一种基于高维图注意力网络的大电网暂态功角稳定评估方法

1.本发明属于智能电网技术领域，涉及一种用于电网暂态稳定评估的人工智能技术，特别涉及一种基于高维图注意力网络的大电网暂态功角稳定评估方法。


背景技术：

2.随着电力系统的快速发展，大规模可再生新能源和交直流混联网络不断并网，针对电网运行的安全稳定性需求显著增加。对于高维紧耦合的复杂电网而言，当面临突发系统故障和运行风险时，具备快速准确的暂态稳定评估(transient stability assessment，tsa)至关重要。
3.近年来随着人工智能技术的飞速进步和广域量测系统中向量测量单元(phasor measurement unit，pmu)的推广普及，基于数据驱动的tsa研究领域得到了快速的发展。通过直接建立电力系统的系统特征量和暂态稳定状态间的端到端映射关系，可以有效弥补基于机理模型的tsa在面临日益复杂电网环境时的准确性和实效性等方面的判稳短板。目前机器学习算法已经在暂态稳定评估领域得到了广泛应用，例如文献[戴远航,陈磊,张玮灵,闵勇,李文锋.基于多支持向量机综合的电力系统暂态稳定评估[j].中国电机工程学报,2016,36(05):1173-1180.doi:10.13334/j.0258-8013.pcsee.2016.05.001.]研究了支持向量机(svm)的暂态稳定评估效果，文献[孙宏斌,王康,张伯明,赵峰.采用线性决策树的暂态稳定规则提取[j].中国电机工程学报,2011,31(34):61-67+8.doi:10.13334/j.0258-8013.pcsee.2011.34.004.]利用决策树(dt)模型的可解释性实现了对暂态稳定规则的提取，但是针对tsa的机器学习输入多依赖于专家经验，特征提取或特征选择方法的使用往往会影响最终判稳效果，在对高维数据的信息提取方面也存在一定不足。
[0004]
与此同时，深度学习算法因其可以在tsa中，将电力系统原始量测数据作为直接输入，自主提取电网高维特征成为当前基于数据驱动的tsa主流研究方法。如在文献[高昆仑,杨帅,刘思言,李向伟.基于一维卷积神经网络的电力系统暂态稳定评估[j].电力系统自动化,2019,43(12):18-26.]中将电网节点电压幅值、相角、支路有功无功功率等采样数据进行拼接，利用一维卷积神经网络(one-dimensional convolution neural network，1d-cnn)提取样本时序特征。文献[shi z,yao w,zeng l,et al.convolutional neural network-based power system transient stability assessment and instability mode prediction[j].applied energy,2020,263:114586.]将受扰动系统观测数据以类似二维图像形式输出，利用cnn提取暂态稳定特征。文献[孙黎霞,白景涛,周照宇,赵晨昀.基于双向长短期记忆网络的电力系统暂态稳定评估[j].电力系统自动化,2020,44(13):64-72.]基于长短期记忆网络(long short-term memory，lstm)构建tsa模型，进一步增强了对电力参数时变特性的特征提取能力。
[0005]
随着图深度学习算法的发展，针对电力系统数据所具有的非欧式图结构数据特点，部分学者开始利用图深度学习来同时提取电网量测物理量和拓扑结构特征，从而增强对电网暂态稳定性的预测能力。文献[王铮澄,周艳真,郭庆来,孙宏斌.考虑电力系统拓扑
