CN120197140A 一种配电网关键节点识别方法、装置、终端及介质

(19)国家知识产权局(22)申请日2025.05.27H02J公司11227及介质本申请公开了一种配电网关键节点识别方法、装置、终端及介质，涉及配电网技术领域，本申请提供的方案基于配电网的节点拓扑数据和得到的空间特征和代表时序特征的历史运行数荻取配电网的节点拓扑数据和历史运行数据根据节点拓扑数据，通过多个预设的图数据构建条件，构建不同的将各个节点关系图数据进行融合处理，得到配电网的空间特征，再根据历史运行数据和空间特征，通过预设的时序聚合模型，得到配电网的时空特征向量根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值行模拟运算，得到多任务损失误差校验值根据多任务损失误差基准值和多任务损失误差校验值的误差差值，2获取配电网的节点拓扑数据和历史运行数据；根据所述节点拓扑数据，通过多个预设的图数据构建条件，构建不同的节点关系图数将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征，再根据所述历史运行数据和所述空间特征，通过预设的时序聚合模型，得到所述配电网的时空特征向根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值；从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值；根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果。2.根据权利要求1所述的一种配电网关键节点识别方法，其特征在于，所述节点关系图数据包括：拓扑邻接图数据、地理距离图数据和节点类型相似图数据。3.根据权利要求1所述的一种配电网关键节点识别方法，其特征在于，所述将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征具体包括：通过图神经网络提取各个节点关系图数据中的空间嵌入特征，再将各个所述节点关系图数据的空间嵌入特征进行融合处理，得到所述配电网的空间特征。4.根据权利要求1所述的一种配电网关键节点识别方法，其特征在于，所述根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值具体包括：根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多个单任务预测数据；根据每个所述单任务预测数据与对应的单任务真实数据的损失误差累加和，得到多任务损失误差基准值。5.根据权利要求4所述的一种配电网关键节点识别方法，其特征在于，所述单任务预测数据包括：负荷缺口预测数据、故障概率预测数据、恢复时长预测数据、传输流量预测数据和充电需求预测数据中的至少两种。6.根据权利要求4所述的一种配电网关键节点识别方法，其特征在于，所述从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值具体包括：从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，按照Extra屏蔽逻辑和/或Intra屏蔽逻辑，屏蔽所述目标节点和所述邻域节点的时空特征向量，基于节点屏蔽处理后的配电网时空特征向量，通过多任务预测模型进行模拟运算，得到第一多任务损失误差校验值和/或第二多任务损失误差校验值，其中，所述第一多任务损失误差校验值为基于按照Extra屏蔽逻辑处理后的配电网时空特征向量得到的多任务损失3误差校验值，所述第二多任务损失误差校验值为基于按照Intra屏蔽逻辑处理后的配电网时空特征向量得到的多任务损失误差校验值。7.根据权利要求6所述的一种配电网关键节点识别方法，其特征在于，所述根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果具体包括：根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，通过比较各个目标节点对应的误差差值，确定所述目标节点的关键节点识别结果。配电网数据获取单元，用于获取配电网的节点拓扑数据和历史运行数据；图数据构建单元，用于根据所述节点拓扑数据，通过多个预设的图数据构建条件，构建不同的节点关系图数据；时空特征提取单元，用于将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征，再根据所述历史运行数据和所述空间特征，通过预设的时序聚合模型，得到所述配电网的时空特征向量；第一误差计算单元，用于根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值；第二误差计算单元，用于从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值；关键节点识别单元，用于根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果。