电网电气状态确定方法、装置、存储介质及电子设备与流程

本技术涉及电力系统，尤其涉及一种电网电气状态确定方法、装置、存储介质及电子设备。

背景技术：

1、精准获取全网母线电压幅值、相角等电气状态是电网安全调度、故障识别、新能源消纳控制的核心基础，现场采集的量测数据经常存在通信中断、传感器故障、覆盖不全等问题，仅依靠有限量测数据无法直接得到完整、可靠的全网电气信息，因此需要进行电网电气状态的确定。

2、在电网电气状态确定领域，主流采用物理模型驱动的加权最小二乘法。该方法以电网非线性潮流方程为理论基础，将全网母线的电压幅值与相角设定为待估计状态变量，结合系统采集的有功注入、无功注入、节点电压等实测量测数据构建量测方程，以最小化量测值与状态量计算值的加权残差平方和为优化目标。求解过程中，方法对潮流方程进行逐轮线性化处理，逐次计算雅可比矩阵与增益矩阵，通过求解线性修正方程组更新状态变量的增量值，反复迭代直至状态增量满足预设收敛阈值，最终输出全网各母线的电气状态估计结果。该算法能够得到稳定、唯一的状态估计解的核心前提是系统具备充足的量测冗余度，依靠多组相互冗余的实测数据共同约束状态量可行域，以此抵消单组量测随机误差。

3、但该方法的估计精度高度依赖量测冗余度。当量测缺失比例超过预设比例时，可用于约束状态量的有效观测信息大幅减少，系统可观性下降，量测噪声对求解结果的干扰被放大，方程组易出现欠定或病态问题，最终导致状态估计结果的精度大幅下降。

技术实现思路

1、鉴于上述问题，本技术提供一种电网电气状态确定方法、装置、存储介质及电子设备。

2、为解决上述技术问题，本技术提出以下方案：

3、第一方面，本技术提供了一种电网电气状态确定方法，方法包括：获取目标电网的拓扑结构、目标电网中各母线的量测数据以及目标电网的潮流方程对应的灵敏度矩阵；基于拓扑结构构建目标电网的图模型，图模型以母线为节点、电气支路为连接边；基于各母线的量测数据为图模型中的每个节点生成对应的初始特征；基于灵敏度矩阵确定不同母线之间的电气耦合强度，按照电气耦合强度对全部母线的初始特征逐一进行加权融合处理，得到全部母线对应的节点融合特征；结合图模型的节点连接关系对全部母线的节点融合特征均进行多层特征变换处理，得到全部母线对应的电气状态估计值。

4、本技术不再单纯依靠充足冗余量测构建潮流优化方程组，而是借助灵敏度矩阵挖掘母线间固有的电气耦合关联，通过特征聚合补全缺失测点对应的关联电气信息，再经由多层特征变换深度挖掘电网隐含运行规律，在量测缺失、有效观测信息不足的工况下仍能依托全网母线耦合关系补充有效约束信息，避免方程组欠定、病态问题，从而解决加权最小二乘法量测缺失时估计精度大幅下降的缺陷。

5、结合第一方面，在一种可能的实现方式中，对灵敏度矩阵进行截断奇异值分解，基于分解结果构建各母线对应的低维特征向量；基于各母线的低维特征向量计算任意两条母线之间的关联权重，关联权重用于表征母线之间的电气耦合强度；基于关联权重对全部母线的初始特征逐一进行加权融合处理，得到全部母线对应的节点融合特征。

6、大规模电网完整灵敏度矩阵维度极高，存储与计算成本巨大，同时单母线原始量测特征不包含周边线路的耦合影响。本技术通过矩阵降维压缩、量化母线耦合强度、邻域特征加权融合的一体化思路优化节点特征，先对矩阵做降维处理过滤无效噪声，降低整体计算量。再量化不同母线之间的相互影响权重，把相邻母线的运行信息融合进单节点特征，在提升运算速度的同时，从源头提高状态估计的计算精度。

7、结合第一方面，在一种可能的实现方式中，对灵敏度矩阵进行完整奇异值分解，得到正交奇异向量矩阵和奇异值集合；从奇异值集合中选取前预设阶数的奇异值，以及与预设阶数对应的正交奇异向量，剔除剩余阶数对应的奇异值与正交奇异向量；针对单条母线对应的正交奇异向量矩阵行，提取矩阵行对应的前预设阶数正交奇异向量，将各阶正交奇异向量与对应奇异值的开方根逐元素相乘，得到单条母线对应的低维特征向量。

8、本技术通过对灵敏度矩阵进行完整奇异值分解并截断保留前预设阶数核心分量，剔除高阶噪声模态，再结合奇异值开方融合生成母线低维特征向量，既能压缩高维矩阵、大幅降低大规模电网下的存储与计算开销，又完整留存电网真实电气耦合规律、规避随机降维丢失物理信息的问题。

