基于图神经网络与时空变换的电力系统暂态稳定评估方法及系统与流程

本发明属于人工智能技术与电力系统安全稳定分析，尤其涉及一种基于图神经网络与时空变换的电力系统暂态稳定评估方法及系统。

背景技术：

1、随着新型电力系统建设进程加快，高比例可再生能源并网以及电力电子设备的大规模接入，电网的动态特性日趋复杂，运行方式更加灵活多变。暂态稳定评估作为保障电网安全运行的关键环节，需要在故障发生后快速、准确地判断系统是否能够保持同步运行，为紧急控制决策提供核心支撑。当前电力系统的规模不断扩大，运行状态时空耦合程度加深，对暂态稳定评估的精度与速度提出了更高要求，亟需发展能够适应复杂动态特性的高效评估手段。

2、在现有技术中，传统暂态稳定评估主要依赖时域仿真法，通过数值积分求解高维微分代数方程组来模拟系统故障后的动态响应。近年来，数据驱动方法尤其是深度学习技术被广泛引入该领域。例如专利cn120724668a公开了一种基于时空图卷积网络的电力系统暂态稳定评估方法，先利用随机森林与大蔗鼠算法进行混合特征筛选，再通过时空图卷积网络同时捕捉电网拓扑与暂态过程的时间动态特性。

3、然而，上述现有方法仍存在明显不足。一方面，它对故障后暂态过程中多源信息（如稳态运行量、暂态响应轨迹、故障位置与类型等）的融合深度不够，难以充分刻画故障动态过程的时空耦合特性。另一方面，现有模型在提取电网拓扑的空间结构与暂态过程的时间演化规律时，往往采用相对独立的模块或简化的图卷积操作，对长距离依赖与非欧几里得空间下的复杂时空关联挖掘能力有限，导致在部分工况下评估精度下降，泛化能力不足。

技术实现思路

1、发明目的：本发明的目的是提供一种基于图神经网络与时空变换的电力系统暂态稳定评估方法及系统，能够深度融合多源信息、精细刻画故障动态过程，并有效挖掘电力系统中非欧几里得空间，以缓解现有模型评估精度不足与泛化能力弱的问题。

2、技术方案：本发明所述的基于图神经网络与时空变换的电力系统暂态稳定评估方法，包括以下步骤：

3、s1、利用仿真软件获取电力系统在不同故障场景下的暂态响应原始样本，从中提取节点潮流特征、多阶段拓扑邻接矩阵、故障节点信息、故障起止时间参数及暂态时序轨迹曲线数据，进行归一化预处理，将所述多阶段拓扑邻接矩阵转换为边索引格式，并根据所述暂态时序轨迹曲线数据生成对应的时间掩码；

4、s2、构建图transformer网络，将所述节点潮流特征以及故障前、故障中、故障清除后对应的多阶段边索引输入至图transformer网络，通过多头注意力机制捕捉各阶段节点与其邻接节点的长程关联，利用全局平均池化操作，分别将故障前、故障中、故障清除后三个阶段的节点特征聚合为对应的图级特征，再将所述三个阶段的图级特征进行拼接，输出全局空间特征向量；

5、s3、构建图同构网络，将所述节点潮流特征及多阶段边索引同步输入至图同构网络中，通过注入式邻域聚合策略融合节点自身与邻域特征，以对各阶段的节点特征进行更新，利用全局平均池化操作分别将故障前、故障中、故障清除后三个阶段更新后的节点特征聚合为对应的图级同构特征，再将三个阶段的图级同构特征进行拼接，输出局部结构特征向量；

6、s4、构建双分支时空变换器网络，将所述暂态时序轨迹曲线数据和时间掩码输入至双分支时空变换器网络；在频域分支中，通过快速傅里叶变换将数据转换至频域进行特征交互，再经快速傅里叶逆变换及第一transformer编码器提取频域上下文特征；在时域分支中，通过空间嵌入及第二transformer编码器利用自注意力机制捕捉长时序依赖关系；将频域分支与时域分支的输出特征进行元素级相加，再经时间维度平均池化，输出时空动态特征向量；

