基于多拓扑差分融合图卷积的海上风电场运行可靠性评估方法

本发明涉及电力系统风险评估与运行优化，特别是涉及一种基于多拓扑差分融合图卷积的海上风电场运行可靠性评估方法。

背景技术：

1、随着海上风电向深远海、大容量和集群化方向发展，海上风电场场站内部的风电机组、集电线路、海底电缆及变电设备数量持续增加，集电网络范围和功率汇集路径更加复杂。同时，海上设备长期处于盐雾、潮湿、腐蚀和强风浪等恶劣环境中，其故障率、维修可达性和恢复时间均会影响场站可用水平。海上风电场内部主要承担风电功率汇集与外送任务，设备故障不仅可能导致局部送出通道中断，还可能触发故障隔离和备用馈线重构，使故障后的网络连接关系和功率传输路径发生变化。总体而言，海上风电场受不确定风速、设备故障、网络约束和拓扑重构等多种因素影响，运行工况复杂多变，亟需对其运行风险与可靠性进行在线评估以实现科学管控。

2、现有电力系统可靠性评估方法主要包括解析法、模拟法以及人工智能方法，解析法通常通过状态枚举与网络等值法、概率模型、响应面函数等，建立设备状态与可靠性指标之间的数学关系。该类方法在系统状态能够合理简化时具有较高计算效率；但针对大型海上风电场的风速时空不确定性、关联故障及备用馈线重构，设备状态组合和模型维度迅速增长，计算复杂度高，难以实现在线评估。模拟法主要采用蒙特卡洛模拟海量风速场景及设备故障，并通过潮流计算或优化求解（如求解计及拓扑重构的最小切风机优化模型）获得各场景下的运行状态，进而统计期望未供风电功率和切风概率等可靠性指标。该类方法能够灵活描述多源随机因素，并显式计及设备故障、网络运行约束和故障后拓扑重构；但海量模拟场景的优化求解存在严重的计算瓶颈，大量重复求解耗时极长，无法满足实时在线评估的要求。人工智能评估方法的核心是利用神经网络学习设备状态、运行条件与切负荷或弃风结果之间的非线性映射，凭借神经网络的快速推理能力提升评估速度。然而，现有人工智能评估方法在海上风电场运行可靠性评估中仍面临以下两方面突出技术瓶颈：

3、1、海上风电场故障后的拓扑重构导致的复杂离散特征，神经网络学习难度大。现有基于图神经网络的代理模型多以单一网络拓扑作为特征传播载体，主要刻画某一运行状态下的节点关联。然而，对于包含故障隔离和备用馈线重构的海上风电场，故障前基准拓扑反映正常电气连接，故障后拓扑反映实际功率传输路径，二者具有互补关系。现有模型难以在同一网络中有效融合两类拓扑及其电气参数，无法显式突出故障与重构引起的结构剧变。

4、2、海上风电场运行工况复杂多变，有限训练样本难以覆盖全部运行工况。当实际运行场景（如风速水平、设备故障率或故障组合发生变化）偏离离线训练数据分布时，训练数据分布外场景的预测误差显著增大，误差直接传递至可靠性指标统计结果中，导致评估结果的可信度难以保障。

5、综上所述，如何克服海量蒙特卡洛场景下拓扑重构优化求解的计算瓶颈，准确提取设备故障与拓扑重构引起的网络结构变化特征，并有效消除代理模型在分布外场景下的预测偏差，是目前海上风电场运行可靠性评估领域亟待解决的技术难题。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够克服海量蒙特卡洛场景下拓扑重构优化求解的计算瓶颈、准确提取设备故障与拓扑重构引起的网络结构变化特征，并有效消除代理模型在分布外场景下的预测偏差的基于多拓扑差分融合图卷积的海上风电场运行可靠性评估方法。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种基于多拓扑差分融合图卷积的海上风电场运行可靠性评估方法，包括以下步骤：

