本发明属于智能电网，涉及一种用于电网暂态稳定评估的人工智能技术，特别涉及一种基于时空动态图模型的电网暂态功角稳定评估方法。
背景技术：
：：1、随着电力系统的快速发展，大规模可再生新能源和交直流混联网络不断并网，针对电网运行的安全稳定性需求显著增加。电力系统暂态过程，特别是电网从故障发生到故障切除这一过程通常较为短暂且时长不固定，对于高维紧耦合的复杂电网而言，当面临突发系统故障和运行风险时，具备快速准确的暂态稳定评估(transient stabilityassessment，tsa)至关重要。2、近年来随着人工智能技术的飞速进步和广域量测系统中向量测量单元(phasormeasurement unit，pmu)的推广普及，基于数据驱动的tsa研究领域得到了快速的发展。通过直接建立电力系统的系统特征量和暂态稳定状态间的端到端映射关系，可以有效弥补基于机理模型的tsa在面临日益复杂电网环境时的准确性和实效性等方面的判稳短板。目前机器学习算法已经在暂态稳定评估领域得到了广泛应用，例如文献[戴远航,陈磊,张玮灵,闵勇,李文锋.基于多支持向量机综合的电力系统暂态稳定评估[j].中国电机工程学报,2016,36(05):1173-1180.doi:10.13334/j.0258-8013.pcsee.2016.05.001.]研究了支持向量机(svm)的暂态稳定评估效果，文献[孙宏斌,王康,张伯明,赵峰.采用线性决策树的暂态稳定规则提取[j].中国电机工程学报,2011,31(34):61-67+8.doi:10.13334/j.0258-8013.pcsee.2011.34.004.]利用决策树(dt)模型的可解释性实现了对暂态稳定规则的提取，但是针对tsa的机器学习输入多依赖于专家经验，特征提取或特征选择方法的使用往往会影响最终判稳效果，在对高维数据的信息提取方面也存在一定不足。3、与此同时，深度学习算法因其可以在tsa中，将电力系统原始量测数据作为直接输入，自主提取电网高维特征成为当前基于数据驱动的tsa主流研究方法。如在文献[高昆仑,杨帅,刘思言,李向伟.基于一维卷积神经网络的电力系统暂态稳定评估[j].电力系统自动化,2019,43(12):18-26.]中将电网节点电压幅值、相角、支路有功无功功率等采样数据进行拼接，利用一维卷积神经网络(one-dimensional convolution neural network，1d-cnn)提取样本时序特征。文献[shi z,yao w,zeng l,et al.convolutional neuralnetwork-based power system transient stability assessment and instabilitymode prediction[j].applied energy,2020,263:114586.]将受扰动系统观测数据以类似二维图像形式输出，利用cnn提取暂态稳定特征。文献[孙黎霞,白景涛,周照宇,赵晨昀.基于双向长短期记忆网络的电力系统暂态稳定评估[j].电力系统自动化,2020,44(13):64-72.]基于长短期记忆网络(long short-term memory，lstm)构建tsa模型，进一步增强了对电力参数时变特性的特征提取能力。4、早期基于深度学习的电网暂态功角稳定评估主要使用卷积神经网络或循环神经网络结构提取电网暂态过程中的时序特征信息用于判稳，虽然可以有效提取时间维度特征，但对于具有明显非欧式拓扑结构的电力系统而言，这些模型难以表征不同元件或物理参数之间的空间特征关系。在此背景下，部分学者开始研究基于图深度学习的电网暂态稳定评估，从而增强对电网暂态稳定性的预测能力。文献[王铮澄,周艳真,郭庆来,孙宏斌.考虑电力系统拓扑变化的消息传递图神经网络暂态稳定评估[j].中国电机工程学报,2021,41(07):2341-2350.doi:10.13334/j.0258-8013.pcsee.202139.]基于消息传递图神经网络(message passing neural network，mpnn)框架构建tsa模型，并且可以有效捕捉电网拓扑变化对预测结果的影响。文献[钟智,管霖,苏寅生,姚海成,黄济宇,郭梦轩.基于图注意力深度网络的电力系统暂态稳定评估[j].电网技术,2021,45(06):2122-2130.doi:10.13335/j.1000-3673.pst.2020.0897.]利用图注意力网络(graph attention network，gat)增强了tsa模型对电网局部特征的提取能力。文献[张亮,安军,周毅博.基于时间卷积和图注意力网络的电力系统暂态稳定评估[j/ol].电力系统自动化:1-12[2023-02-16].http://kns.cnki.net/kcms/detail/32.1180.tp.20221116.1730.010.html]利用时间卷积神经网络(temporal convolutional network，tcn)和gat同时提取了电网的时空特征。5、现有的基于图深度学习的电力系统暂态稳定评估方法在提取电网拓扑信息已有了较为深入的研究，但对于电力系统高维子区域间信息传递的特征提取敏感度较低。