CN120222367A 一种基于级联时空图网络的配电网谐波预测方法及装置

地址310058浙江省杭州市西湖区余杭塘司33200GO6N一种基干级联时空图网络的配电网谐波预本发明公开了一种基于级联时空图网络的含有率、注入功率数据为输入，通过基于数据以及量测节点的HRU预测值，通过基于图神经网络的空间推估模块建模节点间谐波传播路径，推估未量测节点的HRU值并基于指标融合计模应用于谐波分析，通过多功能模块的网络级量测节点量测节点历史时序数据配电网拓扑连接配电网线路参数单点时序预测模块空间推估模块指标融合模块量测节点预测时序数据未量测节点预测数据有功功率无功功率Q未量测节点预测数据全节点谐波电压总畸变率预测数据21.一种基于级联时空图网络的配电网谐波预测方法，其特征在于，该方法包括如下步步骤1:采集配电网中已部署量测节点的注入有功功率、无功功率，以及2-25次谐波电压含有率的历史时序数据，进行单点时序预测，获取各量测节点对应的2-25次谐波电压含有率的预测值；步骤2:根据步骤1得到的已部署量测节点各次谐波电压含有率的预测值，结合配电网拓扑信息，以及全节点注入有功功率、无功功率的预测值，通过空间推估建立已有量测节点各次谐波电压与未量测节点各次谐波电压间的映射关系，进而获取未量测节点各次谐波电压含有率的预测值；步骤3:根据步骤1、步骤2得到的全节点各次谐波电压含有率的预测值，进行指标融合计算，获取各节点谐波电压总畸变率的预测值。2.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在于，所述步骤1中的单点时序预测基于Transformer架构实现，采集配电网量测节点的历史时序数据，构成特征向量，并按照时间维度划分为多个局部时间块，形成块序列，对特征向量的每个特征通道独立进行线性投影，生成通道特定的块嵌入表示，拼接后叠加可学习位置编码，形成初始嵌入表示，输入通道独立多头自注意力层构成的编码器，每层计算多头注意力权重，对每个注意力头的输出进行加权聚合，拼接后经线性变换生成多头注意力特征，拼接为完整向量后作为下一层输入，直到获取编码器最终输出，基于解码器预测头，通过通道独立的线性投影层生成未来Tfuture分钟的各次谐波HRU预测值。3.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在于，所述步骤2中的空间推估基于图神经网络架构实现，具体架构及运算过程包括以下步步骤2.1:基于配电网的电气连接关系与节点导纳矩阵，构建无向加权图G=(v,ε,A),其中，节点集v包含配电网拓扑中所有量测节点与未量测节点；边集ε表示电气直接连接的节点对；邻接矩阵A的边权重Aij由节点间谐波阻抗幅值的倒数归一化得到；步骤2.2:将单点时序预测输出的量测节点未来Tfuture分钟的各次谐波电压含有率预测值和全节点注入有功功率、无功功率的预测值作为初始节点特征；步骤2.3:采用K跳图注意力机制进行邻居节点消息传递，完成消息聚合，融合当前节点上一跳状态与聚合消息，对节点状态进行更新，对K跳输出进行通道敏感加权，完成自适应融合，生成最终未量测节点的各次谐波电压含有率预测值。4.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在于，所述步骤3中的指标融合计算基于人工神经网络ANN架构实现，具体架构及运算过程包括以下步骤：步骤3.1:将单点时序预测得到的量测节点各次谐波电压含有率预测值Ymea,以及空间推估得到的未量测节点各次谐波电压含有率预测值Yunmea,按节点维度拼接为全节点谐波数据矩阵Y;对每个节点-时间步组合(i,t),提取特征向量输入人工神经网络ANN:步骤3.2:对每个节点-时间步组合(i,t)提取特征向量Xi,t进行自适应归一化计算，通过动态调整各谐波通道的缩放系数，实现各次谐波的增强感知：3步骤3.3:将增强后的特征向量输入包含L层残差块的全连接网络，每个残差块的结构z(1)=LayerNorm(z(l-1)+Dropout(GELU(W(1)z(1其中，W(l)和c(2)分别为第l层残差块中的权重矩阵和偏置向量，GELU为激活函数，5.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在6.