CN119438783A 基于人工智能和拓扑数据分析的电网异常检测与诊断方法 （广东科技学院）

基于人工智能和拓扑数据分析的电网异常本发明公开了一种基于人工智能和拓扑数与拓扑结构特征通过图卷积网络嵌入异常检测2S3.利用第一生成器基于电力运行数据生成模拟电网中的异常数据；利用第一判别器S5.将电网的电力运行数据与拓扑结构特征通过图卷积网络嵌入异常检测模型中，结S6.通过自适应学习模型动态调整电网异常检测参数，使异常检测模型随电网运行状2.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方3.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方电网拓扑网络模型中结合节点的历史状态和电网运行特性每个节点ni∈N状态信息表3S22.在电网拓扑网络模型的图神经网络嵌入中i(t)示节点ni在时间t的高维嵌入向量，Wembed和Wneigh分别是节点自身和邻居节S23.利用图神经网络动态调整电网拓扑网络模型边的权重关系描述节点ni与节点nj之ijS24.结合电力运行数据和电网拓扑网络模型通过图神经网络训练自动提取电网中潜其中，"0表示节点ni在第1层的特征向量，W(l)和分别是该层的权重矩4.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方S31.基于电网的多源数据集以及电网拓扑网络模型的拓扑嵌入特征构建第一生成器对抗网络中的生成器生成模拟电网中的异常real表示真实的电力运行数据，TembeS32.第一判别器D1接收真实异常数据Dreal和由第一生成器G1生成的异常数据Dgen并对其中，lo,表示第一判别器的损失函数，EorealogD1(Dra)l是对真实异常数据的预测准确率，Boalog(1-D.1(Dgon)l是对生成的异常数据判别错误的概率；S33.第一生成器G1的目标是最大化第一判别器D1的错误判别率，即使生成的异常数据第一生成器生成的异常数据Dgen与真实异常数据Dre5.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方4S41.在生成的异常数据D的基础上结合电力运行数二层异常数据第二生成器目标是结合第一层生成的异常数据Dgen和多源真实数据DrealS43.利用第二判别器D2对第二层异常数据与多源真实数据Dreal进行判别，第二判S44.第二生成器G2的目标是最大化第二判别器D2的误判率，生成复杂且难以区分的异6.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方S52.利用双层生成对抗网络的生成器和判别器优化7.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方S61.在电网异常检测过程中构建用于动态调整电网异常检测参数的自适应学习模型S62.自适应学习模型通过连续监控电网的电力运58.根据权利要求1所述的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方S71.基于电网的拓扑信息利用双层生成对抗网络生成的第二层异常数据结合拓扑数iS72.通过计算每个节点的异常评分Ai(6位及自适应调整方面存在诸多不足，亟需一种结合人工智能和拓扑数据分析的创新方法，[0008]根据本发明实施例的一种基于人工智能和拓扑数据分析的电网异常检测与诊断7[0010]S2.基于电网的物理结[0011]S3.利用第一生成器基于电力运行数据生成模拟[0012]S4.在S3的基础上结合电力运行数据和[0013]S5.将电网的电力运行数据与拓扑结构特征通过图卷积网络嵌入异常检测模型[0014]S6.通过自适应学习模型动态调整[0019]S13.依据数据传输协议，电网数据处理模块接收并存储所有采集的电力运行数[0025]电网拓扑网络模型中结合节点的历史状态和电网运行特性每个节点ni∈N状态信8[0031]S23.利用图神经网络动态调整电网拓扑网络模型边的权重关系描述节点ni与节[0034]S24.