一种基于通道注意力多尺度卷积的新能源输电网络风险评估方法

本发明属于新能源电力系统风险评估与人工智能电网安全分析，尤其涉及一种基于通道注意力多尺度卷积的新能源输电网络风险评估方法。

背景技术：

1、随着风电、光伏等新能源在输电网络中的接入比例不断提高，新能源出力的随机性、波动性与负荷变化相互叠加，使线路潮流分布、节点电压水平以及局部拓扑风险随运行场景发生变化。现有新能源输电网络风险评估通常采用确定性越限判据、概率风险分析或者基于神经网络的数据驱动方法，并通过随机抽样构造风电、光伏和负荷扰动场景，再依据线路负载率、电压偏差或网络结构指标评价节点或线路的运行风险。

2、然而，现有方法仍存在以下不足：随机抽样产生的场景可能存在重复度较高或随机空间覆盖不足的问题，增加潮流计算和模型训练负担；仅采用线路越限、电压越限或单一结构指标，难以同时表征新能源扰动引起的潮流转移、节点电压变化、拓扑脆弱性及局部风险传播关系；采用固定权重对多维风险指标进行融合时，难以兼顾客观统计差异与模型训练过程中不同指标对风险识别结果的实际贡献；常规图卷积通常按照预设邻域直接聚合节点特征，未充分考虑邻域节点在网络连接程度上的差异，也难以将节点排序关系稳定地引入后续特征处理；此外，单一尺度的图特征提取难以同时反映中心节点附近的局部异常和较大邻域范围内的风险耦合，因而有必要形成一种能够结合典型场景、多维风险指标、局部拓扑排序以及多尺度特征提取的新能源输电网络风险评估方案。

技术实现思路

1、本发明的目的在于提供一种基于通道注意力多尺度卷积的新能源输电网络风险评估方法，以改善新能源高比例接入条件下运行场景表达、风险指标自适应加权、局部拓扑特征组织以及多尺度风险特征提取方面存在的不足。

2、为实现上述目的，本发明提供一种基于通道注意力多尺度卷积的新能源输电网络风险评估方法，包括：获取新能源输电网络的拓扑数据、支路运行数据、节点运行数据、风电出力数据、光伏出力数据和负荷数据，根据新能源渗透率以及风电出力和光伏出力的间歇性强度构建运行工况，并生成各运行工况对应的典型运行场景；在各典型运行场景下进行潮流计算，获得潮流承载、电压安全和结构脆弱性对应的基础风险指标，对基础风险指标进行正向化和归一化，根据信息熵获得基础客观先验权重，并根据基础客观先验权重对归一化的基础风险指标进行加权汇总，得到节点初始风险量；根据节点初始风险量计算邻域风险集聚度、节点风险波动系数和邻域风险差异度，并将所得局部耦合与不确定性传播风险指标与基础风险指标共同构成节点—风险指标特征矩阵；根据节点—风险指标特征矩阵中各风险指标的信息熵获得客观先验权重，设置初始值为1且维数与风险指标数量相同的可训练风险指标门控向量，将客观先验权重与可训练风险指标门控向量逐元素相乘，得到熵权门控权重；针对每一中心节点，将其直接邻居节点按照节点度值降序排列，选取排序在前的至多l个直接邻居节点，与中心节点构成局部子图，按照中心节点在前、所选直接邻居节点按节点度值降序排列的方式形成局部节点序列，并根据局部子图的拓扑连接关系构造归一化排序邻接矩阵；按照局部节点序列从节点—风险指标特征矩阵中提取局部节点—风险指标特征矩阵，并利用熵权门控权重进行加权；将加权后的局部节点—风险指标特征矩阵和归一化排序邻接矩阵输入多尺度通道注意力图卷积网络，对局部子图节点特征进行图卷积传播，沿局部节点序列对应的节点维度进行不同尺度的并行特征提取，将不同尺度的特征沿特征通道维度进行拼接，对拼接后的特征通道进行注意力重标定，从重标定后的特征中提取中心节点对应特征，并输出中心节点的连续风险得分；其中，可训练风险指标门控向量在多尺度通道注意力图卷积网络的训练过程中根据模型损失与网络参数同步更新。

3、进一步地，新能源渗透率根据风电额定装机容量与光伏额定装机容量之和相对于系统峰值负荷的比例确定；风电出力系数和光伏出力系数分别具有第一波动区间和第二波动区间，第二波动区间中风电出力系数的区间宽度和光伏出力系数的区间宽度分别大于第一波动区间中对应的区间宽度；第一波动区间对应弱间歇运行工况，第二波动区间对应强间歇运行工况。

4、进一步地，生成典型运行场景包括：分别对风电出力、光伏出力和负荷水平的累积分布区间进行等概率分层，以各分层区间的中值累积概率作为抽样概率，通过对应随机变量的逆分布函数获得样本值；分别对风电出力样本序列、光伏出力样本序列和负荷水平样本序列进行随机置换并组合，形成初始联合扰动场景；采用同步回代法对初始联合扰动场景进行整体缩减，得到典型运行场景及其对应的场景概率。

5、进一步地，所述基础风险指标包括线路负载率、功率越限风险指数、潮流转移冲击度、电压越限风险指数、改进电压稳定性指标、节点度中心性和电气介数；所述局部耦合与不确定性传播风险指标包括邻域风险集聚度、节点风险波动系数和邻域风险差异度；其中，将与目标节点相邻的各支路对应的支路类风险指标的均值映射至目标节点，将节点类风险指标作为相应节点的风险指标特征。

