[发明专利]一种基于图神经网络池化的电网稳态判别方法

权利要求书

1.一种基于图神经网络池化的电网稳态判别方法，包含如下步骤：

步骤1.构建电网稳态识别数据库；

构建图结构的电网稳态识别数据集，包含不同状态下电网相关的拓扑结构、各个节点的电压负荷信息；其中，电网拓扑结构中的母线对应于图结构中的节点，其负载的电压信息视为节点的伴随属性，电网拓扑结构中连接两个母线的连接线或者开关对应于图结构中的边；由于现实中电网不稳定的数据很少，这样会导致数据集的样本类比不平衡，所以利用仿真软件pandapower来构建数据集；首先获取所需电网的拓扑结构，然后任意修改该电网中某一节点上的电压、负荷的等值，使用潮流计算判断修改后的电网的状态并记录，按照潮流计算是否收敛来给当前电网的稳态进行打标签；最后，根据电网的拓扑结构信息将电网数据构建成图结构的数据；如此迭代K次，便可获得K个带标签的图网络结构的电网数据，至此电网稳态识别数据集构建完成；

步骤2.引入图节点表示学习框架；

引入一个简单的图节点表示学习框架，旨在对电网各个节点的数据做预处理，以利于下游池化任务的进行；图中节点信息是否得到较好的表示也将直接影响最后图表示的效果，引入图同构网络，即Graph Isomorphism Network，简称GIN，来实现各个节点信息的预处理，通过多层感知机去拟合汇聚和组合的过程，其节点特征的数学表达式如下：

其中为节点v经过k个MLP层之后的特征向量，表示节点v的邻接节点；通过GIN图神经网络的预处理，每个状态的电网数据会被处理为一个特征矩阵H，该特征矩阵的行数等于图中的节点数，每一行即为通过GIN学习到的节点表示向量；

步骤3.构建多维高斯模型；

对于一组特征数据，使用高斯模型对数据进行建模是一种常用且有效的手段；经过上一步图卷积神经网络的预处理，每一个电网数据均可以获得一个多维的特征矩阵，使用最大似然估计方法可以将其建模为如下的高斯模型：

其中，为特征矩阵中第i个特征向量，和为均值向量和协方差矩阵；由此可见高斯模型主要包含均值向量和协方差矩阵两部分分量，分别对这两部分分量进行非线性操作以得到更具判别性的表示，并将这两部分的高斯分量处理称为均值池化和协方差池化；

步骤4.构建均值池化框架；

均值池化采用的是一个三层感知机的架构，其输出层的维度和输出层的维度一致，中间层的维度比输入层和输入层低；均值池化过程表达式有如下的形式：

u＝F_mean(μ，W)＝σ(g(μ，W))＝σ(W₂δ(W₁μ)) (3)

其中，δ和σ分别是ReLU和Sigmoid函数，及r的值按照SE网络中的值进行设置，SE网络即Squeeze-and-Excitation Networks，最后得到的即为经过池化得到均值向量表示形式；

步骤5.构建协方差池化框架；

协方差池化首先对矩阵进行特征值分解，然后对特征值进行平方根处理，然后将相应的特征向量在进行矩阵乘以得到一个更具判别性的矩阵；高斯分量的协方差池化过程表达式有如下的形式：

其中，U，Λ分别为协方差矩阵∑的特征向量矩阵和特征值矩阵；经过上式的矩阵开平方根操作后，得到的矩阵P即为协方差矩阵池化后的表示形式；

步骤6.多维度高斯分量融合框架；

在步骤4、5高斯分量的池化操作后，每一个状态的电网数据都会得到一个池化后的均值向量以及协方差矩阵对于这两类不同的表示形式，采取如下两种信息融合的方式；6.1基于因子分解机制的多阶信息融合；

6.2基于注意力机制的多阶信息融合；

步骤7.进行电网稳态判别任务；

从构建好的数据集中随机选取一部分数据作为训练集，剩下的部分作为测试集，经过m次迭代以更新神经网络中的参数，每次更新参数后均计算一次测试集中电网状态判别正确的准确率，比较并保存m次迭代中判别率最高的一次超参数，即得到了用于电网稳态识别的网络模型；最后，将得到的网络模型应用到电网稳态判别的任务中，输出结果’0’表示电网状态不稳定，’1’表示电网状态稳定。