结合电力运行数据和电网拓扑网络模型通过图神经网络训练自动提取电网"c表示节点ni在第l层的特征向量，W(l)和分别是该层的权重矩[0038]S31.基于电网的多源数据集以及电网拓扑网络模型的拓扑嵌入特征构建第一生[0041]S32.第一判别器D1接收真实异常数据Dreal和由第一生成器G1生成的异常数据Dgen[0042]ln,=-IE直到第一生成器生成的异常数据Dgen与真实异常数据Dreal难以[0048]S41.在生成的异常数据Dgen的基础上结合电力运行数据生成异常数据的分布模9的第二层异常数据第二生成器目标是结合第一层生成的异常数据D和多源真实数gen的第二层异常数据第二生成器目标是结合第一层生成的异常数据D和多源真实数[0055]S51.将电网的电力运行数据与拓扑结构特征Tembed通过图卷积网络嵌入异常检测[0060]S61.在电网异常检测过程中构建用于动态调整电网异常检测参数的自适应学习模型Madapt，所述自适应学习模型基于实时电力运行数据Dreal(t)和历史电力运行数据Dhist[0068]S71.基于电网的拓扑信息利用双层生成对抗网络生成的第二层异常数据结合拓扑数据分析方法对电网中的故障节点或异常线路进行定位，定义节点的异常评分函数Ai[0071]S72.通过计算每个节点的异常评分Ai(t)识[0077](1)本发明通过将电网的拓扑结构信息嵌入到图神经网络中，能够自动提取电网[0078](2)本发明通过自适应学习模型对电网异常检测模型的参数进行实时动态调整，[0079](3)本发明通过双层生成对抗网络，能够生成更加复杂和逼真的异常数据用于电[0080](4)本发明通过拓扑数据分析和生成对抗网络生成的异常模式对电网中的故障节[0082]图1为本发明提出的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方[0083]图2为本发明提出的一种基于人工智能和拓扑数据分析的电网异常检测与诊断方[0087]S2.基于电网的物理结[0088]S3.利用第一生成器基于电力运行数据生成模拟[0089]S4.在S3的基础上结合电力运行数据和[0090]S5.将电网的电力运行数据与拓扑结构特征通过图卷积网络嵌入异常检测模型[0091]S6.通过自适应学习模型动态调整[0096]S13.依据数据传输协议，电网数据处理模块接收并存储所有采集的电力运行数[0102]电网拓扑网络模型中结合节点的历史状态和电网运行特性每个节点ni∈N状态信[0108]S23.利用图神经网络动态调整电网拓扑网络模型边的权重关系描述节点ni与节[0111]S24.结合电力运行数据和电网拓扑网络模型通过图神经网络训练自动提取电网[0113]其中，"co表示节点ni在第l层的特征向量，W(l)和分别是该层的权重矩[0115]S31.基于电网的多源数据集以及电网拓扑网络模型的拓扑嵌入特征构建第一生[0118]S32.第一判别器D1接收真实异常数据Dreal和由第一生成器G1生成的异常数据Dgen预测准确率，Engenlog(1-D1(Dgen)]是对生成的异常数据判别错误的概率；直到第一生成器生成的异常数据Dgen与真实异常数据Dreal难以gen[0125]S41.在生成的异常数据D的基础上结合电力运行数据生成异常数据的分布模gengen的第二层异常数据第二生成器目标是结合第一层生成的异常数据D和多源真实数gen[0132]S51.将电网的电力运行数据与拓扑结构特征Tembed通过图卷积网络嵌入异常检测[0137]S61.在电网异常检测过程中构建用于动态调整电网异常检测参数的自适应学习[0145]S71.基于电网的拓扑信息利用双层生成对抗网络生成的第二层异常数据结合拓扑数据分析方法对电网中的故障节点或异常线路进行定位，定义节点的异常评分函数Ai[0148]S72.通过计算每个节点的异常评分Ai(t)识了过载现象，电流由正常值1200A急剧上升至1600A，导致与北部区域的负荷中心大面积停电。[0160]根据实时数据，通过图神经网络将节点间的电力运行数据与拓扑嵌入特征相结低高[0174]在本次电网模拟中，利用5000组真实的电网故障数据对生成对抗网络进行了训