4、s1、获取海上风电场的待评估运行场景，生成所述待评估运行场景下的故障前基准拓扑、故障后拓扑以及各风电机组节点的运行状态信息；

5、s2、将所述故障前基准拓扑、故障后拓扑及各风电机组节点的运行状态信息输入预先训练的海上风电场多拓扑差分融合图卷积神经网络，经由所述多拓扑差分融合图卷积神经网络中的故障前基准拓扑分支与故障后拓扑分支分别进行物理模型内嵌的节点特征聚合，并对两类拓扑经过多阶聚合后的节点特征进行差分融合与特征转化，输出所述待评估运行场景下各风电机组节点的切风功率预测向量；

6、s3、采用多层蒙特卡洛模拟策略计算所述海上风电场的运行可靠性指标：

7、在第一层蒙特卡洛大样本集合下，调用所述多拓扑差分融合图卷积神经网络进行批量场景预测，统计得到初始可靠性指标，并根据初始可靠性指标的均值估计方差自适应调整大样本数量直至收敛；

8、在第二层蒙特卡洛小样本集合下，配对调用所述多拓扑差分融合图卷积神经网络与最小切风机优化模型，基于配对计算结果估计所述多拓扑差分融合图卷积神经网络在当前场景分布下的误差修正项，并根据误差修正项的均值估计方差自适应调整小样本数量直至收敛；

9、将所述初始可靠性指标与所述误差修正项相加，得到修正后的海上风电场运行可靠性指标。

10、进一步的，所述步骤s1中：

11、所述故障前基准拓扑表征场站正常运行时的完整电气连接关系，用于作为故障影响分析的参考基准；

12、所述故障后拓扑是在所述故障前基准拓扑的基础上，切除故障海底电缆并断开故障风电机组相关支路，同时保持候选备用馈线处于断开状态下的网络拓扑结构，用于描述拓扑重构优化前的初始故障网络结构。

13、进一步的，所述步骤s2中，物理模型内嵌的节点特征聚合过程表示为：

14、

15、其中，节点自身导纳参数构成的系数矩阵和满足：

16、

17、式中，和分别为节点电导矩阵和电纳矩阵、和分别为节点电导矩阵和电纳矩阵去除对角元素后的非对角部分，和分别表示节点i对应的电导矩阵和电纳矩阵对角元素；和分别为节点有功、无功注入，和分别为第l层的两类节点状态特征；和为物理聚合过程中的中间变量，二者综合反映节点功率注入以及相邻节点状态经线路电导、电纳传播后的结果；和分别为两类节点状态的物理聚合结果。

18、作为优化，所述步骤s2中，对两类拓扑经过多阶聚合后的节点特征进行差分融合的过程表示为：

19、

20、

21、

22、式中，算子表示为物理模型内嵌的节点特征聚合算子，其中表示故障前基准拓扑分支，表示故障后拓扑分支；为大于1的整数；和分别为第层中第类拓扑经过第次物理聚合后得到的节点特征；和分别为场景下的节点有功、无功注入向量；和分别为场景下第类拓扑对应的电导矩阵和电纳矩阵；和分别为第l层中两类拓扑分支的差分特征；用于表征设备故障及拓扑重构引起的节点电气关联变化；符号表示沿特征通道维度进行拼接；、、和为差分融合过程的可训练参数。

23、作为优化，所述步骤s2中，特征转化的过程表示为：

24、

25、

26、

27、式中，为场景s下的节点级融合特征矩阵，为将节点级融合特征矩阵展平的场景级融合特征向量，表示矩阵展平操作；为节点切风功率预测映射；为场景s下的节点切风功率预测向量。

28、进一步的，所述步骤s3中，所述运行可靠性指标包括期望未供风电功率、节点级切风概率和系统级切风概率；节点的切风功率向量表示为：

29、

30、式中，表示场景下各节点的切风功率向量，当上标时，表示所述多拓扑差分融合图卷积神经网络预测的切风功率预测向量，当上标时，表示由所述最小切风机优化模型精确计算得到的节点真实切风功率向量；为风电机组数量；为风电机组编号，；为场景下第台风电机组的切风功率；为有效切风判定阈值；