所述存储器用于存储程序代码，所述程序代码用于实现如权利要求1至7任意一项所述的一种配电网关键节点识别方法；所述处理器用于读取并执行所述程序代码。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，所述程序代码用于被处理器读取并执行，以实现如权利要求1至7任意一项所述的一种配电网关键节点识别方法。4一种配电网关键节点识别方法、装置、终端及介质技术领域[0001]本申请涉及配电网技术领及介质。背景技术[0002]随着电力系统规模的扩大和极端天气事件的频发，电力系统的韧性评估和关键节点识别成为保障供电安全的重要问题。传统方法主要依赖于物理模型仿真和复杂网络理论，但这些方法难以应对复杂的时空耦合动态场景。关键节点识别领域的主流方法包括：复技术逐步应用于电力系统分析，但现有方法在关键节点识别中存在维度单一、多任务协同性差、可解释性不足等现象，导致在实际应用中关键节点识别的准确度低的技术问题。发明内容[0003]本申请提供了一种配电网关键节点识别方法、装置、终端及介质，用于解决现有的关键节点识别的准确度低的技术问题。[0004]为解决上述技术问题，本申请第一方面提供了一种配电网关键节点识别方法，包[0005]获取配电网的节点拓扑数据和历史运行数据；[0006]根据所述节点拓扑数据，通过多个预设的图数据构建条件，构建不同的节点关系图数据；[0007]将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征，再根据所述历史运行数据和所述空间特征，通过预设的时序聚合模型，得到所述配电网的时空特征向量；[0008]根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运[0009]从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值；[0010]根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果。[0011]优选地，所述节点关系图数据包括：拓扑邻接图数据、地理距离图数据和节点类型相似图数据。[0012]优选地，所述将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征具体包括：[0013]通过图神经网络提取各个节点关系图数据中的空间嵌入特征，再将各个所述节点关系图数据的空间嵌入特征进行融合处理，得到所述配电网的空间特征。5[0014]优选地，所述根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值具体包括：[0015]根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运[0016]根据每个所述单任务预测数据与对应的单任务真实数据的损失误差累加和，得到多任务损失误差基准值。[0017]优选地，所述单任务预测数据包括：负荷缺口预测数据、故障概率预测数据、恢复时长预测数据、传输流量预测数据和充电需求预测数据中的至少两种。[0018]优选地，所述从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值具体包括：[0019]从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，按照Extra屏蔽逻辑和/或Intra屏蔽逻辑，屏蔽所述目标节点和所述邻域节点的时空特征向量，[0020]基于节点屏蔽处理后的配电网时空特征向量，通过多任务预测模型进行模拟运算，得到第一多任务损失误差校验值和/或第二多任务损失误差校验值，其中，所述第一多任务损失误差校验值为基于按照Extra屏蔽逻辑处理后的配电网时空特征向量得到的多任务损失误差校验值，所述第二多任务损失误差校验值为基于按照Intra屏蔽逻辑处理后的配电网时空特征向量得到的多任务损失误差校验值。[0021]优选地，所述根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果具体包括：[0022]根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，通过比较各个目标节点对应的误差差值，确定所述目标节点的关键节点识别结果。