变化的消息传递图神经网络暂态稳定评估[j].中国电机工程学报,2021,41(07):2341-2350.doi:10.13334/j.0258-8013.pcsee.202139.]基于消息传递图神经网络(message passing neural network，mpnn)框架构建tsa模型，并且可以有效捕捉电网拓扑变化对预测结果的影响。文献[钟智,管霖,苏寅生,姚海成,黄济宇,郭梦轩.基于图注意力深度网络的电力系统暂态稳定评估[j].电网技术,2021,45(06):2122-2130.doi:10.13335/j.1000-3673.pst.2020.0897.]利用图注意力网络(graph attention network，gat)增强了tsa模型对电网局部特征的提取能力。文献[张亮,安军,周毅博.基于时间卷积和图注意力网络的电力系统暂态稳定评估[j/ol].电力系统自动化:1-12[2023-02-16].http://kns.cnki.net/kcms/detail/32.1180.tp.20221116.1730.010.html]利用时间卷积神经网络(temporal convolutional network，tcn)和gat同时提取了电网的时空特征。
[0006]
现有的基于图深度学习的电力系统暂态稳定评估方法在提取电网拓扑信息已有了较为深入的研究，但对于电力系统高维子区域间信息传递的特征提取敏感度较低。而实际电力系统运行中潮流呈现区域性传递趋势，例如以电网关键断面划分的发电区潮流会总体向负荷区方向传播，并且某些特定区域的电网特征量往往与整体系统的暂态稳定性联系密切，因此充分挖掘电网高维子图特征及区域间信息传递对提升电网暂态稳定评估性能至关重要。


技术实现要素：

[0007]
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于高维图注意力网络的大电网暂态功角稳定评估方法，以期解决目前使用数据驱动模型在暂态稳定评估应用中对电网的高维子图特征提取能力较弱，以及忽视了电网区域间潜在潮流关系的问题，提升对电网不同尺度子图区域的特征聚合和提取能力，增强对实际大规模电网下不同故障后暂态功角稳定评估的准确性和鲁棒性。
[0008]
为了实现上述目的，本发明采用的技术方案是：
[0009]
一种基于高维图注意力网络的大电网暂态功角稳定评估方法，包括如下步骤：
[0010]
步骤1，根据电网拓扑结构构建初始图邻接矩阵a，根据电网直接量测参数构建图中节点特征矩阵x，矩阵a、x共同组成初始图g，初始图g为1阶图；
[0011]
步骤2，根据初始图g和邻接矩阵a，将连通子图在保留外部连接关系的前提下，合并为单个k阶节点，k为连通子图包含的节点个数，k＞1，形成k阶邻接矩阵ak，并通过wl核算法计算k阶节点的特征，构建k阶节点拓扑特征矩阵x
k,1
；
[0012]
步骤3，将初始图g输入双层gat网络中，输出为图g
′
，其中邻接矩阵a不变，即图拓扑结构不受网络影响，网络仅对节点特征通过汇聚进行更新，变为节点特征矩阵x
′
，对x
′
进行全局池化得到初始图g的全局特征向量f
all
；
[0013]
步骤4，对照k阶邻接矩阵ak，对节点特征矩阵x
′
进行局部池化操作，得到k阶节点对应的节点属性特征矩阵x
k,2
，将k阶节点拓扑特征矩阵x
k,1
与x
k,2
对应元素拼接形成特征矩阵xk，矩阵ak、xk共同组成k阶图gk；
[0014]
步骤5，将k阶图gk输入双层gat网络中，得到图g
′k和节点特征矩阵x
′k，对x
′k进行全局池化得到k阶图gk的全局特征向量f
allk
；
[0015]
步骤6，将全局特征向量f
all
,f
all2
,
…
,f
allk
进行拼接后输入全连接网络，输出为暂
态功角稳定评估结果。
[0016]
与现有技术相比，本发明由于在图神经网络特征提取阶段考虑到了高维节点的特征汇聚，因而能够实现对当前电网不同尺度子图的特征信息提取。同时由于发明中所使用的基于k-gnn的子图消息传递图神经网络框架以及gat层，使得在特征提取过程中考虑到了电网潜在的区域间交互特性，并保证了实际电网中不同状态的区域能在特征聚合中能够体现自身的独特性质。理论和实验证明本发明能够适用于大规模复杂电网以及不同故障场景下的暂态功角稳定评估需求。
附图说明
[0017]
图1是本发明整体流程图。
[0018]
