一种基于图注意力网络的配电网网格化方法及装置与流程

1.本技术涉及配电网规划技术领域，尤其涉及一种基于图注意力网络的配电网网格化方法及装置。


背景技术：

2.随着化石能源匮乏，风电、光伏等可再生能源大规模接入电网，其出力不确定性给配电网的供电可靠性带来严重威胁，影响电能质量。在电力系统中，配电网是最靠近用户的部分，对电能的分配起着重要的作用，对其进行科学的优化规划，可保证电力系统运行的经济性与安全性，能提高电能质量。对于配电网规划，可将其看成多目标动态不确定的非线性规划问题，可通过数学优化算法与人工智能算法进行求解；数学方法，如模糊层次分析法，层次分析法，选择消去法等；人工智能算法，如遗传算法，蚁群算法，演化算法等。但是，随着分布式能源与电气化交通接入电力系统，配电网传统的规划思路与方法已不再适合日益变化的大规模系统。
3.网格化规划就是根据配电网供电区域分类、用地性质的差别以及开发程度的深浅把待规划区域划分为相互独立的若干个片区，通过“自下而上”的方式，以满足用户的需求，以及保证多区域电力系统协调优化运行。但是，现有的配电网网格化规划通常考虑电力潮流的流动以及地理信息，对于分布式能源与电气化交通等新兴负荷接入电力系统严重影响配电网安全稳定运行，以至于配电网网格化方法已无法适应新一代能源发展的需求。


技术实现要素：

4.本技术提供了一种基于图注意力网络的配电网网格化方法及装置，用于解决现有的配电网网格化方法缺乏针对性，无法满足新能源电网稳定运行的发展需求的技术问题。
5.有鉴于此，本技术第一方面提供了一种基于图注意力网络的配电网网格化方法，包括：
6.根据预置拓扑结构对配电网进行网格划分，得到多个网格区域；
7.构建每个所述网格区域的网格特征向量，所述网格特征向量包括拓扑邻近矩阵和潮流信息；
8.将所述网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，所述预置图注意力网络包括注意力机制；
9.基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将所述预测特征向量作为当前动作状态；
10.根据所述当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，返回所述基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标的步骤；
11.基于所述电力需求模型的解优化网格划分机制，得到优化网格区域。
12.优选地，所述将所述网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，包括：
13.采用预置激活函数根据节点间的相关度计算注意力系数；
14.基于注意力机制，根据所述注意力系数和输入预置图注意力网络中的所述网格特征向量进行特征预测，得到预测特征向量。
15.优选地，所述基于注意力机制，根据所述注意力系数和输入预置图注意力网络中的所述网格特征向量进行特征预测，得到预测特征向量，还包括：
16.基于多头注意力机制，根据所述注意力系数和输入预置图注意力网络中的所述网格特征向量进行去平均集成的特征预测，得到预测特征向量。
17.优选地，所述根据所述当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，返回所述基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标的步骤，包括：
18.根据所述当前动作状态和初始奖励值对q值矩阵和p值矩阵进行状态更新计算，并记录不同动作值对应的概率；
19.获取最大概率对应的动作值作为得到更新特征向量，返回所述基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标的步骤。
20.优选地，所述基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将所述预测特征向量作为当前动作状态，之前还包括：
21.获取配电网的相关运行数据；
22.根据所述相关运行数据构建配电网的预设电力需求模型，所述预设电力需求模型包括预设电力约束条件，所述预设电力约束条件包括节点电压约束、支路潮流约束和节点电流约束。
23.本技术第二方面提供了一种基于图注意力网络的配电网网格化装置，包括：
24.网格划分模块，用于根据预置拓扑结构对配电网进行网格划分，得到多个网格区域；
25.向量构建模块，用于构建每个所述网格区域的网格特征向量，所述网格特征向量包括拓扑邻近矩阵和潮流信息；
26.特征预测模块，用于将所述网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，所述预置图注意力网络包括注意力机制；
