[發明專利]一種基于圖卷積網絡的微電網拓撲辨識方法

有效

• 申請號: 202110896197.1
• 申請日: 2021-08-05
• 公開（公告）號: CN113536509B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 孫偉;朱世睿;朱夢雨;李奇越;李帷韜
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F30/18
• 分類號: G06F30/18;G06F30/27;G06N3/0464;G06N3/08;G06F113/04
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于圖卷積網絡微電網拓撲辨識方法，其特征在于，包括如下步驟：

步驟1、獲取微電網在無故障下的拓撲圖并抽象成線圖；

步驟1.1、將微電網中的DG單元作為節點，DG單元間可能連接的線路作為邊，從而得到微電網在無故障下的拓撲圖記為G＝{V,E}，其中，V＝{v₀,v₁,...,v_i,...,v_N-1}為拓撲圖G中的節點集合，E＝{e_i,j|i∈[0,N-1],j∈[0,N-1]}為拓撲圖G中的邊集合，e_i,j表示第i個節點v_i和第j個節點v_j之間存在邊，N為拓撲圖G中節點的總個數，i≠j；

步驟1.2、將邊集合E中所有的邊抽象成新的節點，從而構成新的節點集若新的節點集V^*中任意兩個不同的節點和在拓撲圖G中所對應的邊存在一個公共節點，則在第k個節點和第q個節點之間連接一條新的邊，并由所有新的邊構成新的邊集表示第k個節點和第q個節點之間存在邊，k≠q；由新的節點集V^*和新的邊集E^*構造微電網線圖記為G^*＝{V^*,E^*}，其中，N^*為拓撲圖G中邊的總個數；

步驟1.3、利用式(1)獲取微電網線圖G^*的N^*×N^*階鄰接矩陣A中的第k行第q列的元素a_k,q，從而得到微電網線圖G^*的N^*×N^*階鄰接矩陣A＝{a_k,q|k∈[0,N^*-1],q∈[0,N^*-1]}；

步驟2、對微電網中DG單元的輸出電壓進行采樣以獲取訓練樣本數據；

步驟2.1、獲取微電網中斷路器處于不同開關狀態的R個運行時刻；

步驟2.2、在任意第r個運行時刻，測量并采樣微電網中各DG單元的輸出電壓，得到第r個運行時刻所有DG單元的輸出電壓序列集合其中為第r個運行時刻第b個DG單元的輸出電壓序列，為第r個運行時刻第b個DG單元在第c個采樣點處的輸出電壓值，b∈[0,N-1]，c∈[0,T-1]，r∈[1,R]，T為DG單元輸出電壓的采樣點總個數；

步驟2.3、在第r個運行時刻，利用所述輸出電壓序列集合U^r計算得到微電網相鄰DG單元的輸出電壓差序列矩陣若v_i和v_j之間有邊}，其中，表示微電網第r個運行時刻第d條線路兩端的第i個DG單元和第j個DG單元的輸出電壓差序列，d∈[0,N^*-1]；

步驟2.4、在第r個運行時刻，獲取微電網中所有相鄰DG單元間線路中的斷路器開關狀態并進行編碼，若斷路器閉合，則狀態編碼為“1”，若斷路器斷開，則狀態編碼為“0”，從而得到斷路器開關狀態向量其中，代表第r個運行時刻第m條線路中的斷路器開關狀態，m∈[0,N^*-1]；

步驟2.5、由第r個運行時刻的微電網相鄰DG單元的輸出電壓差序列矩陣X^r和線路中斷路器的開關狀態向量Y^r構成第r組訓練樣本Train^r＝{X^r,Y^r}；從而得到共R組的訓練樣本集Train＝{Train^r|r∈[1,R]}；

步驟3、構建用于微電網拓撲辨識的圖卷積網絡并初始化網絡參數；

步驟3.1、構建一個用于拓撲辨識的圖卷積網絡G-Net，所述圖卷積網絡G-Net中包括L個圖卷積層和一個Softmax分類層，并利用式(2)得到第l個圖卷積層輸出的隱藏特征矩陣H^l+1：

式(2)中，H^l為第l-1個圖卷積層輸出的隱藏特征矩陣，當l＝0時，H⁰為圖卷積網絡G-Net的輸入特征矩陣；表示添加節點自連邊后微電網線圖的鄰接矩陣，為N^*×N^*的單位矩陣；W^l為圖卷積網絡G-Net中第l個圖卷積層的權重矩陣；f^l(·)為圖卷積網絡G-Net中第l個圖卷積層的信息聚合函數，l∈[0,L-1]；

步驟3.2、定義圖卷積網絡G-Net的當前迭代次數為μ，并初始化μ＝1，設定最大迭代次數為μ_max；

步驟4、訓練圖卷積網絡G-Net；

步驟4.1、初始化r＝1；

步驟4.2、將第r組訓練樣本Train^r中的輸出電壓差序列矩陣X^r作為輸入特征矩陣，并與微電網線圖G^*的鄰接矩陣A一起輸入到第μ次迭代的圖卷積網絡G-Net中，并經過L個圖卷積層后輸出第μ次迭代的G-Net的隱藏特征矩陣；

步驟4.3、將所述第μ次迭代的G-Net的隱藏特征矩陣輸入Softmax分類層，得到第r組訓練樣本第μ次迭代的前向輸出結果

步驟4.4、將所述第r組訓練樣本第μ次迭代的前向輸出結果與第r組訓練樣本中斷路器的開關狀態向量Y^r作差，得到第r組訓練樣本第μ次迭代的誤差

步驟4.5、將r+1賦值給r，判斷r＞R是否成立；若成立，則繼續執行步驟4.6，否則返回步驟4.2；

步驟4.6、根據R組訓練樣本在第μ次迭代后的誤差計算得到第μ次迭代的圖卷積網絡G-Net的交叉熵損失函數e_μ；

步驟4.7、判斷e_μ＞e₀和μ＜μ_max是否均成立，若均成立，將μ+1賦值給μ，并根據梯度下降算法更新第μ次迭代的圖卷積網絡G-Net中的權重參數后，返回執行步驟4.1；否則，將第μ次迭代的圖卷積網絡模型作為最優模型，其中，e₀是預設的網絡誤差閾值；

步驟5、微電網的拓撲辨識；

以微電網中實時獲取的相鄰DG單元的電壓差序列作為輸入，利用最優模型計算對應斷路器的狀態，從而得到微電網實時運行狀態下的拓撲圖。