图2是本发明实施例中电力系统主网架拓扑结构示意图。
[0019]
图3是本发明实施例中主网架的初始图拓扑结构。
[0020]
图4是本发明实施例中基于高维图注意力网络模型结构图。
具体实施方式
[0021]
下面结合附图和实施例详细说明本发明的实施方式。
[0022]
根据前述，由于现有技术基于数据驱动的暂态功角判稳技术对电网区域间信息提取能力不足，本发明以图深度学习技术为基础，通过建立基于电网不同尺度子图的消息传递图神经网络框架，来实现不同区域的电网相关参数的联通交互以及特征聚合，并且使用gat作为单层特征提取模型，通过使用注意力机制自适应地调整特征更新过程中的汇聚参数，建立端到端的暂稳预测模型，为图神经网络解决暂态功角稳定评估问题提供了新的可行手段，并且为电网领域中图深度学习应用融入垂直领域知识提供了一种初步尝试。
[0023]
具体地，参考图1，本发明基于高维图注意力网络的电网暂态功角稳定评估方法，包括如下步骤：
[0024]
步骤1，根据电网拓扑结构构建初始图邻接矩阵a，根据电网直接量测参数构建图中节点特征矩阵x，矩阵a、x共同组成初始图g，初始图g为1阶图，方便后续理解也可直接称其为1阶图g。
[0025]
数据方面，本发明的实验验证部分，也即深度学习模型所使用的的样本集，基于中国电科院搭建的含高比例新能源交直流混联网络生成，其电力系统主网架如图2所示，并设置不同导致功角失稳的故障场景作为实验对象。该算例共197节点(其中500kv主网架为85节点)，按照1:2.31比例设置新能源与常规机组的装机占比，其中新能源出力180万千瓦，送端直驱、双馈风机和光伏各出力60万千瓦，常规机组出力780万千瓦。故障类型包括：安控装置拒动、n-1、n-2、n-3、直流双极闭锁、三相短路单相拒动及直流重启动所引起的功角暂态失稳故障。单个样本中故障发生在仿真开始后0.05s，故障持续0.1s，采样时间间隔0.01s。样本集共包含仿真样本23996个，其中失稳样本2957个，本发明的实验部分按照8:1:1的比例随机将样本集划分为训练集、验证集和测试集。
[0026]
由此，在本发明实施例的步骤1中，需要将单个电力系统仿真样本用图结构的相关信息来描述，对初始图的详细定义一般用g(v,e)来表示，其中g表示初始图，v表示图g中的节点集合，即节点相关信息。单个节点特征通过pmu量测单元获取的原始时序采样数据拼接
而成。
[0027]
e表示图g中的边集合，即边相关信息，可通过系统拓扑结构对应的邻接矩阵a间接表示。在本发明中，由于电力系统本身所具有的丰富拓扑结构特性，本发明将电网中的bus母线节点视为图节点，即，v在本发明中指电网所有母线节点，母线节点间的branch连接线路视作图中的边，建立对应的无向图。由于不同故障场景下的仿真样本在故障切除后在图结构上会有细微差别，考虑到暂态稳定评估的时效性要求和模型复杂度问题，针对不同样本本发明均采取电网故障发生前的稳态拓扑结构来构建图连接关系，所构建的初始图g拓扑结构如图3所示。并根据技术方案中的初始输入特征选择步骤提取所需特征，在进行z-score数据归一化处理之后，建立相应的节点特征矩阵x。
[0028]
进一步地，对于图g中节点特征的描述，为使所选特征能有效反映样本暂态稳定过程，选择系统故障发生前稳态t0、故障发生时刻tf、故障切除时刻前t
c-和故障切除时刻后t
c+
四个时刻的采样数据，具体所选特征对象如下表1所示。
[0029]
表1所选输入特征说明
[0030]
输入特征含义u母线正序电压θ母线正序角度p母线有功负荷q母线无功负荷
[0031]
因此，本发明的节点特征矩阵x可表示为
[0032][0033]
式中：n为母线节点编号；t表示采样时刻，即前述的系统故障发生前稳态t0、故障发生时刻tf、故障切除时刻前t
c-和故障切除时刻后t
c+
共四个时刻，由此，分别为在相应采样时刻对第n个母线节点的母线正序电压、母线正序角度、母线有功负荷、母线无功负荷。
[0034]
