，将重新生成的随机噪声输入至训练完成后的图生成对抗网络中的源荷场景数据生成器，由源荷场景数据生成器生成当前的源荷场景图结构表示，作为源荷场景模拟样本，由此构建源荷场景模拟样本集。
11、进一步的，步骤1中，对节点属性矩阵的预处理为归一化处理。
12、进一步的，步骤1中，对边属性矩阵的预处理为通过独热编码方法对边属性矩阵中的边标签进行的编码处理。
13、进一步的，步骤3中多轮训练时采用wasserstein损失函数作为图生成对抗网络的训练目标函数。
14、进一步的，分别计算真实源荷场景的图结构表示源荷场景图结构表示的结构熵正则化项，并将计算得到的图结构表示和的结构熵正则化项加入wasserstein损失函数中各自对应部分，由此构建得到最终的训练目标函数。
15、本专利技术首次提出结合关系图卷积神经网络和生成对抗网络的源荷场景图生成对抗网络，构建以图数据结构表示的源荷场景样本集以综合考虑场景中的各个因素。在此基础上通过生成模型学习源荷场景在实际运行中的数据分布，以生成更多样的源荷场景样本作为电网调度与决策的分析样例，增强应对源荷功率随机波动和拓扑变化的能力，保障电网的安全经济运行。
16、与现有技术相比，本专利技术优点为：
17、(1)将实际源荷场景涉及到的相关数据通过图数据结构表示，使其蕴含的信息与实际运行情况相符，辅助后续过程挖掘更多的真实信息。
18、(2)构建的基于多层感知机的源荷场景数据生成器和基于关系图卷积网络的源荷场景数据判别器，不仅能较好的考虑网络拓扑信息，还能考虑到节点间的链接信息，挖掘节点与节点间、节点与网络间潜在的空间耦合关系。
19、(3)设计的wasserstein优化目标函数能够令生成网络学习到真实的数据属性分布，设计的基于图结构熵的目标函数能够令网络进一步拟合源荷场景数据的结构分布，从而生成高质量场景数据。
本文档来自技高网...【技术保护点】
1.一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，步骤1中，对节点属性矩阵的预处理为归一化处理。
3.根据权利要求1所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，步骤1中，对边属性矩阵的预处理为通过独热编码方法对边属性矩阵中的边标签进行的编码处理。
4.根据权利要求1所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，步骤3中多轮训练时采用Wasserstein损失函数作为图生成对抗网络的训练目标函数。
5.根据权利要求4所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，分别计算真实源荷场景的图结构表示
【技术特征摘要】
1.一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，步骤1中，对节点属性矩阵的预处理为归一化处理。
3.根据权利要求1所述的一种基于关系图卷积网络的源荷场景对抗生成方法，其特征在于，步骤1中，对边属性矩阵的预处理为通过独热编...
【专利技术属性】
技术研发人员：王征，王昊宇，孙美君，
申请(专利权)人：天津大学合肥创新发展研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。