[发明专利]基于不平衡数据的门图神经网络暂态稳定性评估方法

权利要求书

1.基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，包括以下步骤：

S1、收集电力系统的稳定性评估数据，所述的稳定性评估数据包括总线电压U₁和电机的运行参量，所述的电机的运行参量包括电机有功功率P、电机无功功率Q、电机电压幅值U、电机电流I；

S2、利用暂态稳定性评估模型实现电力系统的稳定性评估，暂态稳定性评估模型实现电力系统的稳定性评估的过程包括以下步骤：

基于稳定性评估数据生成图G(V,E)，V表示发电机组且v∈V，选择发电机组作为节点v，e_vw∈E为节点v和w之间的边；电机有功功率P、电机无功功率Q、电机电压幅值U、电机电流I用于构成节点的注释向量，总线电压U₁用于生成节点之间的边；

基于图G(V,E)，先利用第一GGNN模型评估暂态稳定的失稳状态，如果模型的输出为电力系统暂态稳定，进入下个循环；否则，再利用第二GGNN模型评估继续判断造成系统失稳的事件类型；

所述的第一GGNN为二分类模型，输出为稳定状态和不稳定状态；所述的第二GGNN模型为多分类模型，输出为不稳定的类型，对应判断造成电力系统失稳的原因；

所述的暂态稳定性评估模型为预先训练好的，其训练过程包括以下步骤：

收集电力系统的稳定性评估数据作为样本数据，所述的样本数据中的电机的运行参量还包括各发电机相对转子角δ，基于各发电机相对转子角δ样本数据，利用暂态稳定指数将电力系统的稳态划分稳定状态和不稳定状态；

然后针对不稳定状态的数据，利用第一CGAN生成不稳定的样本，再通过第二CGAN生成不同事件的不稳定样本；

利用稳定状态的样本和不稳定状态对应的样本生成图G(V,E)，并训练用于评估暂态稳定的第一GGNN模型和用于评估不稳定样本对应事件的第二GGNN模型。

2.根据权利要求1所述的基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，所述的第一GGNN在传播步骤中使用门递归单元GRU。

3.根据权利要求2所述的基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，所述第二GGNN在传播步骤中使用门递归单元GRU。

4.根据权利要求1、2或3所述的基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，训练第一GGNN模型的过程中的损失函数其中l_i表示样本i的标签，h_i表示样本i的图级表示向量，i表示样本i，G表示样本量。

5.根据权利要求4所述的基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，所述的第一GGNN模型的传播递归过程如下：

其中，表示为节点v在时间t的隐藏状态，x_v为节点v的节点注释向量；T表示向量的转置；

节点v从邻居节点收集信息；向量表示节点v在时间t收集的关于邻居节点的信息；A_v是图邻接矩阵的子矩阵，表示节点v及其邻居节点的连接状态；V表示节点的数量；表示节点1在时刻t-1的隐藏状态，V表示节点的数量，表示向量的转置，b表示计算的向量；

其中表示节点v在时刻t的更新的信息，表示节点v在时刻t的信息，矩阵W^z和W^r用来计算z和r的权重矩阵，矩阵U^z和U^r也用来计算z和r的权重矩阵；z和r表示更新门和重置门，σ表示sigmoid函数；

其中tanh(x)为激活函数，⊙为逐元素乘法运算；

图级输出时，将图级的表示向量定义为

其中，充当软注意机制，该机制决定哪些节点与当前图级任务相关，i和j是将和x_v级联作为输入并输出实值的神经网络；h_g用于判断电力系统的暂态稳定性。

6.根据权利要求5所述的基于不平衡数据的门图神经网络暂态稳定性评估方法，其特征在于，所述的第一GGNN模型的h_g＞0.5表示稳定。