对于不同工况下的电网输入的拓扑信息表示，本发明统一使用故障发生前电网稳态拓扑结构建立邻接矩阵a，以达到降低输入成本，提高暂态稳定评估实时性的目的。并且由于本发明所使用的高维图注意力网络可以有效增强特征提取范围和高维结构的信息提取能力，能够提升在局部拓扑信息不足下的判稳冗余度，降低其负面影响。
[0035]
步骤2，根据初始图g和邻接矩阵a，将连通子图在保留外部连接关系的前提下，合并为单个k(k＞1，即k＝2,3
……
)阶节点，k为连通子图包含的节点个数，形成k阶邻接矩阵ak，并通过wl核算法计算k阶节点的特征，构建k阶节点拓扑特征矩阵x
k,1
。
[0036]
本步骤中，需通过原始图g相关信息构建步骤4中所提k阶图gk的k阶邻接矩阵ak。首先需明确如下内容，对于给定数值k，定义节点集合：
[0037]
s＝{s1,
…
,sk},s∈[v(g)]k[0038]
其中s为目标连通子图，是具有k个节点的集合，sk表示目标连通子图s中的第k个节点，v(g)表示图g的所有节点的集合，[v(g)]k表示包含k个元素的集合，其中元素互不相同且都来自于v(g)，继而给出s的邻域相关定义：
[0039]
n(s)＝{t∈[v(g)]k||s∩z|＝k-1}
[0040]nl
(s)＝{z∈n(s)|(v,w)∈e(g),v∈s\z,w∈z\s}
[0041]
其中n(s)称为集合s的邻域，z为图g中除目标连通子图s之外的其它连通子图s，是具有k个节点的集合，|s∩z|＝k-1表示s和z有且仅有k-1个节点是相同的；n
l
(s)称为集合s的局部邻域，(v,w)表示由图g中节点v、w所确定的边，且w为v的邻居节点，s\z表示由s减去z的差集，z\s表示由z减去s的差集，将s视作k阶节点而构成的邻接矩阵即所述k阶邻接矩阵ak。
[0042]
同时考虑到将邻域内节点集合视作k阶节点的过程会使初始图g中的部分拓扑信息丢失，因此需通过wl核算法更新k阶节点的拓扑特征，以供后续步骤使用。在wl核算法中，对于初始图g，每个节点具有自身独特的原始标签值，首先将初始图g每个节点的邻居节点集合的标签值与自身标签值进行随机拼接作为中间标签值；然后对于所有节点的中间标签值集合，通过hash函数映射生成对应的新标签值；经过多轮迭代，提取图中节点的拓扑信息。
[0043]
在本发明的一个实施例中，除电网本身的初始图g外，选取k＝2,3建立对应的k阶邻接矩阵a2、a3，并通过wl核算法计算k阶节点拓扑特征矩阵x
1,1
、x
2,1
。对于k阶邻接矩阵的建立，为提升算法的使用效率并降低其复杂程度，通过初始图邻接矩阵a直接构建ak的过程，可通过a
k-1
建立ak的过程迭代多次实现。本发明对wl核算法具体实现中，各节点初始标签均设为1，迭代次数固定为10，迭代更新后的标签值通过one-hot编码来组成相应的k阶节点拓扑特征矩阵x
k,1
。
[0044]
步骤3，将初始图g输入双层gat网络中，输出为图g
′
，其中邻接矩阵a不变，即图拓扑结构不受网络影响，网络仅对节点特征通过汇聚进行更新，变为节点特征矩阵x
′
，对x
′
进行全局池化得到初始图g的全局特征向量f
all
。
[0045]
本步骤中，使用gat作为特征提取网络，其基本的消息传递框架中，单个节点的特征通过聚合其邻居节点的特征实现更新，这也是图神经网络模型的通用部分。在图神经网络模型的第l层中，节点特征更新公式表示为：
[0046][0047]
式中：v
′
为节点v的特征向量，w
′
为节点w的特征向量；n(v)为节点v的邻域，即包含节点v所有邻居节点的集合；表示用于将目标节点的所有邻居节点的特征聚合在一起的函数，以得到目标节点的邻域特征；可以为累加，或选择更为复杂的具有空间不相关性且可微的其他聚合函数，本发明中使用了累加方式作为特征聚合的基本方式。表示将目标节点自身特征和其邻域特征相融合的函数，本发明中通过相加实现。为可学习的参数矩阵，l》0；
[0048]
在上述消息传递网络框架的节点特征更新公式基础上，所述双层gat网络通过attention注意力机制自适应地为聚合过程中的邻居节点分配权重，基于注意力的权重计算公式为：
