[发明专利]一种用于电网暂态稳定评估的递归图卷积网络系统

说明书

本发明公开了一种用于电网暂态稳定评估的递归图卷积网络系统，该系统保税库空间提取器、时序提取器、全局时间池化以及分类器。本发明以线路导纳为参考设计了新的卷积层的图关系矩阵，形成专用图卷积网络，采用图卷积算法实现基于拓扑关系的电网节点状态信息传递和融合；将包含专用图卷积网络的空间提取器与包含长短记忆网络(LSTM)的时序提取器级联，并在时序提取器之后设计时间池化层聚合多个时步的预测结果，形成适用于电网稳定评估的递归型深度图卷积模型，可以依次实现电网状态量数据的空间层和时间层特征聚合和特征提取提取，从而使得基于它建立的电网暂态稳定评估系统能适应电网拓扑结构的变化，表现出优越的泛化能力，且评估结果准确。

技术领域

本发明涉及人工智能领域，具体涉及一种用于电网暂态稳定评估的递归图卷积网络系统。

背景技术

基于机器学习的人工智能方法建立电力系统暂态稳定评估模型，可以实现快速的在线稳定判别。它以样本学习为核心，通过离线学习挖掘电网状态量与稳定结果之间的映射关系，无需搭建大电网数学模型。目前，基于人工智能的电网稳定评估大多采用浅层机器学习模型，如支持向量机(support vector machine，SVM)、多层感知器(multilayerperceptron，MLP)等，需要依靠专家经验，人工进行特征提取，容易忽略重要的信息，在大电网中面临对运行方式泛化能力不足的局限性。随着深度学习的发展，堆叠自动编码器(stacked auto encoder，SAE)、卷积神经网络(convolutional neural network，CNN)、长短记忆网络(long-short term memory，LSTM)等通用深度学习模型也被直接引入稳定评估中，以期实现特征的自动提取。但是，这些通用模型不能很有效的考虑电网拓扑结构的影响，也不能同时兼顾庞大的电网状态信息之间的时间关联性和空间关联性的整合和集成需求。这使得基于常规深度学习模型建立的电网暂态稳定评估系统很难在电网拓扑结构变化后保持较高的评估准确性，而实际电网因为检修或故障而引起的拓扑结构的变化是频繁发生的。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种用于电网暂态稳定评估的递归图卷积网络系统，该系统能适应电网拓扑结构的变化，获得较高的评估准确性。

为实现上述目的，本发明的技术方案是：

一种用于电网暂态稳定评估的递归图卷积网络系统，包括：

空间提取器，其包含有专用图卷积网络，用于对所输入的M个时步数据进行空间特征处理；所述专用图卷积网络以电网的线路导纳来设计卷积层的图关系矩阵，采用图卷积算法来实现基于拓扑关系的节点信息传递和融合；

时序提取器，其与所述空间提取器相级联，用于对经空间特征处理的M个时步数据数据进行时序特征处理，以获得M个时步的预测结果；

全局时间池化，用于将M个时步的预测结果融合为单个预测结果；

分类器，用于对单个预测结果进行处理，输出置信度，以获得暂态稳定评估结果。

本发明与现有技术相比，其有益效果在于：

1)以线路导纳为参考设计了新的卷积层的图关系矩阵，形成专用图卷积网络(GCN)，采用图卷积算法实现基于拓扑关系的电网节点状态信息传递和融合。

2)将包含专用图卷积网络的空间提取器(spatial extractor，SE)与包含长短记忆网络(LSTM)的时序提取器(temperal extractor，TE)级联，并在时序提取器之后设计时间池化层聚合多个时步的预测结果，形成适用于电网稳定评估的递归型深度图卷积模型(recurrent graph convolutional network，RGCN)，简称为RGCN模型。RGCN模型可以依次实现电网状态量数据的空间层和时间层特征聚合和特征提取提取，从而使得基于它建立的电网暂态稳定评估系统能适应电网拓扑结构的变化，表现出优越的泛化能力，且评估结果准确。