基于主动支撑的配网分布式资源多关系图聚类方法
本发明属于电力系统人工智能建模与优化,尤其涉及一种基于主动支撑的配网分布式资源多关系图聚类方法。
背景技术:
1、随着分布式光伏、储能、电动汽车及可控负荷等分布式资源在配电网中的大规模接入,电网运行呈现出明显的分散化与异构化特征。大量分布式资源在容量规模、控制策略及动态响应特性方面差异显著,使得传统基于等值建模或静态分类的资源建模方法难以准确反映其动态运行特性与主动支撑能力。现有研究方法主要存在以下不足:
2、(1)仅基于单一特征建模:现有聚类方法多基于电气距离或容量参数进行划分,忽略了分布式资源在控制策略及动态支撑能力方面的差异,导致聚类结果物理解释性不足。
3、(2)缺乏多源信息融合能力:电气拓扑关系、控制策略特性及主动支撑能力等多维信息通常被独立建模,未能实现统一表达空间中的联合学习。
4、(3)难以刻画动态运行特性:传统静态指标无法有效描述分布式资源在频率、电压扰动下的动态响应能力,导致聚合体建模偏差较大。
5、(4)聚类过程与物理约束脱节:现有机器学习聚类方法多为数据驱动方式,缺乏电力系统物理约束(如惯量支撑、无功调节能力等),难以应用于工程调度场景。因此,亟需一种能够融合电气关系、控制特性与主动支撑能力的多源信息建模方法,实现分布式资源的自适应聚类与聚合体等值建模。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种基于主动支撑的配网分布式资源多关系图聚类方法,以解决现有技术中存在的单一特征建模、缺乏多源信息融合及物理约束不足等问题。
2、为了达到以上目的,本发明采用的技术方案为:一种基于主动支撑的配网分布式资源多关系图聚类方法,包括以下步骤:
3、s1、采集配电网拓扑信息及分布式资源运行参数,构建包含资源接入位置、容量配置、控制策略以及运行状态的分布式资源节点信息模型;
4、s2、基于节点信息模型生成不同资源配置及运行工况场景,构建典型运行场景的离线数据库;通过离线电磁暂态仿真获取资源动态响应特征,建立运行状态与主动支撑能力指标之间的映射关系,并基于映射关系,生成训练数据集;其中,每条训练数据包括随机生成的稳态运行数据和根据映射关系生成的动态响应数据;
5、s3、基于节点信息模型及主动支撑能力指标,分别构建主动支撑能力关系图g1、电气耦合关系图g2及节点属性关系图g3,并融合形成多关系图结构;其中,每条训练数据对应主动支撑能力关系图g1、电气耦合关系图g2及节点属性关系图g3;
6、s4、以多关系图结构作为多关系图神经网络模型的输入,通过利用多关系图神经网络模型提取多关系图结构的特征,得到多关系融合嵌入后的综合表示;
7、s5、对多关系图神经网络模型的联合损失函数进行优化,当联合损失函数收敛或达到最大迭代次数时,基于综合表示输出最终的聚类结果,实现分布式资源的自适应聚类。
8、本发明的有益效果是:本发明通过构建主动支撑能力关系视图、电气耦合关系视图及节点属性关系视图,并利用多关系图神经网络模型对多视图信息进行联合建模学习,在统一嵌入空间中实现分布式资源的特征表达与结构融合。进一步地,通过引入软聚类模块与软模块化优化目标函数,并结合视图一致性约束、主动支撑能力约束及聚类均衡约束,实现聚类过程与物理特性约束的联合优化,从而实现基于主动支撑特性的自适应分群。最终,本发明能够形成具有物理意义一致性的分布式资源聚合体模型,并用于评估聚合体的惯量支撑能力、频率支撑能力及电压支撑能力,为配电网主动支撑能力提升及调度优化提供理论依据。
9、进一步地,所述s1包括:
10、采集配电网拓扑信息及分布式资源运行参数;
11、基于采集的数据,将配电网表示为由节点集合和线路连接关系构成的拓扑网络,并根据分布式资源类型、资源接入位置、容量配置及控制策略构建异质资源节点特征;
12、基于异质资源节点特征,将各节点的资源属性特征、控制属性特征及运行状态属性特征进行组合,形成分布式资源节点信息模型,其表达式为:
13、]
14、其中,n表示配电网节点个数,第i个节点信息向量表示为:
15、
16、其中,、和分别表示第i个节点的资源属性、控制属性及运行状态属性。