[0049][0050]
式中：α
ij
为聚合节点i特征时其邻居节点j所对应的权重系数，n(i)为节点i的邻域，即节点i的邻居节点集合，为节点特征向量，为可学习的权值共享参数矩阵，[,]表示拼接操作，为可学习的权值共享注意力系数，激活函数leakyrelu用于在归一化中保留节点i自身特征；
[0051]
代入注意力系数的gat节点特征聚合函数为
[0052][0053]
式中：h
′i为节点i更新后的特征，σ为激活函数，n(i)为节点i邻域。
[0054]
同时gat可以实现多头注意力机制，即在同层网络中基于上述过程学习多次，获得多种注意力表示用于特征聚合，以提升模型效果。融合多个注意头的gat节点特征输出如下：
[0055][0056]
其中k为多头注意力机制头数，为每个头对应参数，对不同注意力机制结果执行concat拼接操作，ii表示拼接操作。
[0057]
对于tsa等图分类任务，图g(v,e)全局特征u通过节点集合v等图属性进行表示，即，初始图g的全局特征向量u表示为：
[0058][0059]
其中l》0表示图特征提取部分的最后一层，f和f
gnn
分别表示单层图神经网络和整个图神经网络，f
gnn
对应提取k阶图gk中k阶节点特征所使用的双层gat网络，f对应双层gat网络的第二层，在第二层中使用上述公式进行全局池化提取对应图gk的全局特征f
allk
，即公式中l取值为2，f
pool
功能为全局池化层，本发明中采取对图所有节点特征向量的累加来实现。
[0060]
本发明的一个实施例，输入为1阶图g的双层gat网络对应图1中特征提取部分的1-gat环节，k-gat/head-2/concat/elu表示针对输入为k阶图gk的k-gat特征提取模块，共包含两层gat网络，multihead多头注意力机制头数为2，并采取拼接方式合并多头提取特征，激活函数使用elu。
[0061]
步骤4，对照k阶邻接矩阵ak，对节点特征矩阵x
′
进行局部池化操作，得到k阶节点对应的节点属性特征矩阵x
k,2
，将k阶节点拓扑特征矩阵x
k,1
与x
k,2
对应元素拼接形成特征矩阵xk，矩阵ak、x2共同组成k阶图g2。
[0062]
本步骤中，主要对节点特征矩阵x
′
进行局部池化操作，可以理解为对步骤2中的s
等k阶节点集合采取针对每个集合所包含的k个节点特征的全局池化，得到相应的节点属性特征矩阵x
k,2
，并与步骤2中的节点拓扑特征矩阵x
k,1
对应位元素拼接后形成x2，即
[0063]
x2＝[x
k,1
,x
k,2
]
[0064]
其中[,]表示拼接操作，xk与ak共同组成k阶图gk。
[0065]
对于节点特征矩阵x
′
进行局部特征池化环节，为降低方法复杂程度，如图1中特征提取部分的多个不同k-gat模块连接结构所示，对于构建k阶节点对应的节点属性特征矩阵x
k,2
，都通过对k-1阶图g
k-1
经由对应的k-gat模块输出的特征矩阵x
k-1
局部池化得到。
[0066]
步骤5，将k阶图gk输入双层gat网络中，得到图g
′k和节点特征矩阵x
′k，对x
′k进行全局池化得到k阶图gk的全局特征向量
[0067]
本步骤，针对k阶图gk的消息传递网络框架与在步骤3中的节点特征更新方法一致，但是，将k阶节点也即包含k个节点的集合视为一个节点，作为特征提取中更新和聚合的基本元素；其公式表示为：
[0068][0069]
其中l表示第l层图神经网络，u∈n
l
(s)为s局部邻域中的所有k阶节点。
[0070]
值得注意的是，k取值并非唯一，且基于步骤1至4实现k阶图gk的过程可实现循环复用，例如基于1阶图g构建2阶图g2，并通过步骤5提取得到相应2阶图特征矩阵x2等信息后，可循环复用本方案前5个步骤，基于2阶图g2特征信息获取3阶图g3特征信息，并在提取不同k阶图gk特征信息后，进行全局池化获得相应的全局特征向量f
allk
。即，在步骤5之后，重复步骤1至步骤5，可获取图g
′
k+1
和节点特征矩阵x
