一种基于图卷积网络加速的潮流校核方法

1.一种基于图卷积网络加速的潮流校核方法，其特征在于，包括步骤：1)收集电力系统拓扑数据与网络参数，并生成大量电力系统运行状态；使用潮流计算方法，判别生成的电力系统运行状态是否发生越限，并将是否越限作为标签，获得电力系统潮流校核数据集，而后数据集划分为训练数据集和测试数据集；2)建立图卷积网络模型，使用训练数据集训练，并使用测试数据集测试，直到测试集准确率达到设定值，得到图卷积网络加速的潮流校核模型：(2.1)图卷积网络中电力系统图数据模型的构建方法为：将电力系统建模为无向图G＝(V，E)，其中V表示节点的集合，E表示线路的集合，节点的个数记作N＝|V|；若第i个节点表示为v i ，则连接节点v i 与节点v j 间的边可表示为e ij ＝(v i ，v j )，称节点v j 为节点v i 为的邻居；节点v i 所有邻居的集合记为 即 节点v i 的邻居个数称为度，即 电力系统的邻接矩阵A的元素a ij 满足：若节点v i 和节点v j 间存在线路并被连接，则a ij ＝1，否则a ij ＝0，即其中，1≤i≤N，1≤j≤N，因此该矩阵的维数为N×N；电力系统中不存在节点连接到自己的线路，所以当i＝j时，必有 邻接矩阵对角线元素均为0；度矩阵D为对角矩阵，对角元素d ii 为节点v i 的度，其余元素为0，用邻接矩阵的元素a ij 可表示为：拉普拉斯矩阵用邻接矩阵和度矩阵可表示为L＝D-A，所以该矩阵元素l ij 可表示为将拉普拉斯矩阵的对角元素归一化，得到归一化拉普拉斯矩阵 利用矩阵乘法展开，其元素 满足在电力系统中，每个节点都有负荷有功、无功功率、发电机出力、节点电压的运行状态数据；在节点v i 上，由该节点运行状态数据组成的列向量称作节点信号x i ；若每个节点上有d个数据，则节点信号的维数也是d；各节点的信号组成矩阵称作图特征数据X，若图中有N个节点，则X＝(x 1 x 2 … x N ) T ，维数为N×d；(2.2)使用的图卷积网络包含图卷积层和图池化层，具体使用的形式为：输入的原始的图特征数据X，包括各节点信号和拓扑关系，经过图卷积层后，各节点聚合邻居信息，可获得包含拓扑信息和节点信息的特征；图卷积层使用重归一化后的形式为其中， I N 是N阶单位矩阵， 是以 为邻接矩阵的图的度矩阵，X是图卷积层输入的图特征数据，W是待训练的图卷积层参数，Y是图卷积层的输出，f是非线性激活函数；图池化层的作用为缩减、聚合图数据，将全图数据直接缩减为单个特征列向量的操作为读出操作，其数学表达式为其中，Ψ为平均、求和或取最大值；x i 是节点v i 的节点信号；当整个图收缩为只有一个节点时，该节点的信号融合了整个图的节点信号和拓扑信息；3)利用步骤2)获得的潮流校核模型对实际电力系统运行状态数据进行潮流越限判别，得到潮流校核结果。 2.根据权利要求1所述基于图卷积网络加速的潮流校核方法，其特征在于，所述电力系统拓扑数据包括电力系统节点数和各节点之间的线路连接关系，电力系统网络参数数据包括系统中各条线路的阻抗、对地导纳和传输功率上限、各节点对地导纳、节点类型和节点电压上下限。 3.根据权利要求2所述基于图卷积网络加速的潮流校核方法，其特征在于，所述步骤1)中电力系统潮流校核数据集生成的具体步骤包括：1.1)当系统负荷水平上下限分别为l min 和l max 时，按均匀分布U(l min ，l max )采样系统负荷水平l；1.2)遍历所有母线，按方差为σ 2 的正态分布N(1，σ 2 )分别采样各母线的扰动系数并计算各母线负荷；1.3)根据经济调度的最优潮流模型计算电力系统运行变量，包括发电机出力；1.4)通过潮流计算求解运行状态下各节点电压和各线路传输功率，并分别与节点电压上下限和线路传输功率上限对比，若存在一个节点电压或一条线路传输功率不在约束范围内，将运行状态视为发生潮流越限，标签设置为1，否则设置为0；1.5)记录电力系统运行状态和对应的标签作为一个样本，如果样本数量达到要求，存储所有记录结果，程序结束，否则返回步骤1.1)。 4.根据权利要求1所述基于图卷积网络加速的潮流校核方法，其特征在于，步骤2)中，采用Adam优化算法优化交叉熵损失函数，具体方法为：将读出操作后得到的特征列向量输入到全连接网络中并最后经过Sigmoid激活函数，可最终得到模型判别的潮流越限概率p，当损失函数使用交叉熵函数时，设运行状态对应的标签为 损失函数L loss 可表示为对损失函数使用Adam优化，可训练图卷积层的参数W；设第t步迭代时图卷积网络模型的参数为W t ，损失函数为L loss (W t )，第t步迭代参数的公式为m t ＝β 1 m t-1 +(1-β 1 )g t其中，g t 是第t步迭代时损失函数关于参数W的梯度， 表示求关于参数W的梯度的算子，m t 、 u t 、 是中间计算量，参数β 1 默认值取0.9，β 2 默认值取0.999，ε默认值取10 -8 ，而学习率参数α通常需要手动调节。