[发明专利]一种基于图卷积神经网络的分布式电源就地电压控制方法

权利要求书

1.一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，包括如下步骤：

1)根据选定的有源配电网，划分各边缘计算装置的所辖区域并输入配电网参数，包括配电网的网络拓扑连接关系，分布式电源接入位置、容量及参数；输入配电网N_d个典型日的历史潮流数据及预测的分布式电源日出力曲线、日负荷出力曲线；设置典型拓扑结构总数N_s，训练对象的采样总时长ΔT、采样时间间隔Δt；设置基于图卷积神经网络的配电网代理模型参数，包括学习率γ、正则化系数β、完整遍历训练集的次数E；

2)依据步骤1)中配电网参数和N_d个典型日的历史潮流数据，在云端构建基于图卷积神经网络的配电网代理模型的训练集，包括确定训练集中训练对象的个数、各训练对象的组成以及对训练对象进行预处理；在云端构建基于图卷积神经网络的配电网代理模型，并完成基于图卷积神经网络的配电网代理模型的训练，得到训练后的配电网代理模型；

3)将训练后的配电网代理模型下发至配网边缘侧的边缘计算装置，作为各边缘计算装置的配电网子代理模型；

4)依据各配电网子代理模型，在配电网边缘侧基于预测的分布式电源日出力曲线、日负荷出力曲线和各边缘计算装置所辖区域内的电压、净负荷功率量测信息，以各边缘计算装置所辖区域内的节点电压偏差最小为目标函数，分别整定各区域内分布式电源的就地电压控制曲线参数；

5)输出步骤4)中就地电压控制曲线整定结果。

2.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤1)所述的配电网N_d个典型日的历史潮流数据，为：

在配电网N_d个典型日中，个典型日分布式电源不参与无功功率调节，个典型日分布式电源以[1.0，1.0]为死区的基础曲线调节无功功率，从而获得配电网N_d个典型日的历史潮流数据。

3.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的训练集中训练对象的个数，是基于配电网N_d个典型日的历史潮流数据，并考虑N_s种典型拓扑结构，来构造基于图卷积神经网络的配电网代理模型的训练集，总计共包含个训练对象。

4.根据权利要求1所述的一种基于图卷积神经网络的分布式电源就地电压控制方法，其特征在于，步骤2)所述的各训练对象的组成，包括：

每个训练对象由特征信息矩阵X、拓扑信息矩阵A、标签矩阵Z三个矩阵组成，基于图卷积神经网络的配电网代理模型以特征信息矩阵X、拓扑信息矩阵A为输入，对标签矩阵Z进行拟合；

特征信息矩阵X表示训练对象的输入特征，第n个训练对象的特征信息矩阵Xⁿ由采样时刻节点注入的净负荷有功功率、净负荷无功功率以及配电网的节点电压值组成，表示为：

式中，表示采样时刻各节点注入的净负荷有功功率构成的列向量，表示采样时刻各节点注入的净负荷无功功率构成的列向量，表示采样时刻配电网的节点电压值构成的列向量，N为配电网节点数；

拓扑信息矩阵A表示节点与节点间的连接关系，第n个训练对象的拓扑信息矩阵Aⁿ表示为：

式中，为第n个训练对象的拓扑信息矩阵Aⁿ的第i行第j列元素；

标签矩阵Z表示训练对象的输出特征的标签值，第n个训练对象的标签矩阵Zⁿ由采样时刻的节点电压控制值组成，表示为：

式中，为矩阵的第i行元素，表示第n个训练对象第i个节点输出特征的标签值；N为配电网节点数。