而实际电力系统运行中潮流呈现区域性传递趋势，例如以电网关键断面划分的发电区潮流会总体向负荷区方向传播，并且某些特定区域的电网特征量往往与整体系统的暂态稳定性联系密切，因此充分挖掘电网高维子图特征及区域间信息传递对提升电网暂态稳定评估性能至关重要。6、现有技术多采用静态图模型进行暂态功角稳定评估，存在的主要问题包括：1)图结点特征输入形式固定，导致对于电网时序特征信息的利用不足；2)基于电网稳态或某一时刻的拓扑结构生成图输入，未能动态反映电网拓扑变化。技术实现思路1、针对上述问题，本发明涉及一种基于时空动态图模型的电网暂态功角稳定评估方法，尤其是一种基于时空动态图模型的评估方法。本发明提出的模型结合了时序多头注意力机制(multi-head attention,mha)和图同构网络(graph isomorphism network,gin)，构建了一种动态图神经网络模型(andygin)，能够显著提升电网暂态功角稳定评估的准确性和鲁棒性，增强对实际大规模电网下不同故障后暂态功角稳定评估的准确性和鲁棒性。2、为了实现上述目的，本发明采用的技术方案是：3、一种基于时空动态图模型的电网暂态功角稳定评估方法，包括如下步骤：4、步骤1，将电网的多元时间序列进行裁剪整合为输入张量x，其中第m条多元时间序列xm＝[xm1,xm2,...,xmd],m＝1,2,...,m，m为多元时间序列的数量，d为单条时序数据长度，xmd为第m条多元时间序列中的第d个数据；沿时间维度将x切分为s个等长的时序切片x1,x2,…,xs，每个时序切片对应于一个时隙，时隙t对应的时序切片xt长度为d/s，t＝1,2,…,s；5、步骤2，根据x的切分构建初始的动态图g＝{g1,g2,…,gs}，其中，gt＝(vt,at)，则v＝{v1,v2,...,vs}表示结点集合，a＝{a1,a2,...,as}表示邻接矩阵集合；针对每个时隙t生成长度为m的两个可学习嵌入向量α和β，且向量内元素完全为可学习参数，首次生成通过随机初始化得到，计算向量αt和β的乘积作为对应时隙t的邻接矩阵at的初值6、步骤3，对于时隙t，将相应的时序切片xt和对应该时隙的邻接矩阵at输入到动态图同构网络中，第l层动态图同构网络输出的所有结点构成的特征张量7、步骤4，对于时隙t，将通过第l层动态图同构网络得到的特征张量输入时序图坍缩池化层，通过调节池化比例超参数rpooled对当前动态图结构进行图坍缩处理，得到对应池化后特征张量和邻接矩阵8、步骤5，特征提取迭代：当对应动态图中结点数大于1时，重复步骤3至步骤4；否则进入步骤6；9、步骤6，将每个时隙得到的特征向量串联成一个向量，并输入全连接层进行二分类，获取暂态功角稳定评估结果。10、在一个实施例中，所述步骤1，第m条多元时间序列中的第d个数据xmd包括电网主网架结构的母线节点对应的母线电压u、母线角度θ、母线有功负荷p以及无功负荷q，电网故障类型包括：安控装置拒动、n-1、n-2、n-3、直流双极闭锁、三相短路单相拒动及直流重启动所引起的功角暂态失稳故障；由故障引起的电力系统暂态过程会导致电网拓扑连接方式发生改变，但不会影响电网中总的母线节点个数，只会引起母线节点本身的特征表征随时间发生改变。11、在一个实施例中，所述步骤2，使用自学习图生成模块构建初始邻接矩阵集合，矩阵维度由d确定，可调节超参数为topk以及时隙总数n，然后通过图转换模块构建相邻时隙图间关联，得到初始的邻接矩阵集合。12、在一个实施例中，所述步骤2，所述自学习图生成模块基于多层感知机(mlp)使用embedding的方式对邻接矩阵进行编码，为每个图结点分配两个参量，分别表示该结点存在的所有起始结点和目标结点。13、在一个实施例中，所述步骤2，两个可学习嵌入向量α和β分别表示为α＝[αt,1,αt,2,...,αt,m]和β[βt,1,βt,2,...,βt,m]，邻接矩阵at的初值的实现过程如下所示：14、15、其中，argtopk()用于返回由α和β相乘得到的at中前k个最大矩阵元素所对应的索引idx,idy；x、y表示矩阵at中的行号和列号；对于每个时隙的动态图gt，当t＝1，动态图结点集合描述为v1＝(v1,1,v1,2,...,v1,n)；当t＞1，动态图结点集合表示为vt＝(vt,1,vt,2,...,vt,n,vt-1,1,vt-1,2,...,vt-1,n)，同时添加从时隙t-1的每个结点到对应的时隙t的结点的连接边，即e(t-1,n),(t,n),n＝1,2,...,n，其中n表示结点数目。16、在一个实施例中，所述步骤3，第l层动态图同构网络输出的结点特征的计算公式为17、18、式中：表示时隙t的动态图中，结点v在动态图的第l层动态图同构网络输出的特征向量；mlpl,t表示对应时隙t的动态图中，第l层动态图同构网络所属的全连接网络；u∈n(v,t)表示时隙t的动态图中，结点v的邻居结点；ε是一个可学习的参数，用于调节结点自身特征的重要性；19、将第l层动态图同构网络输出的结点特征排列为矩阵形式作为第l个时序图坍缩池化层的输入，由结点特征构建特征向量的公式如下：20、21、nl表示该层对应的结点数。