一种图神经网络配电网拓扑辨识方法与流程

摘要: 本发明属于电力系统智能分析与人工智能交叉,具体涉及一种基于图神经网络的高比例清洁能源配电网拓扑实时辨识方法。本发明适用于含高渗透率分布式光伏、风电等清洁能源接入...
一种图神经网络配电网拓扑辨识方法与流程

本发明属于电力系统智能分析与人工智能交叉,具体涉及一种基于图神经网络的高比例清洁能源配电网拓扑实时辨识方法。本发明适用于含高渗透率分布式光伏、风电等清洁能源接入的中低压配电网的拓扑结构在线监测与智能运维场景。

背景技术:

1、现有图神经网络方法的单一聚合范式无法同时处理配电网馈线主干区域的同配性连接模式与分布式电源接入点的异配性跨模态连接模式,且损失函数缺乏对拓扑结构完整性的显式建模,导致在清洁能源出力剧烈波动的动态场景下辨识延迟大、拓扑碎片化严重、准确率显著下降。

2、现有方法在海量无标注运行数据条件下缺乏高效的半监督训练机制,纯置信度阈值筛选的伪标签策略未能充分利用配电网图结构信息,导致标注成本高而模型泛化能力提升有限。

技术实现思路

1、有鉴于此,本发明提供一种图神经网络配电网拓扑辨识方法,用于解决现有技术中标注成本高而模型泛化能力提升有限的问题。

2、一种图神经网络配电网拓扑辨识方法,包括:对配电网物理资产与多源量测数据进行图抽象映射与特征编码,确定出包含t个连续时间窗口的动态图序列;将所述动态图序列输入至双通道图注意力网络,经同配性注意力通道与异配性次模多样性通道并行聚合及门控融合,得到空间拓扑关联嵌入;以所述空间拓扑关联嵌入为输入,经堆叠扩大因果卷积层处理,得到多尺度时序特征;根据所述多尺度时序特征,对所述空间拓扑关联嵌入执行门控融合操作,输出融合时空特征;针对所述融合时空特征,采用边分类器与互补结构约束联合优化方法,形成拓扑概率矩阵;基于所述拓扑概率矩阵,通过置信度预筛选与图传播增益精选两阶段机制,获取精炼模型参数;利用所述精炼模型参数对实时量测数据流进行端到端推理,获取当前拓扑结构及分级变更告警。

3、可选地,所述对配电网物理资产与多源量测数据进行图抽象映射与特征编码,确定出包含t个连续时间窗口的动态图序列,包括:对母线、负荷点及分布式电源接入点进行节点映射,对馈线、电缆及开关支路进行边映射,确定出携带电阻值、电抗值、对地电纳值及开关状态标识的初始图拓扑结构;针对所述初始图拓扑结构,采用时间戳对齐方式融合scada、μpmu及ami三类量测数据,形成包含电压幅值、电压相角、注入有功、注入无功、有功功率变化率、无功功率变化率、电流幅值及电流相角的节点特征向量;以所述节点特征向量为输入,经固定窗口滑动聚合处理,得到所述动态图序列。

4、可选地,所述将所述动态图序列输入至双通道图注意力网络,经同配性注意力通道与异配性次模多样性通道并行聚合及门控融合,得到空间拓扑关联嵌入,包括:对所述动态图序列中每个节点与其邻居节点计算余弦特征相似度,经相似度增强因子加权后采用多注意力头并行计算并拼接,确定出128维同配嵌入;针对所述动态图序列中每个节点,采用局部敏感哈希近似与变化触发重采样机制,在哈希桶内贪心选取最具特征覆盖多样性的邻居子集并聚合,形成128维异配嵌入;结合所述同配嵌入与所述异配嵌入,执行数据驱动门控融合操作,确定所述空间拓扑关联嵌入。

5、可选地,所述针对所述动态图序列中每个节点,采用局部敏感哈希近似与变化触发重采样机制,在哈希桶内贪心选取最具特征覆盖多样性的邻居子集并聚合,形成128维异配嵌入,其中,所述变化触发重采样机制的触发条件为节点当前特征向量与前次采样特征向量的余弦相似度低于阈值0.95;所述局部敏感哈希采用哈希表数为4、每表哈希位数为8的配置,将复杂度从平方级降低至对数级。