7、s5、将所述故障起止时间参数和故障节点信息分别通过线性层映射为时间特征向量和故障位置特征向量，并与所述全局空间特征向量、局部结构特征向量、时空动态特征向量进行拼接，构建全局综合特征向量输入至由多层感知机构成的分类器中，通过sigmoid激活函数输出暂态稳定概率值，将暂态稳定概率值与预设阈值进行比较，若暂态稳定概率值大于或等于阈值则判定为暂态稳定，否则判定为暂态不稳定，输出稳定性评估结果。

8、本发明通过步骤s1的多阶段拓扑建模与时间掩码生成，为电力系统非欧几里得空间特征与故障动态过程的精细化刻画奠定了基础；步骤s2的图transformer利用多头注意力机制捕捉节点间的长程空间关联，步骤s3的图同构网络通过注入式邻域聚合提取局部拓扑结构特征，两者结合能够从不同维度融合全局与局部空间信息，有效缓解单一模型对复杂电力系统空间依赖挖掘不足的问题；步骤s4的双分支时空变换器通过频域与时域分支分别提取频域上下文和长时序依赖关系，显著增强了对暂态过程中动态演化规律的捕捉能力；步骤s5融合故障时间、位置及多源特征向量构建综合评估框架，进一步提升了评估对故障场景变化的适应性。整体上，该方法能够深度融合多源异构信息、精细刻画故障前后不同阶段的时空动态过程，从而有效缓解现有模型在评估精度与泛化能力方面的不足。

9、优选的，步骤s1中：

10、设定故障开始时刻为固定时刻，并构建电力系统中各母线节点三相短路故障与不同故障切除时间相组合的故障场景；

11、提取各故障场景下的节点电压幅值、节点电压相角、节点有功功率注入及节点无功功率注入作为节点潮流特征，并提取故障前、故障中及故障清除后对应的拓扑邻接矩阵；

12、对暂态响应原始样本执行数据格式转换、异常值处理及z-score归一化处理，消除量纲差异与噪声干扰；

13、将各阶段拓扑邻接矩阵转换为边索引edge_index格式，构建适用于图神经网络处理的图结构数据。

14、优选步骤s1通过设定固定故障开始时刻并组合三相短路故障与不同切除时间，能够系统构建多样化的故障场景，有效增强样本对实际暂态过程的覆盖能力；提取节点电压、相角、功率注入等多维潮流特征，并结合故障前、中、后三个阶段的拓扑邻接矩阵，可为后续网络提供丰富的空间与状态信息；进一步执行格式转换、异常值处理及z-score归一化，有助于缓解原始数据中量纲差异与噪声干扰对模型学习的不利影响；将各阶段拓扑邻接矩阵统一转换为边索引格式，能够构建适配图神经网络输入的图结构数据，从而为模型高效挖掘电力系统非欧几里得空间依赖关系提供有力支撑。

15、优选的，步骤s2所述的图transformer网络包括两层堆叠的多头transformerconv层，且每层transformerconv层后接layernorm层和relu激活函数；将节点潮流特征以及故障前、故障中、故障清除后对应的边索引分别输入图transformer网络，通过多头注意力机制对节点特征与邻接节点特征进行映射与交互，对每个图分别经全局平均池化得到图级特征后，再将三组图级特征在特征维度上拼接，得到图transformer网络输出特征。

16、优选的步骤s2通过堆叠两层多头transformerconv层，并配合layernorm与relu激活函数，能够增强图transformer网络对节点间长程空间依赖的建模深度与训练稳定性；将各阶段边索引与节点潮流特征分别输入网络，利用多头注意力机制对节点自身与邻接节点特征进行充分映射与交互，有助于缓解传统图网络对远距离节点关联捕捉不足的问题；对各阶段分别进行全局平均池化后再拼接图级特征，可使网络有效保留故障前、中、清除后不同阶段的空间语义差异，从而为后续评估提供更为丰富的全局空间表征。

