一种基于图神经网络的微能源网统一建模及应用方法与流程

摘要: 本发明涉及智慧能源与图神经网络交叉,具体为一种基于图神经网络的微能源网统一建模及应用方法。背景技术:1、智慧微能源网是由分布式能源、储能装置、能量转换设备和智能...
一种基于图神经网络的微能源网统一建模及应用方法与流程

本发明涉及智慧能源与图神经网络交叉,具体为一种基于图神经网络的微能源网统一建模及应用方法。

背景技术:

1、智慧微能源网是由分布式能源、储能装置、能量转换设备和智能负荷通过配电网络和热力管网互联而成的小型综合能源系统,与大型输电网不同,微能源网具有天然的图结构属性,设备为节点、能量输送通道为边、能量流为边上的动态属性。然而,现有微能源网系统的构建和运行管理方法未能充分利用这一图结构特性,面临以下突出技术难题:

2、其一,拓扑结构利用不充分:微能源网的配电拓扑、热力管网拓扑天然具有图结构,但现有分析方法多将系统转化为向量化输入(如将网络拓扑展开为一维特征向量),完全丢失了节点间的空间邻接关系和拓扑连通性信息,例如,同一配电子网内相邻节点的电压、功率具有强相关性,而传统全连接神经网络无法捕捉这种局部结构先验;

3、其二,动态拓扑变化适应性差:智慧微能源网在运行过程中拓扑结构频繁变化,光伏逆变器因云层遮挡而退出、储能系统因检修而隔离、联络开关因故障重构而切换、负荷因需求响应而转移,传统的静态模型需要为每种拓扑变化重新训练,难以适应微能源网“即变即用”的运行需求,现有方法缺乏对动态图结构(节点/边的增加、删除、属性变化)的实时建模能力;

4、其三,多能流耦合的异构图建模缺失:微能源网同时包含电力流、热力流、冷量流等多种异质能流,不同能流遵从不同的物理规律且通过耦合设备(如cchp、热泵)相互关联,现有方法要么将多能流拆分为独立系统分别建模(丢失耦合信息),要么将所有能流粗暴合并为单一同质网络(忽略物理差异),缺乏一种能够同时保持异质性又能学习耦合关系的异构图建模方法。

5、其四,故障诊断与定位精度低:微能源网中电气故障(短路、接地、电弧)和热力故障(管道泄漏、换热器结垢)常表现为局部异常在拓扑邻域内的传播特征,传统基于阈值或单点特征的方法只能判断“是否有故障”,无法精准定位故障节点,更无法在故障传播早期进行预警;

6、其五,图级别的全局态势感知能力弱:微能源网作为一个整体图,具有图级别的涌现特性,如全网电压稳定裕度、频率同步状态、能效瓶颈链路,现有方法依赖人工定义的聚合指标,缺乏从原始图数据端到端学习图级别表征的能力,导致无法自动发现隐含的系统级风险模式;

7、其六,多微能源网群的图聚类与协同缺乏:在园区级或城市级场景中,多个微能源网形成微网群,各微网之间通过联络线形成更高层次的图结构。如何基于图结构特征自动将微网群划分为协同运行子群、识别微网间的能量互补关系,是当前尚未解决的技术问题。

8、综上所述,亟需一种以图神经网络为核心、充分利用微能源网天然图结构特性的系统构建方法及其应用框架。

技术实现思路

1、本发明的目的在于提供一种基于图神经网络的微能源网统一建模及应用方法,以解决上述背景技术中提出在图结构利用、动态拓扑适应、异质能流耦合建模、故障精准定位、全局态势感知和多微网群协同等方面不足的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种基于图神经网络的微能源网统一建模,包括微能源网图结构化表征单元以及四层递阶图神经网络编码单元;

4、所述微能源网图结构化表征单元用于将微能源网映射为图结构g=(v,e,x,a);其中v为节点集合,包含发电设备节点、储能设备节点、能量转换设备节点、负荷节点、母线节点;e为边集合,包含电力线路边、热力管道边、冷量管道边;x为节点特征矩阵,存储各节点多维运行状态向量;a为引入物理先验权重的邻接矩阵;

