【技术实现步骤摘要】
本专利技术涉及电力保护，更具体地说，本专利技术涉及一种基于智能网络的电力保护方法及装置。
技术介绍
1、电力保护是确保电力系统安全、稳定和可靠运行的重要组成部分。它的核心目的是在电力设备出现故障或异常时，及时检测并隔离故障，以保护系统的整体功能，避免设备损坏和人员伤亡。随着全球电力需求的持续增长，电力系统面临着前所未有的压力。这一方面源于城市化进程的加速，导致对电力的需求不断攀升；另一方面，随着经济的发展，工业和商业用电量大幅增加，进一步加重了电力供应的负担。
2、传统的电力保护主要基于电流和电压的简单阈值比较，容易受到干扰和假象故障（如电流波动、负载变化等）的影响，导致误动作或拒动，从而影响电力系统的安全性和可靠性，同时，传统电力保护方法难以应对复杂的电力网络环境。信息孤岛现象普遍存在，导致电力预警准确率低等问题。针对上述问题，本专利技术提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供一种基于智能网络的电力保护方法及装置，通过一种基于智能网络的电力保护方法及装置，以解决传统方法在电力预测保护上准确率低的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于智能网络的电力保护方法，包括以下步骤：获取电网电力设备的运行状态数据以及连接所述区电网电力设备的电力线路的特征数据并进行预处理；基于电网的拓扑结构，构建功率流动图，并基于功率流动图将电网划分为g个子网；将所述g个子网作为图节点，连接电力设
4、在一个优选的实施方式中，所述基于电网的拓扑结构，构建功率流动图，并基于功率流动图将电网划分为g个子网，具体为：基于电网的拓扑结构，将电网中各个电力设备作为图节点，连接电力设备的电力线路作为边，构建电网图结构，并计算电网的电网邻接矩阵，所述电网的电网邻接矩阵中的元素在两个电力设备相邻时值为1，不相邻时值为0；基于潮流方差计算电力设备之间的功率流动量，并将所述电力设备之间的功率流动量作为所述电网图结构中的边的权重，得到电网边权重矩阵；基于所述电网的电网邻接矩阵和电网边权重矩阵，构建功率流动图；基于所述功率流动图，采用louvain 算法将电网划分为g个子网。
5、在一个优选的实施方式中，基于所述功率流动图，采用louvain 算法将电网划分为g个子网，具体为：将所述功率流动图中的每个节点看作原始独立的电网社区；定义电网模块度作为所述原始独立的电网社区划分的评价指标；计算所述功率流动图中的每个节点移动到对应的相邻节点的原始电网社区的电网模块度变化值；基于所述电网模块度变化值，将每个电网社区作为新的电网超节点，并构建新的电网图结构，所述新的电网图结构的边权重为所述功率流动图中原始独立的电网社区之间的功率流动率之和；基于所述新的电网图结构，构建新的电网邻接矩阵和电网权重矩阵，得到g个子网。
6、在一个优选的实施方式中，计算所述功率流动图中的每个节点移动到对应的相邻节点的原始电网社区的电网模块度变化值，具体为：计算所述功率流动图中的每个节点的原始电网社区的电网模块度；计算所述功率流动图中的每个节点移动到对应的相邻节点的原始电网社区的电网模块度，得到移动后电网模块度；将所述移动后电网模块度与原始电网社区的电网模块度进行相减，得到电网模块度变化值；当所述电网模块度变化值大于0时，将功率流动图中的每个节点移动至相邻节点对应的原始电网社区中。
7、在一个优选的实施方式中，将所述g个电网子网状态特征向量和电网电力设备的运行状态数据以及连接所述区电网电力设备的电力线路的特征数据输入至预设的基于gcnn的电网状态预测模型，得到电网状态预测值，具体为：所述基于gcnn的电网状态预测模型包括输入层、k个加入图注意力机制的图卷积层、lstm层以及全连接层；将所述g个电网子网状态特征向量进行加权融合，得到电网状态融合特征向量；将所述电网状态融合特征向量和电网电力设备的运行状态数据以及连接所述区电网电力设备的电力线路的特征数据输入至所述基于gcnn的电网状态预测模型进行预测，得到电网状态预测值。
8、在一个优选的实施方式中，所述k个加入图注意力机制的图卷积层，具体为：所述图注意力机制将电网图结构中的每个子网节点的相邻节点分配预设的权重，得到加权后的电网状态特征向量；将所述加权后的电网状态特征向量作为lstm层的输入。
9、任意一项所述的一种基于智能网络的电力保护方法的装置，其特征在于，包括数据获取模块，子网划分模块，子网状态特征提取模块，电网状态预测模块，电力保护模块，模块间存在连接：
