【技術實現步驟摘要】
本專利技術涉及電力領域和神經網絡領域，特別是涉及一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法。
技術介紹
1、電力系統是社會經濟生產中至關重要的基礎設施之一，其可靠性和穩定性對于國家的發展和人民生活的質量都有著極其重要的影響。在電力系統中，自組織臨界性是電力系統中一個非常重要的概念，指的是當系統處于一種臨界狀態時，系統的特定指標(例如電壓、頻率等)變化幅度會非常大，這種變化可能會引發電力設備的故障和電網的崩潰，產生嚴重的經濟和安全事故。電力系統是一個復雜的、動態的、非線性的系統，由于其的特殊性質，其內部相互作用復雜，而且其隨時間變化的規律很難被準確地把握，這就為電力系統的自組織臨界性辨識帶來了很大的挑戰。
2、傳統的電力系統自組織臨界性辨識方法主要基于傳統的統計方法，這些方法包括線性回歸、卡方檢驗、t檢驗等。雖然這些方法具有可解釋性和直觀性，但是在考慮多個變量之間的非線性關系時效果較差。此外，這些傳統方法不適合處理圖形數據和非線性耦合因素，因為它們往往依賴于變量的獨立性和統計分布的假設，因此無法準確地對電力系統的自組織臨界性進行辨識。因此如何準確識別店里系統的準確性是現在亟待解決的問題。
3、中國專利文獻cn106874607b公開了一種“基于多層級變權理論的電網自組織臨界態定量評估方法”，方法包括步驟1：確定影響電網自組織臨界態的關鍵指標集；步驟2：根據冪率尾特性以及條件風險價值確定樣本集中每一種運行狀態下電網的自組織臨界性；步驟3：基于層次分析理論，將原始物理指標集劃分為物理層和因子層并基于正
技術實現思路
1、本專利技術主要解決原有電力系統自組織臨界性識別方法無法解決非線性相互作用和非線性耦合因素對系統影響的技術問題，提供一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，通過含跳躍連接的圖卷積神經網絡模型對電力網系統中的數據進行圖數據處理和分類，并將處理后的數據放置入模型中進行測試模擬并獲得結果實現對電力系統自組織臨界性進行準確地辨識。
2、本專利技術的上述技術問題主要是通過下述技術方案得以解決的：本專利技術步驟包括s1通過opa模型收集電力系統日常狀態數據；
3、s2建立含有跳躍連接的圖卷積神經網絡模型訓練日常狀態數據完成電力系統自組織臨界性辨識。
4、現有的電力系統的自組織臨界性大多采用普通的技術統計方式，但是傳統的方式非線性關系時效果較差也不適合處理圖形數據和非線性耦合因素，因此傳統的處理方式無法應對上述問題，數據處理過程中也會致使數據本身失真，進而會影響電力系統自組織臨界性的準確性。事先建立含有跳躍連接的圖卷積神經網絡模型并對其進行訓練模擬，完成后將電力系統的日常狀態數據代入模型中進行運作獲得結果判斷電力系統的自組織臨界性，確認電力系統運作過程中是否處于正常狀態，便于相關技術人員根據判斷結果作出對應的解決措施。
5、作為優選，所述步驟s2中在獲得電力系統日常的狀態數據后，建立圖卷神經網絡模型并將狀態數據劃分為訓練集和測試集，將圖卷積神經網絡中的卷積層與全連接層進行跳躍連接完成對數據的池化和降維，處理完成的數據代入訓練完成的圖卷神經網絡模型進行測試并對電力系統的自組織臨界性進行判斷。
6、作為優選，所述步驟s1中電力系統的日常狀態數據包括電力系統的節點特征，邊特征和節點與節點之間的關聯特征以及全局特征。將各種特征作為日常狀態數據，以特征作為介入點作為圖卷神經網絡模型的初始數據能夠更全面的反饋出電力系統運作過程中的各種工作狀態，便于后續模型運算能夠獲得對于電力系統的自組織臨界性更準確的判斷結果。
7、作為優選，所述步驟s1中，提取通過opa模型采集獲得的電力系統的日常狀態數據的狀態特征并制成數據集，對數據集進行預處理實現數據集更新，所述數據集內包括特征數據和標簽，標簽為將系統平均負荷損失值做m-k校驗而得，在m-k曲線交點前標記為0，m-k曲線交點及以后標記為1。將各種特征制成數據集并進行預處理后，能夠更濾除初始數據中誤差較大的干擾量，排除干擾量能夠提升后續模型對電力系統的自組織臨界性判斷的精確性。
8、作為優選，所述步驟s2中含有跳躍連接的圖卷積神經網絡模型是將第一層卷積層的輸出跳躍連接至全連接層的輸入，與第二層卷積層的輸出共同作為輸入，輸入至全連接層，設輸入的圖像卷積神經網絡為x，第一層卷積層的輸出為h(1)第二層卷積層的輸出為h(2)，全連接層的輸出為z，則跳躍連接后的模型的公式為：
9、
10、z＝f(h(2)w(3))
11、式中σ表示激活函數，a是原始的領接矩陣，是對角元素，是的度矩陣，w(1)、w(2)和w(3)分別是第一層卷積層、第二層卷積層和全連接層的權重矩陣，h(1)||x表示將h(1)和x在第二個維度上拼接得到的新特征矩陣，其維度為n×(c1+d)，其中n為節點數，c1是第一層卷積層的輸出維度，d是輸入數據x的特征維度；f是輸出層的激活函數。
12、作為優選，所述步驟s2中的含跳躍連接的圖卷積神經網絡模型包括兩層卷積層、兩層全連接層和池化層。通過跳躍連接即那個圖卷積神經網絡模型的卷積層和全連接層以及池化層全部連接，提高模型自身的緊密性，進而增強圖卷積神經網絡處理電力系統數據的能力，確保模型處理結果的準確性和效率性。
13、作為優選，所述步驟s2中對電力系統日常狀態數據的預處理方式包括對數據集進行歸一化操作來消除負值以及消除數據中的量綱和單位對模型造成的干擾。
14、作為優選，所述節點特征包括有功功率和相角矩陣；邊特征包括有功功率和支路相角最小差值矩陣，節點與節點之間關聯特征為節點與節點之間是否直接相連，相連則為1，不相連則為0，形成矩陣；全局特征包括整體發電機有功功率。通過0或1的分類判斷能夠快速獲取節點與節點之間的關系，加快節點數據處理的速度。
