[發明專利]一種平行聯邦圖神經網絡的十三區圖無功優化方法

有效

• 申請號: 202110029005.7
• 申請日: 2021-01-11
• 公開（公告）號: CN112865116B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 殷林飛;王濤;陸悅江;高放
• 申請（專利權）人: 廣西大學
• 主分類號: H02J3/16
• 分類號: H02J3/16;H02J3/50;G06Q10/04;G06Q10/06;G06Q50/06;G06N3/08
• 代理公司: 南寧東智知識產權代理事務所(特殊普通合伙) 45117
• 代理人: 黎華艷;裴康明

1.一種平行聯邦圖神經網絡的十三區圖無功優化方法，其特征在于，該方法通過改變有載調壓變壓器分接頭的位置和投切補償并聯電容器組來完成無功優化，將電力系統區域運行方式按照無功功率上下限和電壓上下限，共劃分為十三個實時運行狀態區域，用來確定下一時刻系統無功優化調節措施的實施方式；

十三區圖法按照電壓無功調節的控制措施，通過構建電壓上下限和無功功率上下限，劃分出十三個不同運行狀態下的區域，各區域運行狀態和控制策略如下所示：

0區域，運行狀態：電壓正常，無功正常；控制策略：不動作；

1區域，運行狀態：電壓超過上限的同時無功越過下限；控制策略：降低分接頭，若在最低檔，則投入使用電容器；

2區域，運行狀態：電壓超過上限，無功正常；控制策略：降分接頭；若在最低檔，投入使用電容器；

3區域，運行狀態：電壓超過上限，無功正常；控制策略：降低分接頭；

4區域，運行狀態：電壓超過上限，無功超過上限；控制策略：投入使用電容器；若無電容器可投，降分接頭；

5區域，運行狀態：電壓合格，無功超過上限；控制策略：投入使用電容器；若無電容器可投，降分接頭；

6區域，運行狀態：電壓合格，無功超過上限；控制策略：投入使用電容器；

7區域，運行狀態：電壓越過下限，無功超過上限；控制策略：升分接頭；若在最大檔，投入使用電容器；

8區域，運行狀態：電壓越過下限，無功正常；控制策略：升分接頭；若在最高檔，投入使用電容器；

9區域，運行狀態：電壓越過下限，無功正常；控制策略：升分接頭；

10區域，運行狀態：電壓越過下限，無功越過下限；控制策略：投入使用電容器，若無電容器可投，升分接頭；

11區域，運行狀態：電壓合格，無功越過下限；控制策略：投入使用電容器，若無電容器可投，升分接頭；

12區域，運行狀態：電壓合格，無功越過下限；控制策略：投入使用電容器；

將整個電力系統運行狀態分為十三個區域模式，同時針對不同的運行狀態，選擇相應的控制策略；

將每個區域都設置相應的圖神經網絡，利用平行聯邦學習方法，構建協同計算的計算模型；提出平行聯邦圖神經網絡用于判定互聯電力系統各區域當前所處運行狀態并得出相應調控方式；

所述的平行聯邦圖神經網絡通過各區域歷史數據集訓練神經網絡，分析各個區域圖形之間的數據特征值，得出一個平行聯邦圖神經網絡訓練模型，該網絡共有四層，即輸入層，兩層隱藏層以及輸出層，將各區域初始信息輸入到訓練好的平行聯邦圖神經網絡中，得到各區域的權重系數wp_i，i＝1,2,…,n，通過加密處理權重系數，將各區域的加密信息導入到平行運算服務器中，在多個參數服務器中，通過不同的參數計算方式，得到相應的參數，然后通過平行運算服務器進行對比分析后，選出最符合要求的加密全局參數系數wg_i，并返回到各區域解密后繼續代入神經網絡中迭代計算，達到要求后停止迭代，并輸出各自區域的區域信息；該模型的目標是通過學習各個區域圖形內相關節點運行情況歷史數據，將運行狀態設定為學習一個狀態嵌入H_u∈R^m，它包含每個節點u的鄰域信息；狀態嵌入H_u是節點u的m維向量，用于產生輸出數據O_u，通過O_u則確定當前運行方式下需要進行的無功優化調度方式，將輸出函數賦值于各區域的權重系數wp_i，將全局參數系數wg_i賦值于輸入函數，其中，H_u和O_u的具體表達式如下：

H_u＝f(x_u,x_c[u],h_n[u],x_n[u]) (1)

O_u＝g(H_u,x_u) (2)

其中，f為參數函數，稱為局部轉移函數，在所有節點間共享數據，并根據輸入鄰域數據更新節點狀態；g是輸出函數，用來描述輸出過程；x_u為是u的特征值向量；x_c[u]為其相鄰節點的特征值向量；h_n[u]為u的鄰域狀態函數，x_n[u]為節點的特征值函數；

將H、O、X和X_N分別表示所有狀態函數，所有輸出函數，所有節點特征值以及所有節點特征疊加而成的向量，即得到如下公式所示：

H＝F(H,X) (3)

O＝G(H,X_N) (4)

其中，全局轉移函數F和全局輸出函數G分別是所有節點的轉移函數和輸出函數的堆積公式；H的值為公式(3)不動點，且是在F收縮映射的情況下唯一定義的；公式(3)設置任何初始值H(0)；F和G中描述的計算過程為前饋圖神經網絡；

則該模型迭代方式如下公式所示：

H^t+1＝F(H^t,X) (5)

其中，H^t表示H的第t次迭代；通過公式(5)進行指數函數運算快速收斂到方程的解；

將數據持有方的數據進行集中加密整合，圖神經網絡在訓練過程中通過同態加密方式對各方的數據和梯度進行加密處理，并進行邊緣信息交換，完成系統的平行協同計算；

將每個區域都設置相應的圖神經網絡，利用平行聯邦學習方法，構建協同計算的計算模型，從而減少優化所需要的計算時間，并提高各區域信息私密性。