27.特征判断模块，用于基于所述网格区域的动态信息判断所述预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将所述预测特征向量作为当前动作状态；
28.强化学习模块，用于根据所述当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，触发所述特征判断模块；
29.网格优化模块，用于基于所述电力需求模型的解优化网格划分机制，得到优化网格区域。
30.优选地，所述特征预测模块，包括：
31.系数计算子模块，用于采用预置激活函数根据节点间的相关度计算注意力系数；
32.特征预测子模块，用于基于注意力机制，根据所述注意力系数和输入预置图注意力网络中的所述网格特征向量进行特征预测，得到预测特征向量。
33.优选地，还包括：
34.优化特征预测模块，用于基于多头注意力机制，根据所述注意力系数和输入预置图注意力网络中的所述网格特征向量进行去平均集成的特征预测，得到预测特征向量。
35.优选地，所述强化学习模块，包括：
36.矩阵计算子模块，用于根据所述当前动作状态和初始奖励值对q值矩阵和p值矩阵进行状态更新计算，并记录不同动作值对应的概率；
37.状态筛选子模块，用于获取最大概率对应的动作值作为得到更新特征向量，触发所述特征判断模块。
38.优选地，还包括：
39.数据获取模块，用于获取配电网的相关运行数据；
40.模型构建模块，用于根据所述相关运行数据构建配电网的预设电力需求模型，所述预设电力需求模型包括预设电力约束条件，所述预设电力约束条件包括节点电压约束、支路潮流约束和节点电流约束。
41.从以上技术方案可以看出，本技术实施例具有以下优点：
42.本技术中，提供了一种基于图注意力网络的配电网网格化方法，包括：根据预置拓扑结构对配电网进行网格划分，得到多个网格区域；构建每个网格区域的网格特征向量，网格特征向量包括拓扑邻近矩阵和潮流信息；将网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，预置图注意力网络包括注意力机制；基于网格区域的动态信息判断预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将预测特征向量作为当前动作状态；根据当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，返回基于网格区域的动态信息判断预测特征向量是否满足预置可靠性指标的步骤；基于电力需求模型的解优化网格划分机制，得到优化网格区域。
43.本技术提供的基于图注意力网络的配电网网格化方法，采用引入了注意力机制的图神经网络对配电网中各个网格区域的电力特征进行分析学习，获取预测特征，图注意力网络能够考虑节点之间的内在关联，强调节点间的相关性，使得结果更加可靠且具有针对性；而采用预置可靠性指标进行筛选判断，使得模型求解过程更准确，更具有鲁棒性。因此，本技术能够解决现有的配电网网格化方法缺乏针对性，无法满足新能源电网稳定运行的发展需求的技术问题。
附图说明
44.图1为本技术实施例提供的一种基于图注意力网络的配电网网格化方法的流程示意图；
45.图2为本技术实施例提供的一种基于图注意力网络的配电网网格化装置的结构示意图；
46.图3为本技术实施例提供的基于图注意力网络和强化学习的配电网网格化示意图。
具体实施方式
47.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.为了便于理解，请参阅图1，本技术提供的一种基于图注意力网络的配电网网格化方法的实施例一，包括：
49.步骤101、根据预置拓扑结构对配电网进行网格划分，得到多个网格区域。
50.预置拓扑结构是根据配电网构建的，具体过程可以参考现有技术，在此不作赘述。网格划分可以依据潮流流动性质，或者地理特性等因素，具体的划分机制需要根据实际的电网供电区域进行针对性调整，合理的区域网格化处理能够提升电力系统的协调性能，保证电力系统的稳定运行。
51.步骤102、构建每个网格区域的网格特征向量，网格特征向量包括拓扑邻近矩阵和潮流信息。
52.构建的网格特征向量中的信息元素可以表达为g(a,x)，其中a为配电网节点间拓扑关系的邻近矩阵，x为潮流信息，具体包括三相电压电流幅值、无功功率和有功功率。邻近矩阵a表达为：
[0053][0054]
其中，n为采样点数，m为节点个数。
[0055]
三相电压电流幅值、无功功率和有功功率表达为：x＝[v1,v2,v3,
…
,i1,i2,i3,
…
,p1,p2,p3,
…
,q1,q2,q3,
…
]
t
。
[0056]
步骤103、将网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，预置图注意力网络包括注意力机制。
[0057]