15、作為優選，所述步驟s2中的訓練集為數據集的前75％，所述測試集為數據集剩余的25％。將數據集拆解訓練集和測試集兩個部分，不僅有利于進一步提升圖卷積神經網絡模型的運算速度，運作的精確度，也能夠夠通過測試集判斷圖卷積神經網絡模型是否處于正確的運行狀態內，避免大量數據同時代入并消耗大量運算時間后出現模型本身出現問題，進而獲得錯誤的判斷結果，最終導致相關技術人員無法發現電力系統出現問題，致使影響電力系統的正常運作，造成系統的損壞以及人力時間成本的浪費。
16、本專利技術的有益效果是：本專利技術基于交流opa模型模擬自組織臨本文檔來自技高網...
【技術保護點】
1.一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，步驟包括
2.根據權利要求1所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S2中在獲得電力系統日常的狀態數據后，建立圖卷神經網絡模型并將狀態數據劃分為訓練集和測試集，將圖卷積神經網絡中的卷積層與全連接層進行跳躍連接完成對數據的池化和降維，處理完成的數據代入訓練完成的圖卷神經網絡模型進行測試并對電力系統的自組織臨界性進行判斷。
3.根據權利要求2所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S1中電力系統的日常狀態數據包括電力系統的節點特征，邊特征和節點與節點之間的關聯特征以及全局特征。
4.根據權利要求3所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S1中，提取通過OPA模型采集獲得的電力系統的日常狀態數據的狀態特征并制成數據集，對數據集進行預處理實現數據集更新，所述數據集內包括特征數據和標簽，標簽為將系統平均負荷損失值做M-K校驗而得，在M-K曲線交點前標記為0，M-K曲線
5.根據權利要求1所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S2中含有跳躍連接的圖卷積神經網絡模型是將第一層卷積層的輸出跳躍連接至全連接層的輸入，與第二層卷積層的輸出共同作為輸入，輸入至全連接層，設輸入的圖像卷積神經網絡為X，第一層卷積層的輸出為H(1)第二層卷積層的輸出為H(2)，全連接層的輸出為Z，則跳躍連接后的模型的公式為：
6.根據權利要求5所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S2中的含跳躍連接的圖卷積神經網絡包括兩層卷積層、兩層全連接層和池化層。
7.根據權利要求1和4所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S2中對電力系統日常狀態數據的預處理方式包括對數據集進行歸一化操作來消除負值以及消除數據中的量綱和單位對模型造成的干擾。
8.根據權利要求3所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述節點特征包括有功功率和相角矩陣；邊特征包括有功功率和支路相角最小差值矩陣，節點與節點之間關聯特征為節點與節點之間是否直接相連，相連則為1，不相連則為0，形成矩陣；全局特征包括整體發電機有功功率。
9.根據權利要求1至4所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟S2中的訓練集為數據集的前75％，所述測試集為數據集剩余的25％。
...【技術特征摘要】
1.一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，步驟包括
2.根據權利要求1所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟s2中在獲得電力系統日常的狀態數據后，建立圖卷神經網絡模型并將狀態數據劃分為訓練集和測試集，將圖卷積神經網絡中的卷積層與全連接層進行跳躍連接完成對數據的池化和降維，處理完成的數據代入訓練完成的圖卷神經網絡模型進行測試并對電力系統的自組織臨界性進行判斷。
3.根據權利要求2所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟s1中電力系統的日常狀態數據包括電力系統的節點特征，邊特征和節點與節點之間的關聯特征以及全局特征。
4.根據權利要求3所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟s1中，提取通過opa模型采集獲得的電力系統的日常狀態數據的狀態特征并制成數據集，對數據集進行預處理實現數據集更新，所述數據集內包括特征數據和標簽，標簽為將系統平均負荷損失值做m-k校驗而得，在m-k曲線交點前標記為0，m-k曲線交點及以后標記為1。
5.根據權利要求1所述的一種基于圖卷積神經網絡的電力系統自組織臨界性辨識方法，其特征在于，所述步驟s2中含有跳躍連接的圖卷積...
【專利技術屬性】
技術研發人員：李春，鐘偉東，陳鼎，范明，湯東升，吳琴芳，王科丁，袁傲，寧新福，劉欣，黃沈海，仲乾元，許超，劉偉，張代紅，胡程平，朱晶亮，車遠宏，陳凱，鄭琦，牛毅，陳磊，
申請(專利權)人：嘉興恒創電力設計研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。