17、优选的，步骤s3所述的图同构网络包括两层ginconv层，每层ginconv层内部包含多层感知机；将节点潮流特征以及故障前、故障中、故障清除后对应的边索引分别输入图同构网络，通过注入式邻域聚合策略融合节点自身特征与邻域特征，对每层输出经relu激活后，采用全局平均池化分别获得三组图级同构特征，并将三组图级同构特征拼接，得到图同构网络输出特征。

18、优选的步骤s3通过构建两层ginconv层并在每层内部引入多层感知机，能够增强图同构网络对局部拓扑结构的非线性拟合能力；将各阶段边索引与节点潮流特征分别输入网络，借助注入式邻域聚合策略对节点自身特征与邻域特征进行深度融合，有助于缓解传统图卷积方法在区分不同邻域结构时判别力不足的问题；对各阶段输出经relu激活与全局平均池化后拼接图级同构特征，可有效保留故障前、中、清除后不同阶段的局部结构差异，从而为暂态稳定评估提供更为精细的局部空间表征。

19、优选的，步骤s4所述的频域分支包括：将所述暂态时序轨迹曲线数据输入频域分支后，通过嵌入层将其映射为高维特征序列，对所述高维特征序列进行快速傅里叶变换，将时域特征序列转换至频域，得到复数形式的频域特征张量；将所述复数形式的频域特征张量拆分为实部张量和虚部张量，并在特征维度上进行拼接；将拼接后的实部与虚部特征通过线性滤波器进行频域特征过滤与交互；将滤波后的特征重新组合为复数形式的频域特征张量，并执行快速傅里叶逆变换，将信号恢复至时域；对逆变换后的结果取模，加入频率嵌入向量，通过第一transformer编码器提取频域上下文特征。

20、优选的步骤s4中频域分支通过嵌入层将暂态时序轨迹映射为高维特征序列，并利用快速傅里叶变换转换至频域，有助于将时域中难以直接捕捉的周期性或隐式频率模式显式表达；通过拆分实部与虚部并进行拼接、经线性滤波器实现频域特征过滤与交互，能够有效缓解传统时域建模对频率信息利用不足的问题；重新组合复数特征后执行逆变换并取模，再结合频率嵌入向量与第一transformer编码器提取上下文特征，可进一步增强模型对暂态过程中不同频率成分动态变化特性的挖掘能力。

21、优选的，步骤s4中的时域分支与双分支融合包括：所述时域分支将暂态时序轨迹曲线数据通过空间嵌入层映射后，直接输入至独立的第二transformer编码器中，利用自注意力机制捕捉序列中的长距离依赖关系；将所述频域分支输出的频域上下文特征与所述时域分支输出的时域依赖特征进行元素级相加；将相加后的特征依次经过线性层和快速傅里叶逆变换进行特征整合；对时间维度进行平均池化操作，得到定长的时空动态特征向量。

22、优选的步骤s4中时域分支通过空间嵌入层映射后直接输入独立的第二transformer编码器，能够利用自注意力机制有效捕捉暂态时序轨迹中的长距离依赖关系，缓解传统序列模型在长时间尺度上信息衰减的问题；将频域分支输出的频域上下文特征与时域分支输出的时域依赖特征进行元素级相加，有助于融合两类不同视角的动态信息；进一步通过线性层与快速傅里叶逆变换整合特征，并对时间维度进行平均池化得到定长向量，可使最终输出的时空动态特征在保留关键动态模式的同时具备统一的维度表达。

23、优选的，步骤s5包括：

24、将故障开始时间和故障结束时间拼接，通过第一线性层映射为时间特征向量；将故障节点的独热编码向量通过第二线性层映射为故障位置特征向量；将所述时间特征向量、故障位置特征向量、全局空间特征向量、局部结构特征向量、时空动态特征向量在特征维度上进行拼接，得到全局综合特征向量；将所述全局综合特征向量输入至由多层感知机构成的分类器中，经sigmoid激活函数输出介于0和1之间的暂态稳定概率值；将所述暂态稳定概率值与预设阈值进行比较，若暂态稳定概率值大于或等于所述预设阈值则判定为暂态稳定，否则判定为暂态不稳定。