′
k+1
。
[0071]
进一步地，在本步骤中，对于k阶图gk的特征提取可通过对步骤1到4的循环复用由k-1阶图g
k-1
的图特征信息得到，即图1中特征提取部分多个k-gat模块的顺序连接，这种层次化的消息传递网络框架可用公式表示为：
[0072][0073]
其中为k-gat第一层网络的更新函数，σ为激活函数，本实例中为elu，f
iso
(s)为s对应的one-hot编码形式的拓扑特征，由步骤2中的拓扑特征矩阵x
k,1
得到，为对前一个k-gat模块输出的特征矩阵x
k-1
进行局部池化后得到的s的属性特征，u为k阶节点s所包含的所有k-1阶节点，[,]为拼接操作，w
k-1
为可学习的网络参数，对应的详细模型结构如图4所示。
[0074]
步骤6，将特征量等进行拼接后输入全连接网络，输出为暂态功角稳定评估结果。
[0075]
本步骤中，对应图1流程图中的样本分类部分，包括两层全连接网络，其中linear-12/dropout/elu表示线性层输出为12维特征向量，添加dropout层用以限制训练过程模型神经元更新个数，防止模型过拟合，激活函数为elu，linear-2/softmax表示线性层输出为2维特征向量，激活函数为softmax用以输出当前样本分属稳定及失稳的概率，二者概率值和
为1。
[0076]
针对暂态功角稳定评估二分类问题，并且考虑到暂态稳定仿真普遍存在的样本不平衡问题，使用focal loss作为模型经验损失函数，表示为
[0077][0078]
式中：y为样本真实标签，y
′
为模型预测值，α为权重因子，用于抑制正负样本的数量失衡问题，本方法取α为0.25。γ为调制因子，用于降低易分样本在模型训练时的损失贡献，无论正负样本，y
′
或(1-y
′
)越大，说明该样本越容易被区分，相应(1-y
′
)
γ
或y
′
γ
越小，本方法取γ为4。
[0079]
实施例效果说明
[0080]
为检验本发明实际性能，在使用实施例相同数据样本的前提下分别使用如下机器学习模型进行对照实验：支持向量机svm、1d-cnn、gcn、graphsage以及gat。所有对照模型以及本发明所使用的k-gat模型在测试集上的实验结果如表2所示。
[0081]
表2不同评估模型在197节点算例上的测试结果
[0082]
实验模型a
cc
/％p
rec
/％r
ec
/％f1值svm87.5287.0592.630.89751d-cnn95.5396.7295.550.9613gcn93.8894.3895.140.9476graphsage94.3594.0796.360.9520gat94.8295.1895.950.9556k-gat96.2396.5397.280.9690
[0083]
其中准确率a
cc
是衡量模型暂态功角稳定评估的首要指标，召回率r
ec
越高模型存在“误判稳定”的可能性越低，预测精度p
rec
越高则模型“漏判稳定”，即将稳定样本预测为失稳的可能性越低，f1值反映了模型对不均衡数据集的评估效果。
[0084]
实际工业应用中对模型的准确率a
cc
和召回率r
ec
要求较高，即希望判稳模型在保证预测准确率的同时也要避免将失稳样本错判为稳定样本，以免造成电力事故的发生。可以看到本发明所使用的k-gat相较于gcn、graphsage、gat等图深度学习模型具有更好的判稳预测效果，因为引入了对于电网区域子图的特征信息挖掘，并且相较于提取电网时序特征的1d-cnn和传统机器学习模型svm都有明显的效果提升。
[0085]
综上，本发明根据电力系统的拓扑结构和电网从故障发生前的稳态到故障切除时刻的时间窗口内的电网量测数据构建图输入，利用图神经网络深度学习模型实现端到端映射，输出电网暂态功角稳定的预测结果；基于k维图神经网络(k-gnn)，构建消息传递图神经网络的基本框架，实现针对电网不同尺度子图的特征汇聚和更新；基于图注意力网络(gat)，通过attention注意力机制自适应地调节母线节点特征更新过程中邻居节点的汇聚函数权重，作为暂态稳定评估模型中的单层特征提取网络；基于焦点损失函数focal loss，解决暂态稳定仿真存在的正负样本数量和训练难度不平衡问题；本发明作为基于数据驱动的暂态稳定评估模型，能够有效挖掘电网中潜在的高维子图区域间消息传递性质，提升在不同规模电力系统和多故障场景下的暂态稳定评估效果，为电网暂态稳定评估提供了一种
