[发明专利]一种基于图卷积网络的配电网状态评估方法和系统

权利要求书

1.一种基于图卷积网络的配电网状态评估方法，其特征在于，包括以下步骤：

建立配电馈线的节点集合和支路集合，通过在节点处配置电源管理单元将配电网络进行分割，建立状态估计数据驱动模型；所述状态估计数据驱动模型是以量测量作为输入，状态量作为输出的映射函数；

根据所述数据驱动模型定义分区子系统最大支路直径以及邻近节点最大量测数目，设计图卷积网络结构模型；

根据配电网结构形成邻接矩阵，计算及设置图卷积结构网络模型超参数；

搭建配电网仿真模型，获得训练样本，并离线训练所述图卷积结构网络模型；

采用配电网状态估计模型测试样本数据对离线训练完成的图卷积网络模型进行在线验证。

2.根据权利要求1所述的一种基于图卷积网络的配电网状态评估方法，其特征在于，所述建立配电馈线的节点集合和支路集合，通过在节点处配置电源管理单元将配电网络进行分割过程为：

采用非欧式空间的图数据G表示由N个节点和L条支路组成的配电馈线，即G＝(V,L)；其中V称为顶集，用于表示各个节点；L为边集，用于表示各个节点的连接关系；V＝{V₁,V₂,…,V_N}；L＝{l₁,l₂,…,l_L}；

通过在节点处配置电源管理单元将所述边集划分为多个不相交的子集；如果P＝{Vv₁,Vv₂,…,Vv_m}是包含了安装多个电源管理单元节点的顶集；通过对P内节点切割，边集L被划分为K个不相交子集L_k，N_k表示L_k中与边相连的节点集，任意一个包含边(l,m)端点的顶点都在N_k中。

3.根据权利要求2所述的一种基于图卷积网络的配电网状态评估方法，其特征在于，所述建立状态估计数据驱动模型的过程为：

建立状态估计数据驱动模型f_NN(z_i)＝x_i； (1)

其中量测量为配电网络中所有直接或间接量测得到的变量，包括基于电源管理单元的直接量测与伪量测的融合得到的节点量测向量，记为：其中，U_Ri为节点i上电压量测转换为直角坐标系下的实部值；U_Ii为节点i上电压量测转换为直角坐标系下的虚部值；I_Rij为i-j支路电流量测转换为指标坐标系后的实部值；I_Iij为i-j支路电流量测转换为指标坐标系后的虚部值；为伪量测模型中通过负荷节点的注入有功功率预测得到的节点i的电压伪量测值；为伪量测模型中通过负荷节点的注入无功功率预测得到的节点i的电压伪量测值；

在采用微型同步相量测量单元的情况下，将f_NN(z_i)＝x_i简化为(2)；

其中，为在所有没有安装微型同步相量测量单元的节点上电压估计的集合；z_p表示所有微型同步相量测量单元的节点及其邻近支路上的量测的集合；将没有与边L_k相连的节点集表示为

对于每个f_r(z_p)都可以表示为：

z_k包含节点集N_k和边集L_k上的所有量测，表示在没有安装微型同步相量测量单元的节点集上所有的电压估计值；

对于图数据G，其特征由V中每个节点的特征X_v＝{x_v1,x_v2,...,x_vn}以及连接两个节点的边l的边集特征X_l＝{x_l1,x_l2,...,x_lm}构成；图数据G每个隐藏层的输出表示为卷积神经网络模型h^t+1＝f(h^t,A|W^t)； (4)

其中，h^t+1表示第t+1个隐藏层的特征输出；A表示节点的邻接矩阵，W^t表示第t层的权重参数；

所述卷积神经网络模型传播过程为

其中，是的度矩阵，σ为激活函数；

状态估计模型的学习架构表示为

其中，N表示节点个数；X_i表示节点i状态变量的数据特征；Z_i表示节点i量测变量的数据特征；||·||表示模型的范数，是衡量网络对映射函数拟合误差的损失函数；f_GCN表示最终训练得到的状态估计网络模型，即数据驱动模型。