[发明专利]一种基于图神经网络池化的电网稳态判别方法

说明书

本发明属于电力系统潮流计算和图表示学习领域，综合考虑电网拓扑结构和图网络结构的特性，提出了一种基于图神经网络池化的电网稳态判别方法。首先，将电网数据处理为图网络结构数据并通过引入图同构网络(GraphIsomorphismNetwork)来实现电网图中各个节点信息的预处理。然后，使用最大似然估计方法将得到的特征矩阵建模为高斯模型，并分别对高斯模型中的均值和协方差两部分分量进行池化操作。最后，将池化后的两部分分量进行融合得到最终的表示形式，应用于电网运行状态判别。本发明结合人工智能领域的研究热点和电网领域的经典问题，在电网的潮流计算领域做出了新的尝试并取得了较好的效果，具有较高的应用价值和发展前景。

技术领域

本发明属于潮流计算和图表示学习领域，根据电网各个节点之间的拓扑关系、以及相应的伴随属性等信息来学习当前状态电网的表示向量，应用于电力系统稳态运行情况的判别。本发明把电网数据处理图网络结构数据，在现有图神经网络方法的基础上，从均值和协方差两类统计形式考虑图神经网络学习到的特征并进行融合得到最终的向量表示形式，提出了一种用于电网稳态判别的图神经网络池化方法。

背景技术

潮流计算是研究电力系统稳态运行情况的一种基本电气计算，根据给定的运行条件和网路结构确定整个系统的运行状态。其基本数学模型是一组高阶非线性方程组，通过不断的迭代来寻求可靠的收敛，并给出最终正确答案。随着电力系统的规模不断扩大，潮流计算方程的复杂度也随着增高，收敛也越发的困难且不能保证给出正确答案。这种情况促使了电力系统的研究人员不断的寻找更加快速且可靠的计算方法。近20多年来，潮流计算的研究仍然非常活跃，但大多是围绕P-Q分解和改进牛顿法进行改进。此外，随着人工智能理论等相关研究的快速发展，一些新的研究方法也开始逐渐被引入潮流计算。

近期，图神经网络受到越来越多的关注，相应的应用也变得越来越广泛。其中，图表示学习根据当前图的拓扑结构等信息学习图的向量表示，然后将学习到的表示向量用于图级别的分类任务。图级别的分类任务最初考虑图的拓扑结构以及节点的类别等信息，使用哈希函数实现节点信息的单射，经过数次迭代最终得到图的表示。随着图卷积神经网络的发展，一些研究人员为了解决图级别的问题，引入了池化算子以刻画网络的网络结构等信息，以某种机制进行图中节点信息的舍弃和融合。目前，基于图神经网络方法的图表示学习已经在很多应用取得了较好的表现，例如蛋白质结构、分子图等图级别的分类任务。

电网稳态判别其本质是一个二分类问题，即当前拓扑结构下的电网是稳定与否。相似的，图分类任务也是在已知图拓扑结构已经相关伴随信息的情况下识别图所属于的类别。电网数据和图网络数据在结构上存在很大的相似性，它们均是由节点信息以及节点之间的关系构建而成。因此，将电网数据构建成图网络数据，利用图表示学习的相关知识来学习不同状态下电网的表示向量，然后再进行一个二分类的任务，最后即可实现电网的稳态判别任务。

发明内容

本发明要克服现有技术的上述缺点，提供一种基于图神经网络池化的电网稳态判别方法。

本发明考虑电网数据以及图网络结构数据的特点，将电网数据建模在图网络结构上，并在现有图神经网络技术的基础上，提出了一种用于电网稳态判别的图神经网络池化方法。本发明的技术方案是：

一种用于电网稳态判别的图神经网络池化方法，包含如下步骤：

1.构建电网稳态识别数据集；

我们利用仿真软件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，按照潮流计算是否收敛来给当前电网的状态打标签。如此迭代K次，便可以获得大小为K的电网数据，然后将它们建模为图网络结构以构成电网稳态识别数据集。

2.引入图节点表示学习框架；