配电网谐波状态估计方法及系统与流程

本发明涉及谐波状态估计，特别涉及配电网谐波状态估计方法及系统。

背景技术：

1、现代配电网高比例新能源接入、高比例电力电子设备装设和高增长的直流负荷特性日益明显，这也为新型电力系统提出了新的挑战。在如此大规模非线性元件接入电网的情况下，其本身固有的非线性特性会导致非线性元件在运行时会对电网注入大量谐波，导致波形畸变，造成谐波污染以及其他电能质量问题，严重时还会影响电力系统的安全稳定运行。并且由于目前谐波源分布广泛的特点，谐波污染对公共连接点（point of commoncoupling，pcc）更会产生复合影响，很可能会导致谐波污染的扩大。尤其在目前的高比例新能源接入配电网中，谐波污染普遍存在。谐波会引起线路或变压器过热，降低设备运行效率，加速绝缘老化，干扰设备运行，增加企业运营成本。

2、伴随配电网结构的复杂化演进，谐波污染问题呈加剧态势。虽然对各节点实施全覆盖式的电能质量监测是最直观的解决方案，但考虑到当前配电网的庞大节点体量与复杂拓扑特征，全局性部署监测终端将产生高昂的资本性开支，从而在工程经济层面遭遇瓶颈。为在有限量测约束下实现谐波的广域感知，相关研究发展并确立了谐波状态估计（harmonic state estimation，hse）技术体系。该技术的核心逻辑在于：借助稀疏监测节点采集的谐波数据，反演并推估未监测节点的谐波电压与电流分布，进而为后续的谐波责任量化、扰动源定位及主动治理提供关键依据。

3、随着新型配电网建设的持续推进，配电网中谐波监测装置的部署规模逐步扩大，使得谐波相关量测数据的丰富程度得到一定提升。与此同时，配电网中非线性与电力电子化谐波源设备的不断接入，加剧了谐波耦合效应的复杂程度，并使谐波产生与传播的物理机理呈现出显著的多源化与多样化特征，进而导致谐波建模的难度大幅增加。在现代配电系统中，配电网由于互联设备的增加，具有了主动调控能力，也让其具备了灵活调节的拓扑结构。在面对谐波机理复杂和拓扑频繁变化的配电网时，传统基于物理机理的谐波状态估计方法因建模复杂度上升与适用条件受限而受到影响。

4、目前谐波状态估计采用的方法主要包括最小二乘法及改进的最小二乘法、卡尔曼滤波模型等传统方法和基于数据驱动的人工智能方法。

5、最小二乘法是通过建立考虑测量误差的系统观测方程，再根据系统已知网络参数和部分量测数据求解全网谐波状态。改进的最小二乘法有抗差最小二乘法等，抗差最小二乘法在测量数据有误差时，可以得到更加精确的估计结果。卡尔曼滤波模型是应用于时域上的一种有效方法，它是一种通过结合先验经验、测量更新的状态估计算法。卡尔曼滤波的基本思想是综合利用上一次的状态和测量值来对物理量的状态进行预测估计。

6、这些方法基本都是通过基于物理模型的方法进行建模分析，描述节点之间的关系并通过监测点的谐波状态估计未知节点状态。但电网中监测装置数量不足会导致谐波状态非全网可观，使得量测方程难以建立，并且实际测量时只有装设同步相量测量单元（phasormeasurement unit，pmu）的节点才能获取到比较精准的谐波电流电压相位，其他节点获取的非精准数据都会导致估计精度下降；此外，由于现代电力系统具有高度的复杂性，并且具有很强的非线性特性，造成传统方法的状态估计能力下降，难以满足高精度的估计需求。并且传统方法都需用到谐波阻抗等参数，但是实际工程中谐波阻抗等参数难以精确获取，因此易出现较大误差。

7、基于数据驱动的人工智能方法，系以电力大数据为输入驱动，利用数学模型对电能质量量测信息进行系统性处理，从而挖掘并重构电网状态变量与观测数据之间的高维内在映射机制，此类方法不会受到统计数据约束和精确系统网架参数的影响。然而，此类方法普遍对配电网固有的拓扑结构特征关注不足，致使模型学习的特征维度受到制约，进而影响了谐波状态估计的精度与泛化能力。

技术实现思路

1、本发明所要解决的技术问题是：提供配电网谐波状态估计方法及系统，能够提高谐波状态估计的精确度。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种配电网谐波状态估计方法，包括：

4、获取配电网拓扑结构和部分节点谐波数据；

5、基于所述配电网拓扑结构和所述部分节点谐波数据划分数据集；

6、基于所述数据集对节点内注意力-二代图注意力网络模型进行训练，得到谐波状态估计模型；

7、使用所述谐波状态估计模型对配电网进行谐波状态估计。

8、为了解决上述技术问题，本发明采用的另一种技术方案为：

9、一种配电网谐波状态估计系统，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的一种配电网谐波状态估计方法的各个步骤。

10、本发明的有益效果在于：获取配电网拓扑结构和部分节点谐波数据，基于配电网拓扑结构和部分节点谐波数据划分数据集，基于数据集对节点内注意力-二代图注意力网络模型进行训练，得到谐波状态估计模型，使用谐波状态估计模型对配电网进行谐波状态估计，以此通过引入节点内注意力机制，能够对谐波数据内部的关键特征进行自适应加权强化，有效解决了传统方法依赖精确物理参数且难以应对复杂谐波机理的难题，同时借助二代图注意力网络对配电网拓扑结构的深度挖掘与多跳邻域聚合能力，使模型在仅有部分节点监测数据的稀疏量测条件下，依然能够充分融合全局拓扑信息，突破了对全网可观性的依赖瓶颈，两者结合构建训练的谐波状态估计模型，不仅规避了谐波阻抗难以精确获取带来的误差累积问题，还能够自适应拓扑频繁变化，从而显著提高了谐波状态估计的精确度。

1.一种配电网谐波状态估计方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，基于所述配电网拓扑结构和所述部分节点谐波数据划分数据集包括：

3.根据权利要求2所述的方法，其特征在于，基于所述数据集对节点内注意力-二代图注意力网络模型进行训练，得到谐波状态估计模型包括：

4.根据权利要求3所述的方法，其特征在于，使用所述训练集对节点内注意力-二代图注意力网络模型进行训练，得到谐波状态估计模型包括：

5.根据权利要求1所述的方法，其特征在于，所述谐波状态估计模型包括依次连接的节点特征增强层、四层节点内注意力-二代图注意力网络层以及两层全连接层；

6.根据权利要求5所述的方法，其特征在于，使用所述节点特征增强层将所述节点特征矩阵增加一个维度包括：

7.根据权利要求5所述的方法，其特征在于，使用所述四层节点内注意力-二代图注意力网络层对增加维度后的节点特征矩阵和所述邻接矩阵执行邻域聚合，得到经过充分空间聚合后的节点特征矩阵包括：

8.根据权利要求7所述的方法，其特征在于，使用节点内注意力机制为上一层输出的节点特征矩阵分配节点特征的内部权重，输出更新后的节点特征矩阵包括：

9.根据权利要求8所述的方法，其特征在于，计算节点内各特征与其均值的偏差及偏差的局部离群度，具体为：

10.一种配电网谐波状态估计系统，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一项所述的一种配电网谐波状态估计方法的各个步骤。