进一步地，步骤103，包括：
[0058]
采用预置激活函数根据节点间的相关度计算注意力系数；
[0059]
基于注意力机制，根据注意力系数和输入预置图注意力网络中的网格特征向量进行特征预测，得到预测特征向量。
[0060]
由于配电网大多为树状辐射状，可忽略内部元件信息，将配电网抽象为由顶点和边构成的图，每个节点表示一个智能体，节点之间的边表示两个智能体之间的交互关系。
[0061]
注意力机制就是对所有的节点特征进行加权求和，权重是中心节点与邻居节点特征之间的相关度。图注意力网络能够通过注意力机制将邻近矩阵进行聚合处理，以实现对相邻区域权重的自适应分配，从而大大提高了图神经网络模型的表达能力，注意力机制的核心在于对给定信息进行权重分配，其表达式如下所示：
[0062]
a＝(x,y)＝∑《x,y》
·y[0063]
其中，y为所有邻近节点的特征相量，x为三相电压电流幅值、无功功率与有功功率信息，a为配电网节点间拓扑关系的邻近矩阵。对所有相邻节点进行相关度计算，然后采用
relu激活函数进行归一化处理，从而计算出注意力系数，具体的注意力系数计算可以表达为：
[0064][0065]
其中，α(
·
)为计算两个节点相关度的函数，w为权重矩阵，vk为第k个节点，n(vk)为总的节点数量，xi、xj和xk均为预置图注意力网络中不同的特征向量，输入的网络特征向量可以表达为x＝{x1,x2,...,xi},xi∈rf，输出网络的特征向量可以表达为x
′
＝{x
′1,x
′2,...,x
′i},x
′i∈rf′
。
[0066]
基于注意力机制的加权思路，节点vi的预测特征向量可以表达为：
[0067][0068]
其中，σ(
·
)为激活函数，β
ij
为权重系数，由于图注意力网络可以提取到节点与节点之间的内部关联，因此预测的特征向量具有针对性，也有较强的表达能力。
[0069]
进一步地，基于注意力机制，根据注意力系数和输入预置图注意力网络中的网格特征向量进行特征预测，得到预测特征向量，还包括：
[0070]
基于多头注意力机制，根据注意力系数和输入预置图注意力网络中的网格特征向量进行去平均集成的特征预测，得到预测特征向量。
[0071]
除了基本的注意力机制，为了进一步提升注意力层的表达能力，还可以加入多头注意力机制，采用取平均集成的方式进行特征预测：
[0072][0073]
其中，h为注意力头的数量，h≥2。
[0074]
两种获取预测特征向量的方法均可，可以根据具体的情况选择执行。
[0075]
步骤104、基于网格区域的动态信息判断预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将预测特征向量作为当前动作状态。
[0076]
以平均停电频率f、平均停电持续时间ts和平均供电可用率η作为预置可靠性指标，指标计算公式如下表示：
[0077][0078][0079][0080]
其中，ni为节点i的用户数，λi为节点i的故障率，ti为节点i的年平均停电时间。
[0081]
确定预测特征向量满足预置可靠性指标时，才可以求解模型，否则需要进入后续的特征分析操作流程。
[0082]
进一步地，步骤104，之前还包括：
[0083]
获取配电网的相关运行数据；
[0084]
根据相关运行数据构建配电网的预设电力需求模型，预设电力需求模型包括预设电力约束条件，预设电力约束条件包括节点电压约束、支路潮流约束和节点电流约束。
[0085]
而预设电力需求模型是配电网以城乡结合为原则，以各供电单元实际用电需求为基础构建的用电需求模型：
[0086]
ln＝l
n-1
×
(1 g) lb×
b-l
d1
l
d2
[0087]
其中，ln为第n年最高负荷，l
n-1
为第n-1年最高负荷，g为电力负荷自然增长率，lb为报装负荷，b为实用系数，l
d1
与l
d2
分别为调入负荷与调出负荷。
[0088]
预设电力约束条件包括节点电压约束，支路潮流约束，节点电流约束，具体为：
[0089][0090]
p
l
≤p
gmax
[0091]ii
≤i
imax
[0092]
其中，vi和vi分别为节点电压的下限和上限，p
l
为变电站所带的总有功负荷，p
gmax
为变电站所允许的最大有功负荷，ii为流过节点i的负荷电流，i
imax
为节点i的最大允许电流，φ为配电网节点集。
[0093]
步骤105、根据当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，返回基于网格区域的动态信息判断预测特征向量是否满足预置可靠性指标的步骤。
[0094]
进一步地，步骤105，包括：
[0095]
根据当前动作状态和初始奖励值对q值矩阵和p值矩阵进行状态更新计算，并记录不同动作值对应的概率；
[0096]
获取最大概率对应的动作值作为得到更新特征向量，返回步骤104。
