一种基于影响力最大化的电网关键异常节点识别方法
本公开涉及计算机领域,更具体地讲,涉及一种基于影响力最大化的电网关键异常节点识别方法。
背景技术:
1、在电网运行中,各类运行异常(如电压越限、功率突变、频繁告警、设备状态异常等)具有突发性与传播性,常表现为多个监测节点在时间上呈现联动变化。为实现对异常源头与关键影响节点的快速定位,需要从全网监测节点中识别少量“关键异常节点”,使其对异常影响/传播范围的解释能力或覆盖能力最大,即在评估窗口内最大化被其影响到的异常节点数量(异常影响覆盖范围)。在工程实践中,调度/运维资源与分析资源受限,要求在有限预算下输出最关键的异常节点集合以支撑告警聚合、异常定位与处置决策。
2、现有关键节点识别或异常定位方法通常依赖完整、准确的电网拓扑与参数模型,并基于规则、灵敏度或关联分析来定位异常关键节点。但在工程实践中,线路连接拓扑与参数可能因模型不一致、数据缺失、馈线重构频繁、终端通信异常等原因难以实时保持可信;同时,异常响应受负荷波动、分布式电源出力、测量噪声及控制动作等因素影响而呈现强时变与非线性。若仅依赖静态拓扑结构与固定规则/灵敏度,往往难以稳定识别高质量的关键异常节点集合。
3、因此,亟需一种在拓扑结构未知或不可信的条件下,以多源运行时序观测为核心输入,并可结合电力大数据平台汇聚的辅助特征,自动学习电网节点间的影响关系,在预算约束下输出关键异常节点集合,从而实现异常影响覆盖最大化/影响力最大化的技术方案。
技术实现思路
1、本公开的实施例的目的在于提供一种基于影响力最大化的电网关键异常节点识别方法,旨在解决电网线路连接拓扑结构未知/不可信条件下关键异常节点识别鲁棒性不足的问题等问题。
2、在一个总的方面,提供一种基于影响力最大化的电网关键异常节点识别方法,首先,通过数据获取与预处理过程,获取电网节点集合v中具有运行检测能力的候选节点集合c的电压时序观测的节点时序数据形成电压测点特征序列;然后通过隐式耦合学习过程,采用自注意力编码器得到电压测点嵌入并表征电压测点间与异常传播相关的电压影响关系;再通过序列化关键异常节点选择过程,输入所述隐式耦合学习过程得到的与异常传播相关的电压影响关系以及通过将时序节点输入代理拓扑推理得到的拓扑结构,以逐步选择式策略网络在不重复选择约束下逐步选择k个关键异常节点,得到集合s;最后通过奖励评估过程,以仿真得到的异常影响覆盖边际增益作为即时奖励用于仿真,并采用策略优化过程以梯度优化对模型参数进行优化,得到可部署的模型,并将其用于对电网时序数据的关键异常节点识别。
3、其中,表示由集合s触发的期望异常影响覆盖函数;在逐步选择的第t步,采用作为即时奖励,而非直接将作为边际奖励。
4、所述采用自注意力编码器得到电压测点嵌入的方法为:
5、将电网中的电压测点得到的电压观测点集合v={v1,…,vn},对每个电压测点vi,在观测窗口内采集其电压幅值形成时序观测向量xi;将节点运行观测转换为异常发生/恢复事件序列,之后,通过自注意力耦合编码,采用多头自注意力对各电压测点时序特征进行编码,输出电压测点嵌入,用于后续异常节点选择策略学习。
6、具体地,按照采样时刻,对节点i的电压幅值进行稳健标准化,得到,其中和分别为历史正常窗口的中位数和中位绝对偏差,为防止分母为零的正数;计算一阶差分,当且前一时刻未越限时记异常发生事件,当节点由越限状态恢复至阈值内时记,其余时刻记;将经线性映射并叠加时间位置编码,形成。
7、其中,为节点i的异常判定阈值,按照预设异常事件误报率,由历史正常窗口中的分位数确定;为节点i在观测窗口内的时间特征矩阵,其第t行为经线性映射并叠加时刻t的位置编码所得的d维特征,t为采样时刻数,d为特征维数。