6、进一步地，潮流转移冲击度根据典型运行场景下节点关联线路的有功潮流相对于基准运行状态的变化量以及相应线路的最大允许传输功率确定；改进电压稳定性指标根据节点实际电压、节点额定电压和节点允许电压极限确定；节点初始风险量由归一化的基础风险指标按照基础客观先验权重进行加权汇总得到，且不包含多尺度通道注意力图卷积网络的输出结果；邻域风险集聚度根据按照节点度值排序选取的邻域节点的初始风险量确定；节点风险波动系数根据节点在各典型运行场景下的初始风险量、各典型运行场景的场景概率以及节点初始风险量的概率加权平均值确定；邻域风险差异度根据中心节点与所选邻域节点之间的初始风险量差异确定。

7、进一步地，针对每一典型运行场景，根据该典型运行场景下各风险指标在不同节点之间的归一化取值差异计算各风险指标的信息熵，并根据各风险指标的信息熵确定客观先验权重；将客观先验权重与可训练风险指标门控向量中位置对应的元素逐一相乘，形成各风险指标对应的加权系数；利用各风险指标对应的加权系数对局部节点—风险指标特征矩阵中的相应风险指标列进行加权。

8、进一步地，直接邻居节点的节点度值为与该直接邻居节点直接连接的支路数量；当直接邻居节点数量大于l时，选取排序在前的l个直接邻居节点，当直接邻居节点数量不大于l时，选取全部直接邻居节点；将中心节点排列在局部节点序列的首位，将所选直接邻居节点按照节点度值降序依次排列在中心节点之后，并根据局部节点序列中各节点之间的实际拓扑连接关系构造排序邻接矩阵；节点度排序同时用于确定局部子图的节点集合以及多尺度特征提取的输入排列顺序。

9、进一步地，多尺度通道注意力图卷积网络包括图卷积传播层、多尺度卷积层、通道注意力层和输出层；图卷积传播层根据归一化排序邻接矩阵对局部子图中的节点特征进行传播聚合；多尺度卷积层包括至少两个卷积核尺度不同的并行卷积分支，各并行卷积分支沿按照局部节点序列排列的节点维度执行特征提取，并将各并行卷积分支的输出沿特征通道维度进行拼接；通道注意力层对拼接后的特征进行全局平均池化和全连接门控，生成多尺度特征通道注意力权重，并利用多尺度特征通道注意力权重对拼接后的特征进行逐通道重标定。

10、进一步地，可训练风险指标门控向量为利用不同典型运行场景和不同中心节点对应的训练样本共同训练得到的全局参数；训练样本的参考风险值由相应中心节点的归一化基础风险指标按照对应的客观先验权重进行加权汇总得到；模型损失为多尺度通道注意力图卷积网络输出的连续风险得分与参考风险值之间的均方误差；在模型训练开始时，可训练风险指标门控向量的各元素均为1，在模型训练过程中，可训练风险指标门控向量根据模型损失与多尺度通道注意力图卷积网络的网络参数同步更新，并在模型训练完成后固定使用；输出层从通道注意力重标定后的特征中提取中心节点对应特征，并对中心节点对应特征进行映射，得到相应典型运行场景下中心节点的连续风险得分。

11、进一步地，采用分段线性隶属度函数分别确定中心节点的连续风险得分属于低风险等级、中风险等级和高风险等级的隶属度，在相邻风险等级之间设置线性过渡区间，并依据最大隶属原则，将隶属度最大的风险等级确定为中心节点在相应典型运行场景下的风险等级。

12、与现有技术相比，本发明具有以下有益效果：

13、（1）本发明采用中值拉丁超立方抽样生成风电、光伏和负荷的联合扰动场景，并通过同步回代法对初始场景进行整体缩减，在保持不同随机变量分层覆盖关系的同时减少重复场景，从而降低后续潮流计算和模型训练所需处理的场景数量。

14、（2）本发明构建包括潮流承载风险、电压安全风险、结构脆弱性风险以及局部耦合与不确定性传播风险的节点—风险指标特征矩阵，并通过潮流转移冲击度、改进电压稳定性指标、邻域风险集聚度、节点风险波动系数和邻域风险差异度表征新能源扰动下的潮流变化、电压状态及局部风险关系，使风险输入特征能够覆盖输电网络的多种运行特性。

15、（3）本发明将信息熵法得到的客观先验权重与可训练风险指标门控向量逐元素结合，使模型在保留各风险指标客观差异信息的基础上，根据训练目标修正不同风险指标的作用程度，减少完全依赖固定权重的问题。

16、（4）本发明按照直接邻居节点的节点度值进行排序和筛选，将中心节点排列在局部节点序列首位，并依据实际拓扑连接关系构造排序邻接矩阵，使连接程度较高的邻域节点在局部子图构造和后续特征提取过程中得到稳定表达，有利于保留关键节点及关键输电通道的局部拓扑信息。

17、（5）本发明在图卷积传播后，沿排序后的局部节点维度进行不同尺度的并行特征提取，并将各尺度特征沿特征通道维度拼接后进行通道注意力重标定，由此能够同时表达中心节点附近的局部异常特征和较大邻域范围内的风险耦合特征，并有利于抑制对风险判断贡献较低的特征通道。

18、（6）本发明从通道注意力重标定后的特征中提取中心节点对应特征，输出连续风险得分，再通过分段线性隶属度函数确定低风险、中风险和高风险等级，使风险评价结果既保留连续数值所反映的风险差异，又能够形成便于运行分析的风险等级结果。