5、所述四层递阶图神经网络编码单元依次包括:第一层,同质化图卷积编码层,采用图卷积网络gcn或图注意力网络gat,以系统导纳矩阵或热力管网传导矩阵作为邻接权重执行消息传递,完成同类型节点的初步表征学习;第二层,异构图关系感知编码层,配置电力节点v_e、热力节点v_h、耦合节点v_c三类异质节点,配置电力边e_ee、热力边e_hh、耦合边e_eh/e_he三类异质关系边,每一类关系边配置独立可学习变换矩阵,耦合节点作为桥梁节点同时连接电力子图、热力子图,聚合电力、热力两侧邻居消息,输出跨能域融合的节点表征;第三层,动态图时序演化编码层,采用门控循环图神经网络ggnn或时间图网络tgn,配置更新门、重置门,接收微能源网随时间变化的图序列,通过门控机制更新节点隐状态,拓扑发生节点退出、新增边事件时无需重新训练,平滑适配动态拓扑;第四层,图级别读出与全局表征层,采用注意力池化与set2set池化混合读出策略,对全部节点表征聚合,输出微能源网全局图嵌入向量。

6、优选的,所述第一层中gcn层的消息传递公式为:

7、

8、其中d为度矩阵的对角元素,a为系统导纳矩阵或热力管网传导矩阵映射的邻接矩阵,i为单位矩阵(增加自环以保留节点自身信息),为第l层的可学习权重矩阵,为relu或elu激活函数,为第l层所有节点的嵌入表示矩阵。

9、采用上述技术方案,单位矩阵i增加自环,能够完整保留节点自身运行特征,避免消息传递过程丢失节点本身信息,基于系统导纳、热力管网传导矩阵构建邻接矩阵,将电力、热力物理先验嵌入卷积运算,不是单纯做图拓扑学习,该公式规范化同类型节点消息传递流程,提升发电、储能、负荷等同质节点表征学习收敛速度,增强模型对微能源网同质设备的特征提取能力。

10、优选的,所述第二层中每种边类型使用独立的可学习变换矩阵,节点v的异构消息聚合方式为:

11、;

12、其中为关系类型集合,为通过关系与节点相连的邻居节点集合,为关系的专属权重矩阵,为自变换矩阵;耦合节点同时连接电力子图和热力子图,天然成为异构图中的桥梁节点,其表征将同时融合电力侧和热力侧的上下文信息。

13、采用上述技术方案,电力边、热力边、耦合边使用专属权重,区分不同能流的物理传播规律,避免电力、热力信息混叠带来特征失真,耦合节点作为桥梁同时聚合电力子图、热力子图邻居消息,实现跨能域信息融合,该设计充分适配微能源网多能流异质图特性,解决传统方法粗暴合并多能流网络丢失物理差异的问题,显著提升耦合设备节点表征的准确度。

14、优选的,所述第三层中为第t个时间步的图快照,且图快照包含此时的节点运行数据和拓扑连接关系,动态图编码层维护每个节点的隐状态向量,当图结构发生变化时,通过以下门控机制更新节点状态:;

15、;

16、;

17、;

18、其中为更新门、为重置门、为从邻居节点聚合的当前时刻消息、为逐元素乘法,门控机制使节点状态在保持历史信息连续性的同时,平滑适应拓扑变化,实现无需重新训练的即变即用。

19、采用上述技术方案,更新门控制历史状态与当前聚合消息的占比,重置门过滤无效历史信息,当微能源网出现设备投切、开关变位造成拓扑改动,无需重新训练模型,依靠门控机制平滑更新节点隐状态,实现即变即用,适配微能源网动态拓扑频繁变化的运行特点,降低模型重训练开销,保障拓扑变化场景下时序建模连续性。

20、优选的,所述第四层中在获得所有节点的精细表征后,通过图级别读出函数readout生成整个微能源网的全局表征向量,用于系统级态势感知和决策:

21、;

22、readout函数采用注意力池化与set2set池化的混合策略:注意力池化自动学习各节点对全局表征的重要性权重,set2set池化通过lstm有序聚合节点信息以保留节点间的相对重要性排序,混合池化结果拼接后经全连接层降维。

23、采用上述技术方案,注意力池化自动学习各个节点对全网态势的贡献权重,突出关键设备节点,set2set池化借助lstm保留节点之间相对重要性排序,两类池化结果拼接后经全连接降维输出全局表征,兼顾单节点重要性与节点之间的关联顺序,相比单一池化方式可以更全面捕获微能源网系统级涌现特征,为全网态势感知、全局优化决策提供高质量图嵌入输入。