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在步骤A:基于训练数据集采用滑动时间窗截取各节点历史时序数据，对单点时序预测部步骤B:基于空间推估联合优化空间拓扑特征与谐波电压预测4压-电流阻抗关系；第二项KL散度约束图注意力权重分布与拓扑先验知识Ptopo的一致性；当空间推估误差变动稳定在±0.3%区间时完成参数固化；7.根据权利要求1所述的一种基于级联时空图网络的配电网谐波预测方法，其特征在8.一种基于级联时空图网络的配电网谐波预测装置，其包时实现权利要求1至7任一项所述的基于级联时空图网络的配电网谐波预测方法。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于级联时空图网络的配电网谐波预测方5一种基于级联时空图网络的配电网谐波预测方法及装置技术领域[0001]本发明涉及配电网电能质量监测领域，尤其涉及一种基于级联时空图网络的配电网谐波预测方法及装置。背景技术[0002]近年来，随着分布式新能源和非线性负荷的大规模接入，配电网谐波污染问题日益严重。谐波含量超标会导致变压器过热、继电保护误动作、能效降低等安全隐患，进而造成严重的经济安全损失。因此，精准预测谐波的传播分布是优化谐波抑制策略，保障电网安全稳定运行的关键。但现有技术方案存在显著局限：传统电力系统谐波分析主要依赖谐波状态估计，其本质是对电网节点谐波参数的静态拟合反演，仅能基于冗余量测数据评估同一时刻的谐波分布状态，既无法实现时间维度上的预测功能，又因依赖高密度量测装置，导致实际工程中部署成本高昂；近年来虽引入神经网络技术突破传统方法的静态分析瓶颈，但现有研究多聚焦于谐波信号特征识别，或针对单节点、单非线性负荷的谐波时序预测，其模型架构未考虑配电网多节点谐波传播的时空耦合特性，导致实际应用中模型无法利用电网拓扑信息推估未量测节点谐波参数，需额外部署插值算法且精度受限；同时，由于谐波时序特征与空间传播规律的协同学习机制缺失，时空解耦建模导致谐波相位信息在跨模块传谐波功率耦合等物理约束，在训练数据不足或电网运行工况突变时易产生违背电气规律的错误预测。发明内容[0003]本发明针对上述问题，提出一种基于级联时空图网络的配电网谐波预测方法，该方法通过单点时序预测、空间推估与指标融合计算的级联架构，实现配电网全节点2-25次谐波电压含有率(HRU)的高精度预测与总谐波畸变率(THD)的自动计算。本发明将时序-空间联合建模应用于谐波分析，通过多功能模块的网络级联，有效提高了在动态拓扑与稀疏量测场景下的节点谐波THD预测精度，可集成于电网能量管理系统，为谐波治理提供实时决策支持。[0004]本发明的目的之一采用以下技术方案实现：一种基于级联时空图网络的配电网谐波预测方法，该方法包括如下步骤：[0005]步骤1:采集配电网中已部署量测节点的注入有功功率、无功功率，以及2-25次谐波电压含有率的历史时序数据，进行单点时序预测，获取各量测节点对应的2-25次谐波电压含有率的预测值；[0006]步骤2:根据步骤1得到的已部署量测节点各次谐波电压含有率的预测值，结合配电网拓扑信息，以及全节点注入有功功率、无功功率的预测值，通过空间推估建立已有量测节点各次谐波电压与未量测节点各次谐波电压间的映射关系，进而获取未量测节点各次谐波电压含有率的预测值；6[0010]步骤2.1:基于配电网的电气连接关系与节点导纳矩阵，构建无向加权图[0011]步骤2.2:将单点时序预测输出的量测节点未来Tfuture分钟的各次谐波电压含有空间推估得到的未量测节点各次谐波电压含有率预测值Yunmea,按节点维度拼接为全节点5分钟更新；0为Hadamard积；s∈R²5和b∈R²5为可学习缩放与偏移参数，初始化为Sn=1/√h、bn=0;ε=1e-6[0018]步骤3.3:将增强后的特征向量输入包含L层残差块的全连接网络7[0029]其中，E表示网络拓扑的边集合；Vn,i为节点i的第h次谐波电压含有率预测值；Vn,j8包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现所述的基于级联时空图网络的配电网谐波预测方法。