17、上述进一步方案的有益效果是:通过建立面向异质分布式资源的节点信息模型,将资源属性、控制特性及运行状态进行统一表征,实现了不同类型分布式资源的特征融合与差异化描述,为后续主动支撑能力关系图构建及多关系图神经网络聚类提供可靠的数据支撑。
18、再进一步地,所述离线数据库的构建,包括:
19、基于节点信息模型生成不同资源配置及运行工况场景;
20、基于生成的数据,确定影响主动支撑能力的运行变量,基于运行变量,随机生成典型运行组合;
21、施加多类典型扰动工况仿真运行,根据仿真结果分别计算得到多类典型扰动工况对应的主动支撑能力指标;
22、基于典型运行组合和对应主动支撑能力指标,建立稳态工况特征-主动支撑能力指标一一对应的离线数据库,作为新工况下主动支撑能力指标的生成基础,完成离线数据库的构建。
23、再进一步地,所述生成训练数据集,包括:
24、通过离线电磁暂态仿真获取资源动态响应特征;
25、基于资源动态响应特征,针对新生成的稳定潮流工况,提取对应状态变量的运行状态变量;
26、基于提取的运行状态变量,在离线数据库中检索最接近的运行状态,其中,运行状态相似度的表达式为:
27、
28、其中,表示离线数据库中第m个运行变量;
29、基于检索结果,选取k个相似度最小的样本,计算得到主动支撑能力指标,其中,主动支撑能力指标用于s3中构建主动支撑能力关系图;
30、建立运行状态与主动支撑能力指标之间的映射关系,并基于映射关系生成训练数据集;其中,当运行状态变量与离线数据库原始样本的运行状态相似度均超过设定阈值时,重新进行一次动态仿真,并将仿真样本加入至离线数据库中,以动态更新离线样本库。
31、上述进一步方案的有益效果是:通过建立运行状态变量与主动支撑能力指标之间的映射关系,实现了主动支撑能力指标的快速生成,避免了大量重复动态仿真计算,提高了训练样本构建效率;同时,通过离线数据库动态更新机制增强了样本覆盖范围。
32、再进一步地,所述主动支撑能力关系图g1包括惯量支撑能力指标、频率支撑能力指标以及电压支撑能力指标,分别表示为:
33、
34、
35、
36、
37、其中,表示节点的主动支撑能力特征向量,表示节点i的虚拟惯量系数,表示扰动期间有功变化量,表示频率变化率,和均表示权重系数,表示惯量支撑能力指标,表示频率支撑能力指标,表示电压支撑能力指标,表示节点i的有功频率下垂系数,和分别表示节点i的可调有功上限和当前有功,表示频率响应时间常数,、和均表示指标权重系数,表示无功电压下垂系数,和分别表示节点i的可调无功上限和当前无功,表示节点电压灵敏度,、和均表示指标权重系数。
38、上述进一步方案的有益效果是:通过构建包含惯量支撑能力、频率支撑能力以及电压支撑能力的多维主动支撑能力指标,实现了对不同控制方式、不同运行状态下分布式资源主动支撑特性的综合表征。其中,惯量支撑指标结合虚拟惯量参数与扰动响应特征,能够反映资源对系统频率变化的快速支撑能力;频率支撑指标综合考虑有功调节裕度、频率控制特性及响应速度,能够准确描述资源参与频率调节的能力;电压支撑指标融合无功调节能力、电压控制特性及节点电压灵敏度,能够反映资源对局部电压波动的调节能力。通过上述多维指标构建主动支撑能力特征空间,提高了不同类型分布式资源功能特征的可区分性,为后续主动支撑能力关系图构建及资源自适应聚类提供有效的物理特征依据。
39、再进一步地,电气耦合关系视图g2采用有功-电压耦合距离与无功-电压耦合距离的加权和量化节点之间的电气耦合强度:
40、
41、其中,表示节点与节点之间的综合电气距离,表示有功-电压耦合距离,定义为节点注入单位有功功率时节点的电压变化量,表示无功-电压耦合距离,定义为节点注入单位无功功率时节点的电压变化量,和均表示权重系数,满足;
42、节点属性关系图g3的特征指标表达式如下:
43、
44、
45、其中,表示节点和节点之间的属性相似性距离,和均表示权重系数,满足,表示控制策略属性距离,表示节点和节点的硬件属性相似性,表示硬件属性参数的个数,和分别表示节点和节点的第k个硬件属性参数。
46、上述进一步方案的有益效果是:通过构建电气耦合关系视图,能够有效反映不同分布式资源节点之间的电气影响关系,提高聚类结果对配电网物理连接特征的感知能力。同时,通过构建节点属性关系视图,融合资源硬件属性差异与控制策略差异,使后续聚类过程能够同时考虑资源功能相似性、电气耦合特性及节点属性关联关系。