[0024]配电网数据获取单元，用于获取配电网的节点拓扑数据和历史运行数据；[0025]图数据构建单元，用于根据所述节点拓扑数据，通过多个预设的图数据构建条件，构建不同的节点关系图数据；[0026]时空特征提取单元，用于将各个所述节点关系图数据进行融合处理，得到所述配电网的空间特征，再根据所述历史运行数据和所述空间特征，通过预设的时序聚合模型，得到所述配电网的时空特征向量；[0027]第一误差计算单元，用于根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值；[0028]第二误差计算单元，用于从所述配电网中确定任意目标节点，结合所述目标节点对应的邻域节点，屏蔽所述目标节点和所述邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损失误差校验值；[0029]关键节点识别单元，用于根据所述多任务损失误差基准值和所述多任务损失误差校验值的误差差值，确定所述目标节点的关键节点识别结果。[0030]本申请第三方面提供了一种配电网关键节点识别终端，包括：存储器和处[0031]所述存储器用于存储程序代码，所述程序代码用于实现如本申请第一方面提供的一种配电网关键节点识别方法；6[0032]所述处理器用于读取并执行所述程序代码。[0033]本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码用于被处理器读取并执行，以实现如本申请第一方面提供的一种配电网关键节点识别方法。[0034]从以上技术方案可以看出，本申请具有以下优点：[0035]本申请提供的方案基于配电网的节点拓扑数据和历史运行数据，先根据节点拓扑数据，构建不同的节点关系图数据，然后通过各个节点关系图数据进行融合，得到配电网的空间特征，再利用空间特征和代表时序特征的历史运行数据，通过预设的时序聚合模型进行运算，得到时空特征向量，然后，从配电网中确定任意目标节点，用于将该目标节点以及相关邻域节点的时空特征向量屏蔽，通过多任务预测模型进行模拟运算，分别得到目标节点屏蔽前后的损失误差，根据两组损失误差的差异衡量该目标节点的故障对于配电网整体的影响程度，进而识别出配电网中关键节点，本方案通过多维度建模、任务协同训练、高效计算和透明决策支持，能够全面捕捉电力系统的时空动态特性，提升节点韧性预测精度，解决了现有的关键节点识别的准确度低的技术问题。附图说明[0036]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。[0037]图1为本申请提供的一种配电网关键节点识别方法实施例的实施例的流程示意[0038]图2为本申请提供的一种配电网关键节点识别方法中多图结构及其在时空模型中的融合示意图。[0039]图3为可解释分析中的Extra与Intra屏蔽示意图。[0040]图4为本申请提供的一种配电网关键节点识别装置实施例的实施例的结构示意[0041]图5为本申请提供的一种配电网关键节点识别终端实施例的实施例的结构示意具体实施方式[0042]本申请实施例提供了一种配电网关键节点识别方法、装置、终端及介质，用于解决现有的关键节点识别的准确度低的技术问题。[0043]为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。[0044]首先是本申请提供的一种配电网关键节点识别方法实施例的详细说明，具体如7[0051]其中，拓扑邻接图的邻接矩阵A¹具体用于反映各个节点间的拓扑连接关系，例[0053]节点类型相似图的邻接矩阵A³用于反映各个节点间的功能属性相似度或节点类8[0059]ACG()聚合函数的输入信息为特征矩阵X,和邻接矩阵A*,在AGG函数中，节点i的邻居节点的特征通过聚合方式被组合在一起，对于节点i来说，它会聚合其邻居节点j∈N(i)的特征。在GraphSAGE模块的第一层，节点的特征表示就是从节点特征矩阵X_(i,t)中提取的，换句话说初始的特征表示是直接从输入矩阵中获取的。[0060]若有K张图，则可对每张图分别执行若干层GraphSAGE操作，得到节点i在每张图下的表示{z⁹,z?,…zZK)},再将它们拼接为：[0063]步骤104、根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值；[0064]需要说明的是，再接着是进行多任务输出与损失处理，假设有Nn的预测目标记为”。在网络最后一层，为每个任务设计一个小型网络：[0066]其中，"表示第n个任务的预测值，f。(·)表示任务n的专属输出结构，中为该网络的可学习参数，令真实标签为y",可定义多任务损失(采用均方误差MSE),表达式如下：[0068]其中，0表示共享层(空间+时间模块)的所有参数；φ,表示第n个任务头的参数；Q表示训练集所覆盖的时刻索引集合。在反向传播时，多个任务的梯度会共同更新共享层与各自的专属层，由此可同时预测多种韧性相关指标。