基于图卷积多层蒙特卡洛模拟的配电网可靠性评估方法及系统与流程

本发明涉及电力系统及其自动化，具体涉及一种基于图卷积多层蒙特卡洛模拟的配电网可靠性评估方法及系统。

背景技术：

1、随着分布式电源、可控负荷及配电自动化装置在配电网中的广泛接入，现代新型配电网运行方式呈现出拓扑可重构、源荷状态波动显著以及故障处置过程复杂等特点，导致配电网可靠性评估面临更高的计算复杂度。在传统方法中，通常需要在蒙特卡洛模拟过程中对大量随机场景逐一进行故障分析、网络重构与最小切负荷优化求解，虽然该类方法具有较好的物理准确性，但在样本规模较大时，计算时间显著增加，难以满足复杂新型配电网快速评估的需要。

2、为了缓解上述计算负担，现有研究提出了数据驱动的配电网可靠性评估方法。该方法的核心思想是利用神经网络替代求解器，通过端到端映射加速大规模模拟场景下的拓扑重构和最小切负荷计算。此外，有学者直接训练神经网络学习不同电网状态下的可靠性指标映射关系，从而实现可靠性指标的快速计算。然而，数据驱动的配电网可靠性评估方法有两个关键瓶颈阻碍了其在工程实践中的应用。第一，配电网重构引起的动态拓扑变化会产生高度异构的图结构，而传统的图谱卷积或空间卷积的图卷积神经网络（gcnn）往往难以在所有网络拓扑状态下精准提取特征，进而计算切负荷结果。第二，神经网络模型的“黑箱”特性导致其预测结果缺乏可信度。因此，基于神经网络的配电网可靠性评估方法难以应用于实际电网。

3、综上所述，亟需研发一种保障配电网可靠性智能评估结果精确性的方法，让可靠性神经网络评估不局限于训练样本场景，能够对新型配电网海量场景进行精确评估，保障评估结果的可信度。

技术实现思路

1、本发明为了解决现有配电网可靠性评估方法因在不同场景下新型配电网可靠性智能评估结果不精准，导致评估结果可信度不足的技术问题，提出了一种基于图卷积多层蒙特卡洛模拟的配电网可靠性评估方法及系统。

2、为了解决上述技术问题，本发明采用的技术方案为：基于图卷积多层蒙特卡洛模拟的配电网可靠性评估方法，包括以下步骤：

3、步骤s1、对配电网运行状态的不确定性因素进行随机场景建模与模拟抽取，生成样本集；不确定性因素至少包括负荷随机性波动、分布式电源出力波动以及元件故障状态；

4、步骤s2、将样本集输入至经训练的图卷积神经网络模型中，获得各负荷节点是否失电的预测供电状态；

5、步骤s3、基于预测的各负荷节点是否失电的离散状态，执行第一层蒙特卡洛模拟评估，获取配电网的第一可靠性指标；

6、步骤s4、对部分所述随机场景求解最小切负荷模型，获得各负荷节点是否失电的精确供电状态；

7、步骤s5、根据所述预测供电状态与所述精确供电状态之间的偏差，执行第二层蒙特卡洛模拟评估，获取神经网络评估的配电网可靠性指标误差修正量；

8、步骤s6、利用所述误差修正量对所述第一可靠性指标进行修正，得到第二可靠性指标。

9、进一步，负荷随机性波动的建模方式为：将各负荷节点的有功负荷和无功负荷视为随机变量，基于负荷节点的基础负荷建立概率分布模型，生成不同场景下的节点负荷取值，多个节点负荷取值组成节点负荷取值向量；

10、分布式电源出力波动的建模方式为：根据外部环境变量建立概率模型，结合外部环境变量与分布式电源有功出力之间的映射关系，生成各随机场景下的电源注入功率，多个电源注入功率组成电源注入功率向量；

11、元件故障状态的建模方式为：根据元件故障率或停运状态参数进行随机抽样，形成故障状态向量。

12、进一步，步骤s2中，图卷积神经网络模型的训练步骤包括：

13、步骤s21、构建训练样本集，训练样本集的输入特征为生成的节点负荷取值向量、电源注入功率向量和故障状态向量，求解各训练样本输入特征对应的样本标签，所述样本标签通过求解最小切负荷模型获得；