[0097]
强化学习是一种不基于模型的且可在线更新策略的技术，智能体从环境中获取初始或者当前状态s和奖励值r；在当前状态下对q值矩阵和p值矩阵进行更新，最后选择概率高的动作值进行输出更新公式如下：
[0098][0099][0100]
其中，s为当前状态，s
′
为下一时刻状态，α、β、γ分别为强化学习的学习率、概率分布因子和折扣因子，q(s,a)、p(s,a)分别代表q值矩阵和p值矩阵，r(s,s
′
,a)表示智能体在当前状态s通过动作a转移到下一时刻状态s
′
的立即奖励值，以概率形式表现。根据当前动作状态可以获取到执行不同动作值的奖励值，选择最大值对应的动作值作为更新特征向量，继续进行预置可靠性指标的判断操作，符合条件即求解模型，否则继续进行强化学习完善特征向量。
[0101]
步骤106、基于电力需求模型的解优化网格划分机制，得到优化网格区域。
[0102]
请参阅图3给出的基于图注意力网络和强化学习的配电网网格化示意图，电力需求模型的解是根据准确的判断机制进行判断后得到的，更加具有针对性，更能反映配电网的区域用电供电特性。而基于此解的网格化规划更加准确可靠，达到了网格化规划的优化目的。
[0103]
本技术实施例提供的基于图注意力网络的配电网网格化方法，采用引入了注意力机制的图神经网络对配电网中各个网格区域的电力特征进行分析学习，获取预测特征，图注意力网络能够考虑节点之间的内在关联，强调节点间的相关性，使得结果更加可靠且具有针对性；而采用预置可靠性指标进行筛选判断，使得模型求解过程更准确，更具有鲁棒性。因此，本技术实施例能够解决现有的配电网网格化方法缺乏针对性，无法满足新能源电网稳定运行的发展需求的技术问题。
[0104]
为了便于理解，请参阅图2，本技术还提供了一种基于图注意力网络的配电网网格化装置的实施例，包括：
[0105]
网格划分模块201，用于根据预置拓扑结构对配电网进行网格划分，得到多个网格区域；
[0106]
向量构建模块202，用于构建每个网格区域的网格特征向量，网格特征向量包括拓扑邻近矩阵和潮流信息；
[0107]
特征预测模块203，用于将网格特征向量输入预置图注意力网络中进行特征预测，得到预测特征向量，预置图注意力网络包括注意力机制；
[0108]
特征判断模块204，用于基于网格区域的动态信息判断预测特征向量是否满足预置可靠性指标，若是，则基于预设电力约束条件求解配电网对应的预设电力需求模型，若否，则将预测特征向量作为当前动作状态；
[0109]
强化学习模块205，用于根据当前动作状态进行强化学习，将最大概率对应的动作值作为更新特征向量，触发特征判断模块；
[0110]
网格优化模块206，用于基于电力需求模型的解优化网格划分机制，得到优化网格区域。
[0111]
进一步地，特征预测模块203，包括：
[0112]
系数计算子模块2031，用于采用预置激活函数根据节点间的相关度计算注意力系数；
[0113]
特征预测子模块2032，用于基于注意力机制，根据注意力系数和输入预置图注意力网络中的网格特征向量进行特征预测，得到预测特征向量。
[0114]
进一步地，还包括：
[0115]
优化特征预测模块2033，用于基于多头注意力机制，根据注意力系数和输入预置图注意力网络中的网格特征向量进行去平均集成的特征预测，得到预测特征向量。
[0116]
进一步地，强化学习模块205，包括：
[0117]
矩阵计算子模块2051，用于根据当前动作状态和初始奖励值对q值矩阵和p值矩阵进行状态更新计算，并记录不同动作值对应的概率；
[0118]
状态筛选子模块2052，用于获取最大概率对应的动作值作为得到更新特征向量，触发特征判断模块。
[0119]
进一步地，还包括：
[0120]
数据获取模块207，用于获取配电网的相关运行数据；
[0121]
模型构建模块208，用于根据相关运行数据构建配电网的预设电力需求模型，预设电力需求模型包括预设电力约束条件，预设电力约束条件包括节点电压约束、支路潮流约束和节点电流约束。
[0122]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0123]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0124]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0125]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：random access memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0126]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。