25、优选的步骤s5通过将故障起止时间经线性层映射为时间特征向量，并将故障节点的独热编码映射为位置特征向量，能够显式引入故障发生时刻、持续时间及空间位置等关键先验信息，缓解模型对故障场景变化敏感性不足的问题；将时间、位置、全局空间、局部结构与时空动态五类特征在特征维度上拼接，形成综合特征向量，有助于融合多源异构信息以丰富评估依据；最终经多层感知机与sigmoid激活输出暂态稳定概率，并与预设阈值比较得出判定结果，可增强评估决策的可解释性与对不同故障条件的适应性。

26、优选的，所述方法还包括模型训练与验证步骤：

27、将所述暂态响应原始样本划分为训练集和验证集；在训练阶段采用adam优化器对模型进行迭代优化，并设置学习率和权重衰减参数；采用二元交叉熵损失函数计算模型预测输出与真实标签之间的误差；每次迭代中清空梯度，计算损失的反向传播，并应用梯度裁剪以防止梯度爆炸，更新模型参数；在每个训练周期结束后，使用验证集评估模型性能，计算验证准确率，当验证准确率超过当前最佳记录时，保存当前模型参数作为最佳模型。

28、优选的模型训练与验证步骤通过划分训练集与验证集，能够为模型性能评估提供独立的数据支撑，有助于缓解过拟合风险；采用adam优化器并结合学习率与权重衰减参数，可促进模型在迭代过程中平稳收敛；利用二元交叉熵损失函数计算预测与真实标签之间的误差，配合梯度裁剪操作，有助于缓解梯度爆炸问题对训练稳定性的不利影响；在每个训练周期后基于验证准确率保存最佳模型参数，可有效保留泛化能力较优的模型状态，为后续评估提供更可靠的参数基础。

29、优选的，所述方法还包括预测与结果分析步骤：

30、加载训练好的最佳模型的参数，使用独立的测试集对模型进行性能评估；将分类器输出的暂态稳定概率值与预设阈值进行比较，转换为二值类别；计算评估指标，所述评估指标包括准确率、精确率、召回率和f1分数中的至少一种；绘制训练过程中的损失下降曲线和准确率上升曲线以分析模型收敛情况，并绘制混淆矩阵以展示模型在不同类别上的预测分布。

31、优选的预测与结果分析步骤通过加载最佳模型参数并在独立测试集上进行评估，有助于客观衡量模型对未知场景的泛化表现；将暂态稳定概率值与预设阈值比较转化为二值类别，配合准确率、精确率、召回率及f1分数等多维度指标，可更全面地反映模型在各类别上的预测能力；绘制损失下降曲线与准确率上升曲线，便于直观分析模型训练过程中的收敛趋势，而混淆矩阵能够展示预测结果的类别分布情况，有助于识别模型在稳定与不稳定样本上的判别倾向，为进一步优化提供参考依据。

32、第二方面，本发明所述的基于图神经网络与时空变换的电力系统暂态稳定评估系统，包括：

33、数据预处理与图结构转换模块，用于利用仿真软件获取电力系统在不同故障场景下的暂态响应原始样本，从中提取节点潮流特征、多阶段拓扑邻接矩阵、故障节点信息、故障起止时间参数及暂态时序轨迹曲线数据，进行归一化预处理，将所述多阶段拓扑邻接矩阵转换为边索引格式，并根据所述暂态时序轨迹曲线数据生成对应的时间掩码；