8、对沿时间维进行事件门控汇聚,,其中;将各节点的按行组成。对于第h个注意力头,计算;令为节点i在观测窗口内最近一次异常发生时刻,并定义时滞门控系数,当节点i或节点j在窗口内无异常发生事件时令,再计算。
9、其中,和为可训练的事件门控投影矩阵,为可训练的门控向量,为门控隐层维数;g为n个节点汇聚向量组成的节点特征矩阵,第i行为,n为电压测点数。上标表示第h个注意力头,分别为查询矩阵、键矩阵和值矩阵,为相应的可训练投影矩阵,为单个注意力头的查询和键维数;为时滞门控矩阵,为时滞门控强度系数,为保证对数有定义的正数。为时滞衰减时间常数,用于控制节点间最近一次异常发生时刻差异对时滞门控系数的衰减速度,其单位与最近一次异常发生时刻采用的时间单位一致;当最近一次异常发生时刻采用采样时刻编号表示时,以采样间隔数表示,其中越大表示时刻差异引起的衰减越慢,越小表示衰减越快。
10、将各注意力头的输出进行拼接并采用残差归一化,得到,再经前馈网络和残差归一化得到节点嵌入;将节点间隐式电压耦合强度计算为,令,并按行归一化,使其作为后续代理拓扑融合和选点策略的耦合输入。
11、其中,为将各注意力头拼接结果映射回d维的可训练输出投影矩阵;等号左侧的h为完成残差连接和层归一化后的节点表示矩阵,求和上限公式中的上限h表示注意力头总数。表示第h个注意力头中节点i对节点j的有向注意力权重,表示反向注意力权重,将二者取平均用于形成无向的成对耦合强度,为对称化并按行归一化后得到的隐式电压耦合矩阵。
12、所述拓扑结构的得到方式为:基于节点异常发生/恢复事件序列推断代理耦合矩阵,用于近似描述节点之间与异常发生及传播相关的响应联动关系;
13、具体地,对于每一目标节点i,构造其异常事件序列yi以及其余节点的事件矩阵x,通过求解带l1正则约束的稀疏回归模型,得到与节点i存在显著联动关系的节点集合,从而构建代理耦合网络结构。
14、具体地,将事件序列累积为异常状态序列:在后令,直至出现时恢复为0;设最大响应时滞为l,对目标节点i构造,并对每个,将其余节点在前l个时刻的状态]依次排列为设计矩阵的一行,得到。
15、对各列进行零均值、单位方差标准化,并求解;通过按时间顺序划分的验证窗口选取。将节点j指向节点i的耦合强度定义为,其中为时滞衰减系数;当时保留有向边,由此得到代理耦合矩阵。
16、其中,为目标节点i的最优稀疏回归系数向量,argmin表示使目标函数取最小值的参数,和分别为二范数和一范数,为l1正则系数;为节点j在第l个时滞对节点i的回归系数,为绝对值,为时滞衰减权重,分母中的用于按目标节点i的最大入边强度归一化,为防止分母为零的正数,为保留代理有向边的耦合阈值。
17、所述奖励评估过程为多次随机效果传递评估,具体而言,在真实线路连接拓扑结构或代理耦合拓扑结构上执行r次多次随机效果传递仿真,以当前异常节点集合s为处置起点,模拟异常影响在电网中的传播过程沿线路段与耦合关系传递,估计评估窗口内被异常影响或与异常传播相关联的电压测点集合,并据此计算覆盖及边际奖励;
18、具体地,当真实线路连接拓扑可得时,将线路电气灵敏度的绝对值按入边归一化得到;当真实拓扑不可得时,令,其中。在第r次随机效果传递仿真中,对每条候选边独立采样,并令节点i在各次仿真中采用固定阈值,其中由历史正常窗口累积贡献样本的分位数确定,同一节点在各次仿真中使用相同阈值,仿真随机性由边有效性的伯努利采样产生。
