CN119475263A 基于图对比学习的电力系统状态估计方法 （华南理工大学）

本发明公开了一种基于图对比学习的电力点特征序列和掩蔽的边特征输入到结合自注意力机制和残差块的动态边缘卷积神经网络以及带有门控机制的动态传播策略的图卷积神经网过图对比学习框架的模型参数的更新机制和采2收集电力系统状态估计量测数据，构建电力系统状态估计的图序列构建基于图对比学习的电力系统状态估计模型，所将所述图序列数据基于图对比学习的电力系统状态估计模型中，将节点特征序列和掩蔽的边特征输入到结合自注意力机制和残差块的动态边缘卷积神经网络以及带有门控机制的动态传播策略的图卷积神经网络的混合编码器来综合处理通过图对比学习框架的模型参数的更新机制和采样对称化训练策略，经网络以及带有门控机制的动态传播策略的图卷积神经网络的混合编码器替代原始图对动态边缘卷积神经网络和图卷积神经网络的混合编码利用残差块和自注意力机制来学习和转换边特征代替原动态边缘卷积神经网络中的3QZKZ态传播策略通过在每次传播中动态调整传播深度，基于一个随机生成的深度参数c来决定输入门：输入门控制通过图卷积层从邻居节点聚合的新特征信息，4特征更新：遗忘门和输入门的输出结果用于更新节点的特征输出门：在最终输出节点特征之前，输出门进一步调整通过遗忘在模型参数更新中，两个图编码器onlineencoder和targetencoder的更新方式不损失的梯度更新参数θ,对比损失通过余弦相似度来度量两个编码器的输出相似度，即梯度更新参数θ的表示如下：失函数，所述损失函数包含对比损失和状态估计损失，aol(e,p)是损失函数l(9,p)对参数θ通过使用第二个视图的在线表示来预测第一个视图的目标表示来按照onlineencoder的参数进行动量其中，A为电力系统分析中用于描述节点与其相连的支路之间的关系的N×N的关联矩5变得越来越复杂和多变。SE技术主要依赖于数据采集与监视控制系统(Supervisory[0003]相量测量单元(PMU)通过与GPS卫星时间参考同步，提供了一种精确的测量方而在给定时刻生成一致的系统运行状态，避免了传统状态估计中需人为设定相角的限制。[0004]SE是通过优化量测数据与系统状态变量之间的差异来确定电力系统实际状态的用最小二乘(LS)或最小绝对值(LAV)准则。最小二乘法(LS)的目标是最小化测量值与估计数的非线性和非光滑性，LAV方法的目标函数是非凸的，导致优化问题是一个非凸优化问6以处理不等式约束，并且在迭代过程中可能会因为步长选择不当而导致振荡或研究人员发现基于图的方法可视为封装和分析电力网络的空间依赖性和长距离交互的一电线则作为连接节点的边。而基于图神经网络(GNN)及其变体可以对图中的节点之间的复杂相互依赖关系进行建模，获取其内在结构信息。目前GNN已被应用于电力系统各种应用[0006]但当训练集中包含噪声数据时，图神经网络(GNN)的性能往往会显著下降，因为GNN的消息聚合和传输机制会将噪声数据中的错误信息传播到其他节点，从而增加节点预[0013]将节点特征序列和掩蔽的边特征输入到结合自注意力机制和残差块的动态边缘卷积神经网络以及带有门控机制的动态传播策略的图卷积神经网络的混合编码器来综合7注意力机制和残差块的动态边缘卷积神经网络以及带有门控机制的动态传播策略的图卷[0022]利用残差块和自注意力机制来学习和转换边特征代替原动态边缘卷积神经网络8[0030]作为优选的技术方案，所述动态传播策略通过在每次传基于一个随机生成的深度参数c来决定图卷积操作的迭代次数，实现对图节点特征的多层[0033]作为优选的技术方案，所述门控机制的目的是增强模型[0038]作为优选的技术方案，所述门控机制的目的是增强模型过的节点特征，以确保最终输出的节点特征充分反映了局部图结构信息和邻域特征的综9差损失的梯度更新参数θ,对比损失通过余弦相似度来度量两个编码器的输出相似度，即的损失函数，所述损失函数包含对比损失和状态估计损失，aol(e,p)是损失函数l(0,p)对参数θ的梯度；[0053]其中，A为电力系统分析中用于描述节点与其相连的支路之间的关系的N×N的关得到的支路相角差来估计系统中个节点的电压[0056](2)为了解决计算和内存成本上升的问题，本发明引入了不需要负样本对的图对[0057](3)本发明通过引入自注意力机制与残差块的动态边缘卷积神经网络，有效增强提高了动态边缘卷积神经网络在处理边特征时的准确[0058](4)在GCN(图卷积网络)的基础上，本发明引入了带有门使模型能够根据实际的电力系统运行情况灵活调整信息传播的深度。相比于传统GCN固定[0059](5)本发明通过利用支路相角差来计算节点电压相角，从而进一步提高电力系统[0060](6)本发明通过结合对比损失和节点状态量预测损失的双重优化策略，提升状态[0071]根据公开PMU量测数据集(采样频率20ms)时序趋势按比例生成I后加上全拓扑，最后在每个拓扑上通过求解最优潮流得到电压相量和节点注入功率作为制的动态传播策略的图卷积神经网络的混合编码器替代原图对比学习框架中的图神经网缘卷积神经网络以及带有门控机制的动态传播策略的图卷积神经网络的混合编码器来综[0084]动态边缘卷积神经网络(ECC)的核心优势在于其能够基于边的特征动态生成卷积块通过恒等映射和线性变换的组合来实现特征信息在网络层之[0102]其中，⑴是权重矩阵，b是偏置项，deg(i)和deg(j)分别是节点i和j的度，[0104]在图卷积网络中，过多的层次(即过多的迭代)可能导致节点之间的特征差异消一个随机生成的深度参数c来决定图卷积操作的迭代次数，实现对图节点特征的多层次处抑制，增强模型对图数据的表达能力，假设X是经过动态传播深度调整策略的节点特征矩[0125]结合了门控机制和残差连接的图卷积网络模型通过控制信息流的精细度和增加度更新参数θ,以使预测的目标表示更接近每个节点的targetencoder表示即据损失函数的梯度来更新模型参数，使用Adam优化方法来更新参数；I(0,w)即为模型训练数θ的梯度。[0141]其中，A为电力系统分析中用于描述节点与其相连的支路之间的关系的N×N的关[0143]服务器运行CentOS7.6操作系统，配备了48核2.2GHz的CPU、NVIDIAA100GPU[0145]在本实施例2，利用ACTIVSg2000系统数据集对本发明的技术方案做进一步的说缘卷积神经网络以及带有门控机制的动态传播策略的图卷积神经网络的混合编码器来综每个拓扑上通过求解最优潮流得到电压相量和节点注入功率作为PMU测量数据集。每种拓数优化选择超参数(如学习率、α1和α2)，以优化每个基准模型，使其达到最佳性能。在[0157]服务器运行CentOS7.6操作系统，配备了48核2.2GHz的CPU