34、图transformer网络模块，用于将所述节点潮流特征以及故障前、故障中、故障清除后对应的多阶段边索引输入至图transformer网络，通过多头注意力机制捕捉各阶段节点与其邻接节点的长程关联，利用全局平均池化操作分别将故障前、故障中、故障清除后三个阶段的节点特征聚合为对应的图级特征，再将所述三个阶段的图级特征进行拼接，输出全局空间特征向量；

35、图同构网络模块，用于将所述节点潮流特征及多阶段边索引同步输入至图同构网络中，通过注入式邻域聚合策略融合节点自身与邻域特征，以对各阶段的节点特征进行更新，利用全局平均池化操作分别将故障前、故障中、故障清除后三个阶段更新后的节点特征聚合为对应的图级同构特征，再将三个阶段的图级同构特征进行拼接，输出局部结构特征向量；

36、时空变换器网络模块，用于将所述暂态时序轨迹曲线数据和时间掩码输入至双分支时空变换器网络；在频域分支中，通过快速傅里叶变换将数据转换至频域进行特征交互，再经快速傅里叶逆变换及第一transformer编码器提取频域上下文特征；在时域分支中，通过空间嵌入及第二transformer编码器利用自注意力机制捕捉长时序依赖关系；将频域分支与时域分支的输出特征进行元素级相加，再经时间维度平均池化，输出时空动态特征向量；

37、特征融合与分类模块，用于将所述故障起止时间参数和故障节点信息分别通过线性层映射为时间特征向量和故障位置特征向量，并与所述全局空间特征向量、局部结构特征向量、时空动态特征向量进行拼接，构建全局综合特征向量输入至由多层感知机构成的分类器中，通过sigmoid激活函数输出暂态稳定概率值，将暂态稳定概率值与预设阈值进行比较，若暂态稳定概率值大于或等于阈值则判定为暂态稳定，否则判定为暂态不稳定，输出稳定性评估结果；

38、模型训练与验证模块，用于将所述暂态响应原始样本划分为训练集和验证集，在训练阶段采用adam优化器对模型进行迭代优化，设置学习率和权重衰减参数，采用二元交叉熵损失函数计算模型预测输出与真实标签之间的误差，每次迭代中清空梯度、计算损失的反向传播并应用梯度裁剪，更新模型参数，在每个训练周期结束后使用验证集评估模型性能，计算验证准确率，当验证准确率超过当前最佳记录时保存当前模型参数作为最佳模型；

39、模型预测与结果分析模块，用于加载训练好的最佳模型的参数，使用独立的测试集对模型进行性能评估，将分类器输出的暂态稳定概率值与预设阈值进行比较转换为二值类别，计算评估指标，所述评估指标包括准确率、精确率、召回率和f1分数中的至少一种，并绘制训练过程中的损失下降曲线和准确率上升曲线以分析模型收敛情况，绘制混淆矩阵以展示模型在不同类别上的预测分布。

40、第三方面，本发明还提供一种计算机设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行所述的基于图神经网络与时空变换的电力系统暂态稳定评估方法的计算机程序。

41、第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于图神经网络与时空变换的电力系统暂态稳定评估方法。

42、有益效果：与现有技术相比，本发明具有如下显著优点：1、本发明融合节点潮流、多阶段拓扑、故障时间与位置及暂态时序轨迹等多源数据，利用图transformer、图同构网络和双分支时空变换器分别提取全局空间、局部结构和时空动态特征，精细刻画故障前中后动态过程并挖掘非欧几里得空间结构，缓解了现有模型评估精度不足与泛化能力弱的问题；2、通过图transformer的多头注意力机制与图同构网络的注入式邻域聚合，分别捕捉长程关联与局部结构特征，增强了对电力系统拓扑空间依赖的表征能力；3、双分支时空变换器在频域经傅里叶变换增强周期性交互，在时域利用自注意力捕捉长时序依赖，两者融合后充分提取暂态过程的时序演化规律；4、将故障起止时间和故障节点信息编码后与全局、局部、时空特征拼接，构建全局综合特征向量，提升了模型对异构信息的融合能力与不同故障场景下的泛化性能。