10、数据获取模块，获取电网电力设备的运行状态数据、电力设备的特征数据以及连接所述区域电网电力设备的电力线路的特征数据，并进行预处理；
11、子网划分模块，基于电网的拓扑结构，构建功率流动图，并基于功率流动图将电网划分为g个子网；
12、子网状态特征提取模块，将所述g个子网作为图节点，连接电力设备的电力线路作为边，得到g个电网子网图，并将所述g个电网子网图的节点电力数据输入至预设的卷积神经网络中进行特征提取，得到g个电网子网状态特征向量；
13、电网状态预测模块，将所述g个电网子网状态特征向量和电网电力设备的运行状态数据输入至预设的基于gcnn的电网状态预测模型，得到电网状态预测值；
14、电力保护模块，基于所述电网状态预测值与预设的阈值，采取对应的电力保护措施。
15、本专利技术一种基于智能网络的电力保护方法及装置的技术效果和优点：
16、1.本专利技术通过获取电网电力设备的运行状态数据以及电力线路的特征数据并进行预处理，结合电网的拓扑结构构建功率流动图，并将电网划分为 ggg 个子网，这一过程有助于更精准地感知电网的实时状态。将电网划分为多个子网能够简化复杂系统的分析，使每个子网独立表征局部运行状态。通过将子网节点电力数据输入卷积神经网络（cnn），能够有效提取关键特征，使模型能够捕捉设备之间的功率流动关系、设备负载情况等。随后，利用基于图卷积神经网络（gcnn）的模型对整个电网进行状态预测，进一步增强了电网的全局感知能力。gcnn 通过聚合每个子网的信息，同时考虑设备连接和拓扑结构的特性，能够提高预测的精度，特别是在处理电力系统的复杂非线性特性时，从而有助于更早发现电网异常，及时作出预警。
本文档来自技高网...【技术保护点】
1.一种基于智能网络的电力保护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能网络的电力保护方法，其特征在于，所述基于电网的拓扑结构，构建功率流动图，并基于功率流动图将电网划分为G个子网，具体为：
3.根据权利要求2所述的基于智能网络的电力保护方法，其特征在于，基于所述功率流动图，采用Louvain 算法将电网划分为G个子网，具体为：
4.根据权利要求3所述的基于智能网络的电力保护方法，其特征在于，计算所述功率流动图中的每个节点移动到对应的相邻节点的原始电网社区的电网模块度变化值，具体为：
5.根据权利要求4所述的基于智能网络的电力保护方法，其特征在于，将所述G个电网子网状态特征向量和电网电力设备的运行状态数据以及连接所述电网电力设备的电力线路的特征数据输入至预设的基于GCNN的电网状态预测模型，得到电网状态预测值，具体为：
6.根据权利要求5所述的基于智能网络的电力保护方法，其特征在于，所述k个加入图注意力机制的图卷积层，具体为：
7.根据权利要求6所述的基于智能网络的电力保护方法，其特征
8.根据权利要求7所述的基于智能网络的电力保护方法，其特征在于，所述定义电网模块度作为所述原始独立的电网社区划分的评价指标，具体为：
9.根据权利要求8所述的基于智能网络的电力保护方法，其特征在于，所述图注意力机制的具体公式为：
10.一种使用如权利要求1-9中任意一项所述的一种基于智能网络的电力保护方法的装置，其特征在于，包括数据获取模块，子网划分模块，子网状态特征提取模块，电网状态预测模块，电力保护模块，模块间存在连接：
...【技术特征摘要】
1.一种基于智能网络的电力保护方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于智能网络的电力保护方法，其特征在于，所述基于电网的拓扑结构，构建功率流动图，并基于功率流动图将电网划分为g个子网，具体为：
3.根据权利要求2所述的基于智能网络的电力保护方法，其特征在于，基于所述功率流动图，采用louvain 算法将电网划分为g个子网，具体为：
4.根据权利要求3所述的基于智能网络的电力保护方法，其特征在于，计算所述功率流动图中的每个节点移动到对应的相邻节点的原始电网社区的电网模块度变化值，具体为：
5.根据权利要求4所述的基于智能网络的电力保护方法，其特征在于，将所述g个电网子网状态特征向量和电网电力设备的运行状态数据以及连接所述电网电力设备的电力线路的特征数据输入至预设的基于gcnn的电网状...
【专利技术属性】
技术研发人员：陈健，李道鹏，曹莉，李迅，杨书航，汪瑾，袁庆林，薛晴，赵永智，潘璐茜，
申请(专利权)人：合肥工业大学，
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。