[0037]第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于级联时空图网络的配电网谐波预测方法。[0038]第四方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现所述的一种基于级联时空图网络的配电网谐波预测方法。[0040](1)本发明通过级联时空图网络架构，对时序和空间特征进行协同建模，突破了传统谐波预测分析方法依赖稳态假设、忽略拓扑关联性且无法覆盖未量测节点的限制，实现了未量测节点2-25次谐波电压含有率和谐波电压总畸变率的精准推估，且支持电网拓扑动态变化的实时响应，可以有效降低监测系统成本。[0041](2)本发明通过人工神经网络模块融合谐波能量守恒物理约束与在线微调机制，突破了传统THD计算依赖线性叠加公式导致相位误差的局限性，降低了总谐波畸变率的计算误差，为谐波治理设备提供精准调控基准。附图说明[0042]图1是实施例一的一种基于级联时空图网络的配电网谐波预测方法架构图。[0043]图2是实施例一的单点时序预测模块架构图。[0044]图3是实施例一的空间推估模块架构图。[0045]图4是实施例一的指标融合计算模块架构图。[0046]图5是实施例二的级联时空图网络分阶段训练策略流程图。[0047]图6是实施例三的IEEE33节点算例的网架拓扑图。[0048]图7是实施例三的新能源光伏注入节点发电单元电气模型与部分次谐波电流输出值。[0049]图8是实施例三的非线性负载接入节点采取的诺顿等效模型图。[0050]图9是实施例三的已有量测节点33部分次谐波电压含有率的真实值和预测值。[0051]图10是实施例三的未量测节点28部分次谐波电压含有率的真实值和预测值。[0052]图11是实施例三的各节点谐波电压总畸变率在某一预测时间断面下的真实值和预测值。[0053]图12是实施例四的一种基于级联时空图网络的配电网谐波预测装置的结构框图。具体实施方式[0054]以下将结合附图，对本发明进行更为详细的描述，需要说明的是，以下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。[0055]实施例一：实施例一提供了一种基于级联时空图网络的配电网谐波预测方法，旨在利用配电网有限节点的谐波电压含有率和全节点的注入功率历史数据，通过由单点时序预测模块、空间推估模块和指标融合计算模块构成的级联时空图网络，实现配电网全节点2-25次谐波电压含有率(HRU)的高精度预测与总谐波畸变率(THD)的自动计算。9测节点的历史时序数据，包括2-25次谐波电压含有率HRU=[HRU₂,…,HRU₂5]、注入有功功率P和无功功率Q,构成特征维度为d的特征向量X:[0060]将连续Tnist分钟的特征向量X按时间维度划分为多个局部时间块，形成块序列Xpatch:个块的特征向量；Sstride为相邻块之间的滑动步长(默认取8分钟);Np为总块数，[0069]步骤1.3:将生成的嵌入表示Z(0)输入由L层堆叠的通道独立多头自注意力子层构[0071]其中，zZ(-1)为第C个特征通道在第1-1层对应的块嵌入序列；[:,c,:]表示张量切[0072]对于每个特征通道均通过可学习参数矩阵W°、W.、W,生成对应的查询向量行加权聚合，拼接后经线性变换生成多头注意力特征MultiHead”),通过残差连接Concat[0085]步骤2:根据步骤1得到的已部署量测节点各次谐波电压含有率的预测值，结合配[0086]步骤2.1:基于配电网的电气连接关系与节点导纳矩阵，构建无向加权图气直接连接的节点对；邻接矩阵A的边权重Aij由节点间谐波阻抗幅值的倒数归一化得到，[0088]其中，Zn,j为节点与j之间的h次谐波下的阻抗值。[0090]步骤2.2:将单点时序预测模块输出的量测节点未来Tfuture分钟的各次谐波电压[0096]其中，为可学习消息变换矩阵，H(k-1)表示第k-1跳邻居以及空间推估模块输出的未量测节点各次谐波电压含有率预测值Yunmea,按节点维度拼接 第i个节点在第t个时间步中用其2-25次谐波含有率算出5分钟更新；0为Hadamard积；s∈R²5和b∈R²5为可学习缩放与偏移参数，初始化为Sn=1/√h、bn=0;ε=1e-6[0112]步骤3.3:将增强后的特征向量输入包含L层残差块的全连接网络，每个残差块的性；当空间推估误差变动稳定在±0.3%区间时完成参数固化； 节点，此类节点可以获取准确实时的2-25次谐波电压含有率的量测值，谐波量测节点的分布满足配电网拓扑的连通性约束；此外，全节点的功率数据默认可以通过计量、调度等系统完备获取。