22、在一个实施例中，所述步骤4，时序图坍缩池化层的计算过程如下：23、24、式中：表示第l层时序图坍缩池化层输出的结点特征构成的张量，表示第l层时序图坍缩池化层池化后的图邻接矩阵，二者共同输入至第l+1层动态图同构网络，从而持续重复步骤3和4；nl+1对应时序图坍缩池化层池化后的结点数量，由第l层的结点数量和池化比例超参数共同决定，即nl+1＝rpooled×nl，wtl和表示可学习的参数矩阵；25、在一个实施例中，所述步骤4，使用二维卷积神经网络基于给定的池化比例超参数rpooled将对应的若干结点集中到簇中，作为融合后的超级结点，其中结点维度被视为二维卷积神经网络中不同的特征提取通道。26、在一个实施例中，所述步骤6，首先将最终得到的特征向量输入全连接层：27、28、其中，fc表示全连接层，表示稳定性的预测结果，全连接层将高维特征映射到二维输出空间，对应稳定和不稳定两种状态；29、然后应用softmax函数得到稳定和不稳定的概率：30、p(stable),p(unstable)＝softmax(y)31、softmax函数将全连接层的输出转换为概率分布，确保两个概率之和为1；32、最后基于概率做出最终判断：33、如果p(stable)＞p(unstable)，则判定系统稳定；否则判定系统不稳定。34、在一个实施例中，所述步骤6，在训练过程中采用focal loss作为损失函数：35、36、其中，y是真实标签，是预测结果，α是权重因子，γ是调制因子。37、与现有技术相比，本发明能够动态适应电网拓扑结构的变化，提高了暂态稳定评估的时效性和鲁棒性。通过动态图模型，本发明可以有效地捕捉电网暂态过程中不同区域之间的信息传递特性，特别是在复杂电网环境下，能够显著提升暂态功角稳定评估的性能。当前第1页12当前第1页12
技术特征：1.一种基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤1，第m条多元时间序列中的第d个数据xmd包括电网主网架结构的母线节点对应的母线电压u、母线角度θ、母线有功负荷p以及无功负荷q，电网故障类型包括：安控装置拒动、n-1、n-2、n-3、直流双极闭锁、三相短路单相拒动及直流重启动所引起的功角暂态失稳故障；由故障引起的电力系统暂态过程会导致电网拓扑连接方式发生改变，但不会影响电网中总的母线节点个数，只会引起母线节点本身的特征表征随时间发生改变。
3.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤2，使用自学习图生成模块构建初始邻接矩阵集合，矩阵维度由d确定，可调节超参数为topk以及时隙总数n，然后通过图转换模块构建相邻时隙图间关联，得到初始的邻接矩阵集合。
4.根据权利要求3所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤2，所述自学习图生成模块基于多层感知机(mlp)使用embedding的方式对邻接矩阵进行编码，为每个图结点分配两个参量，分别表示该结点存在的所有起始结点和目标结点。
5.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤2，两个可学习嵌入向量α和β分别表示为α＝[αt,1,αt,2,...,αt,m]和β＝[βt,1,βt,2,...,βt,m]，邻接矩阵at的初值的实现过程如下所示：
6.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤3，第l层动态图同构网络输出的结点特征的计算公式为
7.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤4，时序图坍缩池化层的计算过程如下：
8.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤4，使用二维卷积神经网络基于给定的池化比例超参数rpooled将对应的若干结点集中到簇中，作为融合后的超级结点，其中结点维度被视为二维卷积神经网络中不同的特征提取通道。
9.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤6，首先将最终得到的特征向量输入全连接层：
10.根据权利要求1所述基于时空动态图模型的电网暂态功角稳定评估方法，其特征在于，所述步骤6，在训练过程中采用focal loss作为损失函数：
技术总结一种基于时空动态图模型的电网暂态功角稳定评估方法，根据电网拓扑结构和电网量测参数构建初始动态图邻接矩阵集合和结点特征矩阵；将特征输入动态图同构网络(DyGIN)中提取空间特征；使用时序图坍缩池化(TGP)对特征进行降维和信息聚合；重复DyGIN和TGP步骤，直到图中仅剩一个结点；将最终特征输入全连接网络，输出暂态功角稳定评估结果。本方法通过引入时空动态图模型，有效提取电网的时序和拓扑特征，考虑了电网潜在的区域间交互特性，保证了不同状态区域在特征聚合中能体现自身独特性质，实现了对大规模复杂电网在不同故障场景下的高精度暂态功角稳定评估，提高了评估的准确性和鲁棒性。
技术研发人员：杜友田,常源麟,傅太国屹,吕昊
受保护的技术使用者：西安交通大学
技术研发日：技术公布日：2024/12/17