[0069]接着，此模型会输出每个任务的预测值以及一个误差值C,具体的误差值类型取决于模型的输入信息，如果输入的是未屏蔽时的信息，得到的将是初始误差Lorigina,即本申请提及的多任务损失误差基准值，其表示未屏蔽节点时多任务预测的总误差，假设n∈{A,B,C}表示三个任务为例(A:负荷缺口，B:恢复时长，C:故障范围),表达式如下：[0071]其中，负荷缺口：表示在极端场景下，节点i在时刻t的用电需求与可供给之间的差[0073]故障波及范围：表示节点故障对周边节点或整个系统的潜在影响度或失效传播深[0074]步骤105、从配电网中确定任意目标节点，结合目标节点对应的邻域节点，屏蔽目标节点和邻域节点的时空特征向量，再通过多任务预测模型进行模拟运算，得到多任务损9[0079]具体来说，对于节点V的屏蔽策略有两种，分为Extra屏蔽(屏蔽节点V;自身+邻其邻域在Extra屏蔽策略下的屏蔽效果示意图，图3的(b)部分是节点V及其邻域在Intra屏范围的节点对目标节点的贡献度呈指数衰减。假[0087]Analyze:对比置零前后的误差变化，衡量此节点/邻域对预测结果的边际贡献或[0091]其中，△C(v.)是节点V:对全网预测误差的边际贡献，正值越大表示该节点失效对系统整体韧性影响越显著;△C'(v;)是节点V;对自身预测误差的依赖度，正值越大说明该节点韧性越依赖周边区域。[0092]基于Extra屏蔽分析，选择△C(v.)值最大的若干个节点(如Top10,可结合实际节点规模选择),这些节点的失效会导致多任务总损失显著上升，应优先配置应急电源；[0093]基于Intra屏蔽分析，若△C'(v;)>t(T为预设阈值，可结合实际情况选择),表明该节点易受邻域故障波及，需强化局部拓扑连接；[0094]最后综合多任务分析结果信息，通过比较各个节点算出的△CE和△C,若多个任务计算得到的△CE和△C中越大，说明该节点为系统级关键脆弱点的概率越大。[0095]通过本申请提供的方案能够更准确地找到配电网中最关键的那些节点，即识别出一旦出问题会对整个电网造成重大影响的那些节点，以及评估电网的韧性，即评估电网在遇到故障时的恢复效率，以及最容易出问题的地方，能够帮助电力运维部门在灾害发生时快速识别关键节点并优先抢修，减少停电时间和范围；在电网规划中指导加固和扩容，提升整体韧性；在日常运维中实时监控关键节点状态，提前预警潜在风险，避免大规模停电。[0096]以上为本申请提供的一种配电网关键节点识别方法实施例的详细说明，下面为本申请提供的一种配电网关键节点识别装置的详细说明，具体如下：[0097]请参阅图4,本申请实施例提供的一种配电网关键节点识别装置，包括：[0098]配电网数据获取单元201,用于获取配电网的节点拓扑数据和历史运行数据；[0099]图数据构建单元202,用于根据节点拓扑数据，通过多个预设的图数据构建条件，构建不同的节点关系图数据；[0100]时空特征提取单元203,用于将各个节点关系图数据进行融合处理，得到配电网的空间特征，再根据历史运行数据和空间特征，通过预设的时序聚合模型，得到配电网的时空特征向量；[0101]第一误差计算单元204,用于根据配电网中各个节点对应的时空特征向量，结合多任务预测模型进行模拟运算，得到多任务损失误差基准值；[0102]第二误差计算单元205,用于从配电网中确定任意目标节点，结合目标节点对应的邻域节点，屏蔽目标节点和邻域节点的时空特征向量，再通过多任务预测模型进行模拟运[0103]关键节点识别单元206,用于根据多任务损失误差基准值和多任务损失误差校验值的误差差值，确定目标节点的关键节点识别结果。[0104]此外，本申请还对应提供了配电网关键节点识别终端和计算机可读存储介质实施[0105]如图5所示，本申请提供的一种配电网关键节点识别终端实施例，终端的实现类型11存储器33和处理器31,存储器33和处理器31可通过通信总线34连接；[0106]存储器33用于存储程序代码，程序代码用于实现如上述实施例提供的一种配电网关键节点识别方法；[0107]处理器31用于读取并执行程序代码。[0108]本申请提供的一种计算机可读存储介质，计算机可读存储介质中存储有程序代码，程序代码用于被处理器读取并执行，以实现如上述实施例提供的一种配电网关键节点识别方法。[0109]所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的终端，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0110]在本申请所提供的几个实施例中，应该理解到，所揭露的终端，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在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b