[0138]以中国南方某地区的真实光照曲线、温度曲线，以及线性负载和非线性负载的工况曲线为依托，通过上述模型，生成海量历史数据，包括全节点注入功率、量测节点2-25次谐波电压含有率等。全节点注入功率的预测值通过传统的LSTM神经网络获得。将上述历史数据结合模型拓扑信息和线路参数，输入级联时空图网络，可计算获得全节点2-25次谐波电压含有率的预测值以及各节点谐波电压总畸变率的预测值。图9为已有量测节点33部分次谐波电压含有率的真实值和预测值；图10为未量测节点28部分次谐波电压含有率的真实值和预测值；图11为各节点谐波电压总畸变率在某一预测时间断面下的真实值和预测值。可以看到，采用本发明所述方法可以准确获取全节点各次谐波电压含有率和谐波电压总畸变率的预测值。[0139]实施例四：图12为本发明实施例四提供的一种基于级联时空图网络的配电网谐波出装置340;计算机设备中处理器310的数量可以是一个或多个，图12中以一个处理器310为例；电子设备中的处理器310、存储器320、输入装置330和输出装置340可以通过总线或其他方式连接，图12中以通过总线连接为例。[0140]存储器320作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的基于级联时空图网络的配电网谐波预测方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行装置的各种功能应用以及数据处理，即实现上述实施例一至实施例三的基于级联时空图网络的配电网谐波预测方法。[0141]存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至基于级联时空图网络的配电网谐波预测装置。上述网络的实例包括但不限于互联网、企业内部网、[0142]输入装置330可用于接收输入的用户身份信息、系统状态参数历史数据等。输出装置340可包括显示屏等显示设备。[0143]实施例五：本发明实施例五还提供一种包含计算机可执行指令的存储介质，该存储介质可用于计算机执行基于级联时空图网络的配电网谐波预测方法，该方法包括：[0144]获取量测节点有功功率、无功功率、2-25次谐波电压含有率等历史时序数据，输入单点时序预测模块，获取量测节点有功功率、无功功率、2-25次谐波电压含有率的预测值；[0145]将获得的预测值结合配电网拓扑连接关系、线路参数，以及未量测节点的功率预测数据，输入空间推估模块，获取未量测节点的2-25次谐波电压含有率的预测值；[0146]将全节点2-25次谐波电压含有率的预测值输入指标融合模块，获取全节点谐波电压总畸变率的预测值。[0147]当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于级联时空图网络的配电网谐波预测方法中的相关操作。[0148]对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。量测节点量测节点预测时序数据未量测节点预测数据未量测节点预测数据全节点谐波电压总畸变率预测数据单点时序预测模块空间推估模块指标融合模块量测节点历史时序数据配电网拓扑连接配电网线路参数节点1节点1↑Qt+Thistt+ThisxN。节点2(同上)人南CN120222367A22K跳图注意力机制进行邻居节点消息传递569战PV13全连接层全连接层卷积层PV2PV338全节点谐波电压总谐波畸变率预测值指标融合计算模型训练指标融合计算模型训练降幅度<0.5%?否否降幅度<0.5%?是是是空间推估模型训练单点时序预测模型训练8340O9平衡节点I八电网5次谐波山流(A)温度5次谐波山流(A)温度CC)辐照度(W/m²)温度(℃)00辐照度(Wm²)19次静波电〔A)19次静波电〔A)19次谐波电流有效值17次谐波电流(A)17次谐波电流(A)