可行手段，并且为基于数据驱动的判稳模型融入电网领域知识提供了一种可行思路。

技术特征：
1.一种基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，包括如下步骤：步骤1，根据电网拓扑结构构建初始图邻接矩阵a，根据电网直接量测参数构建图中节点特征矩阵x，矩阵a、x共同组成初始图g，初始图g为1阶图；步骤2，根据初始图g和邻接矩阵a，将连通子图在保留外部连接关系的前提下，合并为单个k阶节点，k为连通子图包含的节点个数，k＞1，形成k阶邻接矩阵a
k
，并通过wl核算法计算k阶节点的特征，构建k阶节点拓扑特征矩阵x
k,1
；步骤3，将初始图g输入双层gat网络中，输出为图g
′
，其中邻接矩阵a不变，即图拓扑结构不受网络影响，网络仅对节点特征通过汇聚进行更新，变为节点特征矩阵x
′
，对x
′
进行全局池化得到初始图g的全局特征向量f
all
；步骤4，对照k阶邻接矩阵a
k
，对节点特征矩阵x
′
进行局部池化操作，得到k阶节点对应的节点属性特征矩阵x
k,2
，将k阶节点拓扑特征矩阵x
k,1
与x
k,2
对应元素拼接形成特征矩阵x
k
，矩阵a
k
、x
k
共同组成k阶图g
k
；步骤5，将k阶图g
k
输入双层gat网络中，得到图g
′
k
和节点特征矩阵x
′
k
，对x
′
k
进行全局池化得到k阶图g
k
的全局特征向量步骤6，将全局特征向量进行拼接后输入全连接网络，输出为暂态功角稳定评估结果。2.根据权利要求1所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤1中，初始图g用g(v,e)表示，其中节点集合v表示电网所有母线节点，单个节点特征通过pmu量测单元获取的原始时序采样数据拼接而成，边集合e通过系统拓扑结构对应的邻接矩阵a间接表示，其中，使用故障发生前电网稳态拓扑结构建立邻接矩阵a。3.根据权利要求1所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤1中，节点特征矩阵x表示为式中：n为母线节点编号；t表示采样时刻，包括系统故障发生前稳态t0、故障发生时刻t
f
、故障切除时刻前t
c-和故障切除时刻后t
c+
共四个时刻，由此，分别为在相应采样时刻对第n个母线节点的母线正序电压、母线正序角度、母线有功负荷、母线无功负荷。4.根据权利要求1所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤2中，对于给定数值k，定义节点集合：s＝{s1,
…
,s
k
},s∈[v(g)]
k
其中s为目标连通子图，是具有k个节点的集合，s
k
表示目标连通子图s中的第k个节点，v(g)表示图g的所有节点的集合，[v(g)]
k
表示包含k个元素的集合，其中元素互不相同且都来自于v(g)，继而给出s的邻域相关定义：n(s)＝{t∈[v(g)]
k
||s∩z|＝k-1}n
l
(s)＝{z∈n(s)|(v,w)∈e(g),v∈s\z,w∈z\s}其中n(s)称为集合s的邻域，z为图g中除目标连通子图s之外的其它连通子图s，是具有
k个节点的集合，|s∩z|＝k-1表示s和z有且仅有k-1个节点是相同的；n
l
(s)称为集合s的局部邻域，(v,w)表示由图g中节点v、w所确定的边，且w为v的邻居节点，s\z表示由s减去z的差集，z\s表示由z减去s的差集，将s视作k阶节点而构成的邻接矩阵即所述k阶邻接矩阵a
k