24、优选的,所述应用方法包括以下六大功能模块执行步骤:

25、模块一,拓扑辨识与动态更新步骤:利用gcn输出节点状态预测值与量测值残差开展拓扑错误检测,采用gnn-crf图神经网络条件随机场模型推断隐藏拓扑结构,部署基于边两端节点表征的双线性分类器作为边状态预测器,实时检测联络开关变位、设备并离网拓扑事件;

26、模块二,状态估计与缺失数据补全步骤:利用多头图注意力机制聚合多跳邻居节点信息,对无量测节点做状态估计,基于图结构双向lstm完成时序缺失数据内插、外推补全,利用图拉普拉斯平滑约束识别并修正坏量测数据;

27、模块三,故障诊断与精准定位步骤:计算各节点异常评分,结合空间一致性约束,仅当节点自身与拓扑邻居异常评分同时偏高时判定真实故障,截取故障节点l跳局部子图输入图同构网络gin,依据子图故障纹路完成故障类型分类,基于故障特征向外衰减的梯度场,对全网节点做故障概率评分,输出概率最高节点作为故障定位结果;

28、模块四,图强化学习能流优化调度步骤:以微能源网图快照作为状态输入,gat构成图策略网络输出可控设备调度动作,set2set池化gcn构成图值函数网络评估状态回报,策略网络输出后附加基于图拉普拉斯二次型约束的可微分安全投影层,对越限调度动作施加软约束惩罚;

29、模块五,多微能源网群动态聚类划分步骤:采用weisfeiler-lehman子树核结合最短路径核计算各微能源网之间图核相似度,构建亲和度矩阵;基于拉普拉斯矩阵特征间隙自动确定聚类数量,执行谱聚类得到协同运行子群,当微网拓扑变动超过15%或者能量互补指数下降超过20%,自动触发重新聚类;

30、模块六,图对比学习异常检测预警步骤:对正常运行图样本执行节点丢弃、边扰动、特征掩蔽、子图采样四类图数据增强,构建正负样本对,训练图编码器,在线推理时,计算实时图嵌入与正常样本簇中心马氏距离,超过自适应阈值触发异常预警。

31、采用上述技术方案,将前面四层递阶图神经网络编码单元输出的节点、图级表征落地为工程可用功能,拓扑错误检测、缺失数据补全、故障定位、强化学习调度等任务统一复用同一套图神经网络主干模型,无需为每一个业务单独搭建网络,实现模型权重共享,减少整体开发与训练成本,适配园区综合微能源网全场景运维需求。

32、优选的,所述应用方法还包括模型训练与节点特征构建步骤,所述节点特征矩阵x构建时,电气节点配置十一维电气特征,且十一维电气特征至少包括三相电压、三相电流、有功/无功功率、功率因数、频率和电压不平衡度,热力节点配置五维热力特征,且五维热力特征包含供回水温度、流量、压力、热量,耦合节点融合电气、热力特征并增加耦合效率、燃料消耗率特征,全部节点附加时间戳嵌入与节点类型独热编码;模型采用三阶段渐进训练策略:第一阶段采用图自编码器完成自监督预训练学习图结构先验,第二阶段利用多能流耦合数据对异构图关系感知编码层微调,第三阶段基于图序列样本训练动态图时序演化编码层的门控参数。

33、采用上述技术方案,完备的多维输入特征能够充分带入设备物理运行信息;自监督预训练、异构图微调、动态时序训练分阶段开展,由浅到深完成模型学习,避免直接端到端训练出现过拟合,提升小样本多能流数据集下模型泛化能力,加快整体收敛速度,适配现场采集数据训练场景。

34、优选的,所述故障诊断与精准定位步骤中,故障检测采用空间一致性约束,仅当节点自身异常评分及拓扑邻居异常评分同步偏高时判定真实故障,过滤传感器单点噪声;故障分类截取故障节点l跳局部子图作为输入,利用图同构网络识别子图的故障纹路实现故障类型判别;故障定位依据故障向外衰减的异常梯度场对全网节点做故障概率排序,输出概率最高节点作为故障源;拓扑辨识步骤中边状态预测器采用边两端节点表征的双线性分类器,拓扑事件检测延迟小于100ms。