19、线路电气灵敏度在评估窗口起始运行断面上计算:以状态估计得到的节点电压、有功及无功注入量和当前开关、线路连接状态为潮流基准,建立潮流雅可比矩阵,通过求解线性化潮流方程获得和。对真实线路边,定义,其中0≤≤1,并按目标节点i的入边归一化得到;对非真实线路边取。权重可在历史标注窗口上通过网格搜索确定;当仅能获得一种灵敏度时,采用对应灵敏度项。若评估窗口内运行断面或拓扑结构发生显著变化,则重新进行潮流计算并更新。
20、为第r次仿真中有向边j→i是否有效的伯努利指示变量,取1表示有效,取0表示无效,其取1概率为;为同一次仿真中节点i采用的固定判定阈值,且。
21、以初始化受影响节点集合,并按轮次更新;当无新增节点或达到最大传播轮数时停止,得到。采用计算加权覆盖比例;当均为1且去除分母时得到覆盖节点数;第t步选择后的即时边际奖励为。
22、在传播过程的评估过程中,采用线性阈值式异常影响判定模型:当某一节点从其关联节点累积获得的异常影响贡献超过预设阈值时,判定该节点在评估窗口内受到异常影响或参与异常传播过程;
23、所述影响贡献可由节点异常程度、状态波动幅度或节点间联动强度等指标表征,阈值及贡献权重可根据历史数据统计结果或灵敏度分析进行设定。
24、其中,节点j的异常程度定义为,状态波动幅度定义为
25、,取历史正常窗口中该均方根波动量的95%分位数;边在边有效条件下的影响贡献为,;节点i在第r次仿真中的累积贡献为;基于历史正常窗口构造节点i的累积贡献样本集合,并按给定误报率取该样本集合的分位数作为固定阈值;在第r次仿真中令,以保证阈值标定方式在各次仿真中保持一致;、和在历史标注窗口上通过网格搜索,以传播节点判定f1值最大为准确定。
26、上述式中,为节点j的异常程度,为按前述中位数和中位绝对偏差得到的稳健标准化电压,为异常程度达到1时对应的标准化幅值阈值;为节点j的状态波动幅度,根号内为个采样时刻的一阶差分均方根,为历史正常窗口中该均方根统计量的95%分位数;分别为异常程度和状态波动幅度的贡献权重,并满足。
27、可部署的模型的训练方式采用逐步选择式序列化关键异常节点策略与策略梯度训练,具体而言,逐步选择式解码策略在候选节点集合c上逐步选择k个关键异常节点;每一步输出未选候选点的选择概率分布,并通过不重复选择约束避免重复选择;训练阶段按策略采样以促进探索;部署阶段采用贪心选择输出关键异常节点序列;
28、设第t步选择前的已选集合为,;用于解码的耦合矩阵记为:真实拓扑可得时,真实拓扑不可得时。令为可训练初始状态,并计算候选节点i相对于已选集合的耦合汇聚量(时取0);候选节点得分为,其中和为可训练参数。设置掩码:当时,否则,并得到。训练阶段按采样,部署阶段取;选择后更新及,直至选满k个节点。
29、采用reinforce策略梯度优化。为避免与传播轮次中的受影响节点集合混淆,将优势量记为。基线采用分步指数移动平均进行更新:,其中,为当前训练批次第t步即时边际奖励的均值;仅用于降低策略梯度方差,不参与反向传播。
30、策略梯度损失为。
31、为促进探索,采用总损失,其中,为熵正则系数。
32、本发明实施例的所要实现的技术效果在于:
33、1)在电网线路连接拓扑结构未知、缺失或不可信条件下,仍可以电压时序观测为核心输入,并融合电力大数据平台多源辅助特征完成关键异常节点识别,提高异常定位与诊断鲁棒性。
34、2)自注意力隐式耦合学习可捕获电压测点间时变电压影响关系,适应负荷波动与分布式电源出力变化。
35、3)强化学习直接优化“异常节点影响覆盖/影响力”的边际增益,便于异常定位、告警聚合与辅助决策部署。
36、4)支持在真实拓扑结构或代理耦合拓扑结构上进行奖励评估,便于在模型受限条件下形成训练闭环。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com