6、可选地,所述以所述空间拓扑关联嵌入为输入,经堆叠扩大因果卷积层处理,得到多尺度时序特征,包括:对所述空间拓扑关联嵌入按时间顺序排列为时序张量,对通信中断导致的缺失快照采用线性插值补齐,确定出连续完整的时序输入;将所述时序输入输入至扩大因子呈指数增长的三层堆叠扩大因果卷积网络,经残差连接缓解梯度消失,得到所述多尺度时序特征;其中,各层输出维度保持128维,因果约束保证输出仅依赖当前时刻及之前的输入。

7、可选地,所述针对所述融合时空特征,采用边分类器与互补结构约束联合优化方法,形成拓扑概率矩阵,包括:对每条候选边将两端节点融合特征向量拼接后输入多层感知机边分类器,经二分类推理得到预测邻接概率矩阵;构建时间平滑约束、互补结构约束及清洁能源波动感知切换敏感约束三项互补约束损失,其中互补结构约束同时奖励活跃边内部高权重与节点覆盖完整性,切换敏感约束利用分布式清洁能源接入节点电压相角跳变量作为物理指示信号;采用动态权重预热调度策略,在前10个训练轮次关闭结构约束,第10至30轮次线性增大结构约束权重至目标值,之后保持稳定;将加权二元交叉熵分类损失与所述三项约束损失联合优化,形成所述拓扑概率矩阵。

8、可选地,所述基于所述拓扑概率矩阵,通过置信度预筛选与图传播增益精选两阶段机制,获取精炼模型参数,包括:对无标注样本进行拓扑推理,选取预测概率高于置信阈值的节点对作为候选伪标注集,确定出第一阶段候选集;针对所述第一阶段候选集中每个节点对,采用infospread次模传播函数度量其在配电网拓扑图上产生的监督信号传播范围,通过贪心算法依次选取边际传播增益最大的节点对直至达到伪标注预算,形成精选伪标注集;结合所述精选伪标注集与原始标注样本构成增广训练集,以较小学习率微调后迭代提高置信阈值,获取所述精炼模型参数。

9、可选地,所述利用所述精炼模型参数对实时量测数据流进行端到端推理,获取当前拓扑结构及分级变更告警,包括:从配电自动化系统实时数据总线读取scada、μpmu及ami混合时间尺度量测数据流,经滑动时间窗口对齐与坏数据过滤,确定出实时节点特征向量;将所述实时节点特征向量输入部署模型,经双通道聚合、扩大因果卷积及门控融合依次处理,输出当前时刻拓扑概率矩阵,二值化后与前一时刻拓扑估计差分比较,得到差分矩阵;对所述差分矩阵进行分析,按影响负荷比例执行三级分级告警,并将拓扑辨识结果与告警信息推送至配电管理系统及运维人员终端。

10、可选地,所述按影响负荷比例执行三级分级告警,其中,第一级告警对应单条馈线分段开关动作且影响负荷占全网比例不超过5%;第二级告警对应多条馈线拓扑重构且影响负荷占全网比例介于5%至20%之间;第三级告警对应大面积拓扑变更或孤岛形成且影响负荷占全网比例超过20%;运维人员对告警的人工修正结果作为增量训练样本反馈至模型持续学习回路。

11、可选地,在所述获取精炼模型参数之后,还包括:在独立测试集上对精炼模型进行评估,评估指标包括拓扑辨识准确率、f1分数、拓扑切换检测延迟及曲线下面积auc;各项指标达到预设部署阈值后,将所述精炼模型参数导出为开放神经网络交换onnx格式模型文件,部署至配电自动化系统在线推理模块。

12、本发明通过双通道自适应聚合与互补结构约束的协同设计,使单一模型能够自动适配配电网馈线主干区域的同配性连接模式和分布式电源接入区域的异配性跨模态连接模式,同时从图结构维度显式保障拓扑输出的连通性与节点覆盖完整性,在高比例清洁能源接入的动态场景下实现了高精度、低延迟的拓扑辨识。

13、本发明通过基于图传播最大化的两阶段半监督伪标签筛选机制,充分利用配电网海量无标注历史运行数据,以最少标注成本获得最大模型泛化增益,显著降低了配电网拓扑辨识的人工标注成本与实施门槛。