9、结合第一方面，在一种可能的实现方式中，选取任意两条母线各自对应的低维特征向量，将两组低维特征向量对应数值逐项相乘后全部数值相加，得到两条母线之间的原始相互作用数值；对原始相互作用数值进行指数转换处理，得到单组转换数值；以任意两条母线中一条母线作为基准母线，累加所有与基准母线存在实体电气支路相连的母线对应的转换数值，得到求和结果，基于求和结果对单组转换数值进行归一化处理，得到任意两条母线之间的关联权重。

10、本技术通过低维特征向量内积得到母线原始交互数值，经指数转换放大强弱耦合的数值差距后再做局部归一化生成标准化关联权重，统一权重取值区间且天然满足双向对称特性，精准量化不同母线间真实电气耦合强度，让相邻母线初始特征加权聚合过程贴合电网无向支路双向扰动传播的物理规律，强化强耦合母线量测信息在节点融合特征中的占比，在量测缺失场景下依靠邻近强耦合母线的有效信息弥补测点空白，提升节点融合特征对全网电气运行状态的还原能力。

11、结合第一方面，在一种可能的实现方式中，利用预设权重矩阵对各节点的节点融合特征进行线性变换，生成各节点对应的线性变换特征向量；对线性变换特征向量内各个元素分别进行非线性映射处理，得到单层特征变换的输出特征；重复执行单层特征变换并逐层串联，每一层将上一层输出的单层特征变换输出特征作为当前层的输入特征，以此实现多层特征变换。

12、本技术通过可学习权重矩阵对节点融合特征做线性变换实现特征维度重组与信息解耦，再对变换后向量逐元素执行非线性映射，充分挖掘电网稳态运行与动态扰动背后复杂的非线性电气耦合关系，丰富特征表达能力，区分不同工况下母线电气状态的变化规律，为后续多层深度特征提取提供具备非线性表达能力的有效特征，进一步弥补量测缺失带来的信息不足，提升最终电气状态估计结果的精准度。

13、结合第一方面，在一种可能的实现方式中，在在进行单层特征变换时，将单层特征变换的输入特征直接传递至单层特征变换的输出端，与单层特征变换输出的特征进行叠加处理；将连续预设层数的特征变换划分为一组特征变换集合，将特征变换集合内起始层特征变换的输入特征直接传递至特征变换集合内末尾层特征变换的输出端，与末尾层特征变换输出的特征进行叠加处理。

14、深层网络堆叠训练时容易出现梯度消失、原始量测信息逐层损耗，模型收敛慢，故障、大幅扰动等极端场景下计算结果波动明显。本技术设置层内短路径、分块长路径双重恒等信息传递结构优化深度网络训练效果，依靠层内通路保障相邻层梯度正常回传，依靠分块长通路留存跨多层的基础运行信息，兼顾全局基准工况与局部运行细节，加快模型收敛速度，大幅提升极端工况下状态估计结果的稳定性。

15、结合第一方面，在一种可能的实现方式中，基于预设约束规则对各层线性变换对应的预设权重矩阵进行正交约束处理，生成对应的校正偏移量，预设约束规则为同一权重矩阵执行线性变换计算前后，任意两组节点特征的差值幅度保持等距对应关系；基于校正偏移量、经多层特征变换输出的节点特征与真实电气量测数据之间的偏差对各层线性变换对应的预设权重矩阵进行调整，使各层线性变换计算满足正交化等距变换要求。

16、无约束训练会导致权重矩阵变形，节点特征之间的相对距离持续缩小，深层特征区分度变差，模型泛化能力下降。本技术引入特征等距约束生成权重校正项，结合量测偏差同步更新网络参数，以变换前后特征差值保持等距为约束生成校正偏移量，训练过程同步兼顾估计精度与几何约束，稳定特征空间结构，避免深层特征趋同，在强噪声、量测残缺场景下依旧能保持较高估计精度与泛化能力。

17、第二方面，本技术提供了一种电网电气状态确定装置，电网电气状态确定装置包括：

18、获取模块，用于获取目标电网的拓扑结构、目标电网中各母线的量测数据以及目标电网的潮流方程对应的灵敏度矩阵；

19、构建模块，用于基于拓扑结构构建目标电网的图模型，图模型以母线为节点、电气支路为连接边；

20、初始特征模块，用于基于各母线的量测数据为图模型中的每个节点生成对应的初始特征；

21、融合特征模块，用于基于灵敏度矩阵确定不同母线之间的电气耦合强度，按照电气耦合强度对全部母线的初始特征逐一进行加权融合处理，得到全部母线对应的节点融合特征；

22、确定模块，用于结合图模型的节点连接关系对全部母线的节点融合特征均进行多层特征变换处理，得到全部母线对应的电气状态估计值。

23、为了实现上述目的，根据本技术的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述第一方面的电网电气状态确定方法。

24、为了实现上述目的，根据本技术的第四方面，提供了一种电子设备，所述设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述第一方面的电网电气状态确定方法。

25、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。