[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

说明书

本发明提出了一种基于图卷积网络的配电网状态评估方法和系统。该方法包括：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；根据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；对图卷积网络模型进行在线验证。基于该方法，还提出了一种基于图卷积网络的配电网状态评估系统。本发明构造了配电网状态估计图卷积网络模型，并设计了离线训练方法，满足实时评估的需要，并提高了评估的可靠性。

技术领域

本发明属于配电网状态评估的技术领域，特别涉及一种基于图卷积网络的配电网状态评估方法和系统。

背景技术

随着以风电、光伏为代表的可再生能源渗透率不断提高，现代配电网实时状态估计也面临新的挑战，研究新型智能配电网的实时状态估计方法，对提高电网的运行可靠性，优化运行稳定性具有重要意义。

现有的配电网状态评估技术主要分为三类：1、基于数值优化模型的方法，如高斯-牛顿优化法；2、基于神经网络的学习方法；3、神经网络与传统优化模型相结合的方法，如伪量测部分采用神经网络，整体评估采用优化模型。然而，在现有的配电网状态评估技术使用过程中存在一些问题：1、直接采用学习网络的模型可靠性不足，且不具有可解释性，传统优化模型对初值敏感，且计算耗时长，难以满足实时评估的需要，2、人工智能与传统优化算法融合的模型，其计算时间以及训练精度又难以适应在线评估的要求，基于神经网络的学习方法，多采用“暴力”学习法，即强行建立已知节点量测与未知节点状态量之间的映射关系模型，而训练样本不能满足所有的对应关系，3、而基于神经网络与传统优化相结合的方法，多用于增加伪量测进行状态评估的场景，然而由于伪量测的不确定性，引入较多的伪量测可能对状态评估精度产生负效应。

发明内容

为了解决上述技术问题，本发明提出了一种基于图卷积网络的配电网状态评估方法和系统，基于深度学习方法，通过将网络结构信息用于确定学习网络，增强了模型的可解释性。

为实现上述目的，本发明采用以下技术方案：

一种基于图卷积网络的配电网状态评估方法，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。

进一步的，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}；