一种基于图神经网络的快速状态估计方法

1.一种基于图神经网络的快速状态估计方法，其特征在于：包括如下步骤：步骤1，生成电力系统量测样本数据，并将数据转化成图数据的形式：步骤1.1，把SCADA数据转化成图数据形式；步骤1.2，把WAMS数据转化成图数据形式；步骤2，对图数据进行预处理：步骤2.1，把WAMS图数据节点特征新增一个标志位；步骤2.2，进行数据归一化处理；步骤3，采用得到的图数据进行模型训练：步骤3.1，将SCADA图数据输入到一个含有两层图卷积的图神经网络模型中去，其中第一层为图卷积层，第二层为含有边权值的图卷积层，得到一个含有新的节点特征的特征矩阵；步骤3.2，将WAMS图数据输入到一个含有俩层图卷积的图神经网络模型中去，其中第一层为图卷积层，第二层为含有边权值的图卷积层，最后可以得到一个含有新的节点特征的特征矩阵；步骤3.3，将得到的两个含有新的节点特征的节点特征矩阵拼接起来，输入到一个图卷积层中去，得到含有新的节点特征的节点特征矩阵；步骤3.4，步骤3.3所得到的节点特征矩阵经过一层全连接神经网络得到模型的预测结果；步骤3.5，将步骤3.4的预测结果与真实值进行误差训练，选取的损失函数为均方根值误差函数，反向传播使用Adam优化器，设置学习速率与训练轮次，最后得到训练好的模型；所述步骤3.1、步骤3.2和步骤3.3中的图卷积层的公式为：式子中A表示邻接矩阵，I N 表示单位阵， 表示度矩阵， 表示预处理之后的邻接矩阵，X表示特征矩阵，W (0) 表示权值矩阵，A ij 表示邻接矩阵的第i行第j列的元素的值；所述步骤3.1和步骤3.2中的含有边权值的图卷积层的公式为：其中，L(j,i)表示j节点到i节点的边特征，F l (L(j,i)；w l )表示边的过滤器，X l-1 (j)表示节点j的特征矩阵，b l 是偏置量，是神经网络中一个可训练的参数；步骤3.5中均方根值误差函数为：其中，y i 表示真实的标签， 表示模型输出的预测值。 2.根据权利要求1所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤1.1的具体操作为：根据电力系统的拓扑结构和线路节点数据，将SCADA数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。 3.根据权利要求2所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤1.2的具体操作为：根据电力系统的拓扑结构和线路节点数据，将WAMS数据转化成邻接矩阵和节点特征矩阵的形式，并得到边特征矩阵。 4.根据权利要求3所述一种基于图神经网络的快速状态估计方法，其特征在于：所述邻接矩阵的公式为：其中，A ij 表示邻接矩阵的第i行第j列的元素的值，v i ，v j 表示顶点。 5.根据权利要求4所述一种基于图神经网络的快速状态估计方法，其特征在于：步骤2.1具体为：根据电力系统中布置的PMU信息，将WAMS图数据中安装PMU的节点标志位置为1，其他未安装PMU的节点标志位置为0，并将该节点的电压和相角数据置为0。