35、采用上述技术方案,故障诊断模块引入空间一致性约束,只有节点自身与拓扑邻居异常评分同时偏高才判定真实故障,有效滤除传感器单点噪声干扰,降低虚警率,截取l跳局部子图送入gin网络识别故障纹路,实现故障类型判别,依托故障衰减梯度场输出故障源概率排序;拓扑辨识采用双线性边分类器,检测延迟小于100ms,兼顾故障检测可靠性、分类能力与实时性,满足微能源网保护控制的低时延要求,提升现场故障处置效率。

36、优选的,所述多微能源网群动态聚类划分步骤采用weisfeiler-lehman子树核结合最短路径核计算图核相似度,依托拉普拉斯矩阵特征值间隙自动确定聚类数量;当微能源网内部拓扑变动超过15%或者能量互补指数下降超过20%时,自动触发子群重划分;所述图对比学习异常检测预警步骤执行节点丢弃、边扰动、特征掩蔽、子图采样四类图数据增强,在线异常判定以图嵌入相对正常簇中心的马氏距离作为异常评分,阈值基于训练样本距离分布的99分位数自适应生成,并依据嵌入偏离模式区分异常大类。

37、采用上述技术方案,多微能源网群模块采用weisfeiler-lehman子树核结合最短路径核计算图核相似度,通过拉普拉斯特征间隙自动确定聚类数目,无需人工预设集群数量;设置拓扑变动15%、能量互补指数下降20%两个重聚类触发阈值,图对比学习使用四类数据增强构造正负样本,以马氏距离配合99分位数自适应阈值做异常判定。自动适配微网群运行状态变化,区分不同异常模式,减少人工参数调优工作量,提升多微网协同运行的智能化水平。

38、优选的,所述图强化学习能流优化调度步骤中,图策略网络具备置换等变性,节点编号重排对应输出同步重排;可微分安全约束投影层基于图拉普拉斯矩阵二次型约束对越限调度动作施加软约束惩罚,计算复杂度与网络边数呈线性关系o(|e|);训练完成后的图神经网络模型经过知识蒸馏与int8量化实现轻量化压缩,压缩后模型参数量低于0.3m、模型文件小于10mb、推理延迟小于5ms,能够部署运行于armcortex-a系列边缘计算网关。

39、采用上述技术方案,图强化学习调度网络具备置换等变性,节点编号重排输出同步跟随变化,降低节点编号对调度结果的干扰,可微分安全投影层施加软约束惩罚,计算复杂度o(|e|),计算开销可控,通过知识蒸馏+int8量化实现模型轻量化,压缩后参数量低于0.3m、文件小于10mb、推理延迟小于5ms,可部署在armcortex-a边缘网关。打破图神经网络只能运行在服务器的限制,能够下沉到微能源网本地边缘设备,实现就地实时调度,不依赖云端大算力。

40、与现有技术相比,本发明的有益效果是:该基于图神经网络的微能源网统一建模及应用方法,

41、1、原生图结构保留,精度大幅提升,以图为第一公民的表征方式完整保留了微能源网的空间拓扑信息,节点状态估计误差较传统mlp方法降低,故障定位准确率较单点阈值法提升;

42、2、动态拓扑即变即用,动态图神经网络的门控机制使模型在拓扑发生变化时无需重新训练,仅需一次前向传播即可适应新拓扑,适应延迟从传统方案的数小时(重新训练)降至毫秒级,保障了微能源网灵活运行的核心需求;

43、3、多能流统一表征,异构图编码层同时建模电力网、热力网及其耦合关系,避免了独立建模的信息丢失和统一建模的精度损失,在电-热耦合场景下的综合状态估计精度较分别建模方法提升15%-20%;

44、4、精准故障诊断定位,基于故障特征拓扑传播模式的图注意力诊断方法,实现了亚秒级故障检测、>97%的分类准确率和节点级精准定位,高阻接地故障,检出率从传统方法的60%提升至92%;

45、5、图级别全局态势感知,图级别表征学习使系统能够在无人干预的情况下自动感知电压稳定裕度下降、频率同步恶化等系统级风险,预警时间较人工巡检提前15-30分钟,为预防性控制提供时间窗口;

46、6、轻量化可部署,经过知识蒸馏和模型量化后,图神经网络模型可压缩至10mb以下、推理延迟<5ms,支持在armcortex-a系列边缘计算网关上实时运行,满足微能源网边缘侧部署的苛刻资源约束。