47、再进一步地,所述多关系图结构的表达式如下:
48、
49、
50、
51、其中,表示第r个视图的无向加权图,表示节点集合,表示第个视图的边集合,表示第个视图的邻接权重矩阵,其元素表示节点与节点在第r个视图下的相似性,;
52、
53、其中,表示节点与节点在主动支撑能力视图下的相似性,和分别表示节点和节点j的主动支撑能力特征向量,表示高斯核宽度参数;
54、
55、其中,表示节点与节点在电气耦合关系视图下的相似性,表示节点与节点之间的综合电气距离,表示高斯核宽度参数;
56、
57、其中,表示节点与节点在节点属性关系视图下的相似性,表示节点与节点之间的属性相似性距离,表示高斯核宽度参数。
58、上述进一步方案的有益效果是:利用高斯核函数将不同视图下节点间关系转换为图结构权重,提高了多源异构信息融合能力,为后续多关系图神经网络聚类提供有效的结构特征支撑,提升了聚类结果的准确性和可解释性。
59、再进一步地,所述多关系图神经网络模型包括输入层、多关系特征提取层、跨关系注意力融合层以及输出层;
60、所述输入层,用于接收分布式资源节点信息矩阵及对应的主动支撑能力关系图、电气耦合关系图和节点属性关系图,形成多关系图输入数据;
61、所述多关系特征提取层包括多个关系图卷积网络,基于多关系图输入数据,分别针对不同关系图进行节点特征传播与聚合,提取不同关系视图下的节点特征表示,其计算过程为:
62、
63、其中,表示节点i在第r个视图下的邻居节点集合,和均表示第r个视图在第
l层的可训练参数,表示邻居节点j在上一层的特征表示,表示非线性激活函数;
64、所述跨关系注意力融合层,用于基于各关系视图下的节点特征表示,自适应学习不同关系视图的重要程度,并根据各关系特征权重进行融合,得到统一节点表示:
65、
66、其中,r表示视图的个数,表示节点i在第
l层对第r个视图的注意力权重,表示节点i在第r个关系视图下,经过第
l层关系图卷积网络后得到的节点特征表示;
67、所述输出层,用于将统一节点表示映射至低维特征空间,并通过软聚类层计算节点属于不同类别的概率分布;其中,采用student-t分布定义软聚类概率:
68、
69、其中,表示节点属于k类的概率,表示节点i经过多关系图神经网络模型学习得到的低维嵌入表示,表示第k个聚类类别的中心向量,表示第j个聚类类别的中心向量,j表示聚类类别索引,p表示初始聚类类别总数,表示自由度参数。
70、上述进一步方案的有益效果是:通过构建包含多关系特征提取层、跨关系注意力融合层及软聚类输出层的多关系图神经网络,实现了不同关系视图信息的联合学习与自适应融合;利用关系特定图卷积提取资源节点在不同关系下的特征表示,并通过注意力机制动态调整各关系贡献,提高了异构关系信息的利用能力;结合软聚类映射实现节点表示学习与聚类过程的联合优化,避免了传统聚类方法依赖人工特征选择的问题。
71、再进一步地,所述多关系图神经网络模型的联合优化目标函数的表达式如下:
72、
73、
74、
75、
76、
77、
78、其中,表示多关系图神经网络模型的联合优化目标函数,表示软聚类模块化指标,表示信息熵约束的权重,表示视图一致性约束的权重,表示主动支撑能力约束的权重,表示图中边的总数,表示邻接矩阵元素,和分别表示节点和节点j的度,表示聚类类别总数,k表示遍历各聚类类别的求和下标,和分别表示节点i和节点j属于第k个聚类类别的隶属度,和分别表示节点在第个视图下和第s个视图下的表示,表示第个聚类类别的所有节点集合,表示节点的主动支撑能力特征向量,表示第个聚类类别所有节点的平均向量。
79、上述进一步方案的有益效果 :软聚类模块化指标可增强同类资源内部连接紧密性,信息熵约束提高了聚类分配的区分性,视图一致性约束保证了不同关系视图下节点表示的一致性,主动支撑能力约束增强了聚类结果的物理功能一致性。通过多目标联合约束优化网络参数及聚类中心,使具有相似主动支撑特性的分布式资源自动归入同一类别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com