。5.根据权利要求4所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤2，在wl核算法中，首先将初始图g每个节点的邻居节点集合的标签值与自身标签值进行随机拼接作为中间标签值；然后对于所有节点的中间标签值集合，通hash函数映射生成对应的新标签值；经过多轮迭代，提取图中节点的拓扑信息。6.根据权利要求4所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤3，在图神经网络模型第l层中，节点特征更新公式表示为：式中：v
′
为节点v的特征向量，w
′
为节点w的特征向量；n(v)为节点v的邻域，即包含节点v所有邻居节点的集合；表示用于将目标节点的所有邻居节点的特征聚合在一起的函数，以得到目标节点的邻域特征；表示将目标节点自身特征和其邻域特征相融合的函数，为可学习的参数矩阵，l>0；在所述节点特征更新公式基础上，所述双层gat网络通过attention注意力机制自适应地为聚合过程中的邻居节点分配权重，基于注意力的权重计算公式为：式中：α
ij
为聚合节点i特征时其邻居节点j所对应的权重系数，n(i)为节点i的邻域，即节点i的邻居节点集合，为节点特征向量，为可学习的权值共享参数矩阵，[,]表示拼接操作，为可学习的权值共享注意力系数，激活函数leakyrelu用于在归一化中保留节点i自身特征；代入注意力系数的gat节点特征聚合函数为式中：h
i
′
为节点i更新后的特征，σ为激活函数，n(i)为节点i邻域。7.根据权利要求6所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，融合多个注意头的gat节点特征输出如下：其中k为多头注意力机制头数，为每个头对应参数，对不同注意力机制结果执
行concat拼接操作，||表示拼接操作。8.根据权利要求6所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，初始图g的全局特征向量表示为：f
gnn
(f
all
)＝f
pool
(f
(l)
(v)),v∈v(g)其中l>0表示图特征提取部分的最后一层，f和f
gnn
分别表示单层图神经网络和整个图神经网络，f
gnn
对应提取k阶图g
k
中k阶节点特征所使用的双层gat网络，f对应双层gat网络的第二层，在第二层中使用上述公式进行全局池化提取对应图g
k
的全局特征即公式中l取值为2，f
pool
功能为全局池化层。9.根据权利要求8所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，所述步骤5，采用步骤3的节点特征更新方法，并将k阶节点也即包含k个节点的集合视为一个节点，作为特征提取中更新和聚合的基本元素；其公式表示为：其中l表示第l层图神经网络，u∈n
l
(s)为s局部邻域中的所有k阶节点。10.根据权利要求9所述基于高维图注意力网络的大电网暂态功角稳定评估方法，其特征在于，在步骤5之后，重复步骤1至步骤5，获取图g
′
k+1
和节点特征矩阵x
′
k+1
。

技术总结
一种基于高维图注意力网络的大电网暂态功角稳定评估方法，根据电网拓扑结构构建初始图邻接矩阵，根据电网直接量测参数构建图中节点特征矩阵，共同组成初始图；将连通子图在保留外部连接关系的前提下，合并为单个k阶节点，形成k阶邻接矩阵，并构建拓扑特征矩阵；将初始图输入双层GAT网络，图拓扑结构不受网络影响，网络仅对节点特征通过汇聚进行更新，对得到的节点特征矩阵进行全局池化得到初始图的全局特征向量，进行局部池化得到k阶节点对应的节点属性特征矩阵，之后将对应元素拼接形成特征矩阵，组成k阶图；将k阶图输入双层GAT网络得到全局特征向量；将各特征向量进行拼接后输入全连接网络，输出为暂态功角稳定评估结果。输出为暂态功角稳定评估结果。输出为暂态功角稳定评估结果。


技术研发人员：杜友田 傅太国屹 吕昊 常源麟
受保护的技术使用者：西安交通大学
技术研发日：2023.05.30
技术公布日：2023/9/14