14、步骤s22、利用所述训练样本集对图卷积神经网络模型进行训练，以建立配电网运行状态与负荷供电状态之间的映射关系，得到各负荷节点是否失电的预测供电状态。

15、进一步，第一可靠性指标的获取采用第一层蒙特卡洛模拟；误差修正量的获取采用第二层蒙特卡洛模拟；其中，第一层蒙特卡洛模拟的样本数量大于第二层蒙特卡洛模拟的样本数量。

16、进一步，步骤s3中，执行第一层蒙特卡洛模拟，利用训练后的图卷积神经网络模型对多个随机场景进行快速推理，获得第一可靠性指标。

17、进一步，图卷积神经网络模型包括多个图卷积神经网络，采用不同的节点特征聚合方式构建多个图卷积神经网络；

18、误差修正量的获取包括以下步骤：

19、分别计算各图卷积神经网络的预测供电状态与精确供电状态之间的偏差，获得各图卷积神经网络对应的预测误差修正量；

20、输出收敛最快的误差修正量。

21、进一步，最小切负荷模型为考虑拓扑重构优化的最小切负荷模型。

22、一种执行上述所述的基于图卷积多层蒙特卡洛模拟的配电网可靠性评估方法的基于图卷积多层蒙特卡洛模拟的配电网可靠性评估系统，包括：

23、样本构建模块，用于对配电网运行状态的不确定性因素进行随机场景建模与模拟抽取，生成样本集；不确定性因素至少包括负荷随机性波动、分布式电源出力波动以及元件故障状态；

24、神经网络评估模块，包含经训练的图卷积神经网络模型，用于根据输入的样本集输出各负荷节点是否失电的预测供电状态，并基于所述预测供电状态计算第一可靠性指标；

25、精确评估模块，用于对部分所述随机场景求解最小切负荷模型，获得各负荷节点的精确供电状态；

26、误差修正模块，用于根据所述预测供电状态与所述精确供电状态之间的偏差获取误差修正量，并利用所述误差修正量对所述第一可靠性指标进行修正，得到第二可靠性指标。

27、进一步，图卷积神经网络模型，包括：

28、输入层，用于接收配电网运行状态的输入特征，输入特征至少包括负荷随机性波动、分布式电源出力波动以及元件故障状态；

29、多个堆叠的图卷积层，每一图卷积层包括：

30、节点特征聚合模块，用于根据配电网的图拓扑结构对邻域节点特征进行聚合；

31、节点特征卷积模块，与所述节点特征聚合模块连接，用于对聚合后的特征进行图卷积计算；

32、全连接层模块，与最后一个图卷积层连接，用于输出各负荷节点是否失电的离散供电状态预测向量。

33、进一步，节点特征聚合模块采用以下任一种或多种方式构造：基于谱图理论的聚合方式、基于邻接关系的聚合方式、基于电力系统阻抗矩阵的聚合方式、基于潮流方程推导的聚合方式。

34、本发明相对于现有技术具备的有益效果有：

35、1、本发明方法利用图卷积神经网络对大量随机场景进行快速推理，获得第一可靠性指标，再通过少量精确求解对图卷积神经网络误差进行修正，在保持计算精度的同时显著提高评估效率。

36、2、本发明方法及系统通过将可靠性指标分解为神经网络评估结果与误差期望两部分。即使神经网络存在预测误差，通过误差修正仍能获得精确的可靠性指标，且神经网络精度只会影响评估速度，不会影响最终结果的准确性。

37、3、本发明方法及系统通过构建多种节点特征聚合方式的图卷积神经网络，分别计算各图卷积神经网络的预测供电状态与精确供电状态之间的偏差，获得各图卷积神经网络对应的误差修正量，通过利用收敛最快的误差修正量对第一可靠性指标进行修正，得到第二可靠性指标，进一步提升了评估效率。

38、4、本发明方法及系统采用图卷积神经网络作为代理模型，能够利用配电网的图拓扑结构进行特征聚合，有效提取负荷节点之间的拓扑关联信息以及运行状态的空间耦合特征，提升模型对不同网络拓扑和不同故障场景的适应能力。