[發(fā)明專利]一種基于圖神經網絡的電力系統(tǒng)缺失數據重建方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210194662.1
• 申請日: 2022-03-01
• 公開（公告）號: CN114611590A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設計）人: 朱禹泓;周永智;韋巍
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發(fā)明公開了一種基于圖神經網絡的電力系統(tǒng)缺失數據重建方法及系統(tǒng)。本發(fā)明將當前時刻存在缺失的電力系統(tǒng)運行數據構建成矩陣并輸入至一訓練好的圖神經網絡，獲得當前時刻重建的完整的電力系統(tǒng)運行數據；所述矩陣中缺失的電力系統(tǒng)運行數據為遠離正常值的固定值表示；所述圖神經網絡利用基于所述電力系統(tǒng)收集的歷史運行數據訓練獲得。本發(fā)明利用圖神經網絡從歷史數據中學習到量測數據間復雜的時空相關性，從而準確高效的重建缺失的電力系統(tǒng)數據。本發(fā)明考慮了電力系統(tǒng)缺失數據重建，對保障電力系統(tǒng)安全穩(wěn)定運行有著重要意義。

技術領域

本發(fā)明屬于電力系統(tǒng)技術領域，涉及電力系統(tǒng)出現數據丟失、數據延遲及受到網絡攻擊被注入壞數據時的電力系統(tǒng)缺失數據重建方法，尤其是一種基于圖神經網絡的電力系統(tǒng)缺失數據重建方法及系統(tǒng)。

背景技術

隨著雙碳目標的提出及我國的風、光等新能源并網比例的日益提高，電力系統(tǒng)感知和調度智能化是保障電力系統(tǒng)的安全穩(wěn)定運行的必然趨勢。電力數據采集與監(jiān)控系統(tǒng)(supervisory control and data acquisition，SCADA)及相量量測裝置(PhasorMeasurement Unit，PMU)采集數據的準確性和實時性對電力系統(tǒng)狀態(tài)估計、穩(wěn)定分析及運行優(yōu)化有重要意義。然而，受通訊系統(tǒng)穩(wěn)定性及不間斷電源供電穩(wěn)定性等外界因素干擾，電力數據在采集、測量、傳輸、轉換等環(huán)節(jié)均有可能受到干擾或發(fā)生故障，造成電力系統(tǒng)出現數據丟失、數據延遲等異常問題，進一步影響智能調度中心的正常運行。因此，電力系統(tǒng)的缺失數據重建對保障電力系統(tǒng)安全穩(wěn)定運行至關重要。

發(fā)明內容

本發(fā)明所要解決的技術問題是克服上述現有技術存在的不足，提供一種基于圖神經網絡的電力系統(tǒng)缺失數據重建方法，利用圖神經網絡從歷史數據中學習到量測數據間復雜的時空相關性，從而準確高效的重建缺失的電力系統(tǒng)數據。

為此，本發(fā)明采用如下的技術方案：

一種基于圖神經網絡的電力系統(tǒng)缺失數據重建方法，其特征在于，具體為：將當前時刻存在缺失的電力系統(tǒng)運行數據構建成矩陣并輸入至一訓練好的圖神經網絡，獲得當前時刻重建的完整的電力系統(tǒng)運行數據；

所述矩陣中缺失的電力系統(tǒng)運行數據采用遠離正常值的固定值表示；

所述圖神經網絡利用基于所述電力系統(tǒng)收集的歷史運行數據訓練獲得。

進一步地，所述電力系統(tǒng)運行數據包括每個節(jié)點處的電壓幅值、電壓相角、節(jié)點注入有功功率、節(jié)點注入無功功率和兩兩節(jié)點間的連接關系；構建成的矩陣包括：

表示電力系統(tǒng)中兩兩節(jié)點間連接關系的拓撲矩陣A及特征電氣特征矩陣H^t：

其中，T_ij表示節(jié)點ij的拓撲連接關系，為0則表示兩節(jié)點不直接相連，為1則表示兩節(jié)點直接相連；V^t_m,i,V^t_a,i,P^t_i,Q^t_i分別表示時刻t時節(jié)點i處的電壓幅值、電壓相角、節(jié)點注入有功功率和節(jié)點注入無功功率，N為電力系統(tǒng)中節(jié)點總數。

進一步地，所述圖神經網絡由依次連接的若干層GCN層和全連接層組成。

進一步地，所述圖神經網絡利用基于所述電力系統(tǒng)收集的歷史運行數據訓練獲得，具體如下：

收集所述電力系統(tǒng)的歷史運行數據，并一一構建成矩陣，針對特定時間斷面下的歷史數據矩陣，隨機丟棄部分數據以模擬電力系統(tǒng)數據丟失、數據延遲的異常問題；

將丟棄部分數據后的矩陣作為圖神經網絡的輸入，對應的原始矩陣作為標簽，以最小化圖神經網絡的輸出與標簽的損失函數為目標對圖神經網絡進行訓練，獲得訓練好的圖神經網絡。