31、节点的切风功率向量对应的场景统计映射表示为：

32、

33、式中，三个分量依次为场景总切风功率、发生有效切风的风机比例和系统级切风状态；为有效切风判定阈值；为指示函数，当括号内条件成立时取1，否则取0。

34、作为优化，所述步骤s3中，在第一层蒙特卡洛大样本集合下，统计得到初始可靠性指标并自适应调整大样本数量直至收敛的过程表示为：

35、

36、

37、

38、式中，为运行可靠性指标的集合，为第一层蒙特卡洛大样本集合当前的大样本数量；为当前大样本集合；为大样本集合中场景对应的统计量分量；为统计得到的初始可靠性指标估计值；为所述初始可靠性指标估计值的均值估计方差；为指标对应的收敛阈值；当所有的运行可靠性指标对应的均值估计方差均满足收敛条件时，得到所述初始可靠性指标并停止大样本数量自适应调整；否则继续按预设批量增加新的大样本场景并更新样本数量，直至满足收敛条件。

39、作为优化，所述步骤s3中，在第二层蒙特卡洛小样本集合下，估计所述误差修正项并自适应调整小样本数量直至收敛的过程表示为：

40、

41、

42、

43、

44、式中，为所述第二层蒙特卡洛小样本集合当前的小样本数量；为当前小样本集合；为由所述最小切风机优化模型对小样本集合中场景精确计算得到的精确场景统计量；为由所述多拓扑差分融合图卷积神经网络推理得到的代理场景统计量；为场景下的误差样本，用于反映代理模型与精确优化模型在当前场景下的统计偏差；为可靠性指标对应的误差修正项；为误差修正项的均值估计方差；为指标对应的误差修正估计的预设方差阈值；当所有的运行可靠性指标对应的均值估计方差均满足所述不等式约束时，得到所述误差修正项并停止小样本数量自适应调整；否则继续按预设批量生成新的小样本场景，并返回重新计算所述误差修正项及其均值估计方差，直至满足收敛条件。

45、作为优化，所述步骤s3中，将所述初始可靠性指标与所述误差修正项相加，得到修正后的海上风电场运行可靠性指标的过程表示为：

46、

47、式中，为多层蒙特卡洛修正后的海上风电场运行可靠性指标；为基于所述第一层蒙特卡洛大样本集合统计得到的初始可靠性指标估计值；为基于所述第二层蒙特卡洛小样本集合估计得到的误差修正项；为运行可靠性指标的集合，且满足，其中对应的元素分别表示修正后的期望未供风电功率、节点级切风概率和系统级切风概率。

48、相比现有技术，本发明方法具有如下突出有益效果：

49、1、本发明构建了由故障前基准拓扑与故障后拓扑组成的多拓扑协同前向传播网络。通过多阶连续物理模型（电导、电纳矩阵，节点有功、无功注入）内嵌特征聚合与两类拓扑的特征差分，有效消除了拓扑中共有的运行背景信息，显式突出并量化了由设备故障和集电网络重构造成的节点电气关联变化。

50、2、本发明利用预先训练的多拓扑差分融合图卷积神经网络，承担了蒙特卡洛可靠性大样本估计的快速推理任务。由于神经网络仅通过一次前向传播即可输出全场风机的切风结果，避免了传统可靠性评估需要对成千上万个模拟场景逐一求解大m混合整数非线性优化模型的极重计算负担。通过在第一层蒙特卡洛中将计算负荷转移给高性能图卷积代理模型，使评估整体计算效率得到指数级提升，满足了海上风电场运行可靠性在线实时评估的迫切需要。

51、3、针对风速出力等运行条件发生漂移导致的代理模型分布外预测误差增加问题，本发明建立了自适应多层蒙特卡洛可信保障策略。在第一层中利用神经网络大样本快速估计，在第二层中利用少量高精度配对样本精确计算统计偏差，并在两路抽样过程中均嵌入了均值估计方差自适应收敛判断，自适应增加样本数。在典型运行工况及高风速分布外运行工况下，经本发明双路自适应修正后的期望未供风电功率等可靠性指标相对误差均可稳定控制在极低水平，显著消除了传统人工智能代理模型在偏离训练集时的预测漂移。这表明，即便代理模型由于场景偏离训练集而出现偏差，本发明仍可通过极其低成本的少量精确配对样本抽样完成偏差自适应纠正，兼顾了海上风电场运行风险在线评估的计算效率、场景适应性与最终评估指标的结果可信度。