CN115841179A - 一种基于图数字孪生的电力系统态势感知方法 - Google Patents

Abstract

一种基于图数字孪生的电力系统态势感知方法，具体涉及一种基于数字孪生的新型电力系统图学习态势感知方法，为了解决现有态势感知方法电力系统稳定性预测或多组件故障定位准确率较低的问题.根据图与数字孪生构建图数字孪生模型；利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据；针对能源互联网的故障问题，构建基于图神经网络的态势感知模型Ⅰ；针对能源互联网的稳定性问题，构建基于图神经网络的态势感知模型Ⅱ；利用基于图神经网络的态势感知模型Ⅰ对图结构化数据进行处理，得到能源互联网的故障及其位置；根据故障及其位置和图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性。

Description

一种基于图数字孪生的电力系统态势感知方法

技术领域

本发明涉及一种态势感知方法，具体涉及一种基于数字孪生的新型电力系统图学习态势感知方法，属于态势感知技术领域。

背景技术

由于电力系统规模的不断扩大，使得电力系统运行复杂度增加，以及运行环境变化。海量数据的实时更新以及可再生能源的快速发展导致现代能源互联网的实际运行存在许多不确定性。因此，很难准确了解电力系统的当前状态并预测电力系统的未来状态。态势感知(SA)是保证能源互联网稳定运行的关键因素之一，因为它可以使操作员有效、及时地掌握电力系统运行状态，并对电力系统的未来状态做出判断，因此有效的态势感知可以进一步保证电力系统的稳定运行。随着人工智能技术的发展，一些机器学习方法已经可以解决能源互联网中的态势感知问题，例如故障定位和稳定性评估，且目前已有技术将数字孪生(DT)用于能源互联网中的态势感知方法中，例如分布式光伏系统中的故障诊断、基于虚拟模型的系统管理、全球风电场的监控和分析等。但现有的基于数字孪生实现能源互联网态势感知的方法并没有考虑如何更好地将能源互联网组件的关系映射到数字世界中，使数字孪生更加准确的表示出能源互联网中各组件之间的关系，从而分析电力系统拓扑结构对电力系统特性的影响。并且现有的技术大多只能单一的考虑稳定性或总线故障定位，很少有研究能在实现系统稳定性预测、定位总线和发电机的故障时，考虑能源互联网拓扑结构对电力系统特性的影响，导致预测的电力系统稳定性和多组件故障定位的准确率较低。

发明内容

本发明为了解决现有态势感知方法在实现电力系统稳定性预测或多组件故障定位时，并未考虑电力系统拓扑结构对电力系统特征的影响，导致预测的电力系统稳定性和多组件故障定位的准确率较低的问题，进而提出了一种基于图数字孪生的电力系统态势感知方法。

它包括以下步骤：

S1、获取能源互联网的数据；

S2、根据图与数字孪生构建图数字孪生模型；

S3、利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据；

S4、针对能源互联网的故障问题，构建基于图神经网络的态势感知模型Ⅰ；

针对能源互联网的稳定性问题，构建基于图神经网络的态势感知模型Ⅱ；

利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网的故障及其位置；根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性；

S5、获取待预测的能源互联网的数据，执行S3-S4，得到能源互联网的故障及其位置、故障后能源互联网的稳定性。

进一步地，S1中获取能源互联网的数据，具体过程为：

获取能源互联网中各组件的数据，组件包括发电机、传输线和总线。

进一步地，S2中根据图与数字孪生构建图数字孪生模型，具体过程为：

图为G＝(V,E)，V是图中的有限非空节点集合，E是图中节点之间的边集合；

定义数字孪生的物理世界为P＝(H,R)，H表示物理实体集合，R表示物理实体之间的逻辑关系；

将图与数字孪生结合，得到图数字孪生模型，定义图数字孪生模型的数字世界中物理实体的虚拟表示为GDT＝(V_G,E_G,W,K)，其中，节点集V_G表示物理实体集合H；节点集V_G中的节点v_i表示物理实体；边集E_G表示任意两个物理实体之间的逻辑关系；节点的权重集W表示逻辑关系的强弱；边集和权重集结合表示物理实体之间的逻辑关系；K表示不同节点对应的属性类型。

进一步地，图数字孪生模型中第i个节点在时间t的虚拟表示为

其中，s_i(t)表示节点i当前状态，Δd_i表示节点i状态的变化，M_i是通过历史数据分析得到的节点行为模型，

表示节点i的邻居状态。

进一步地，图数字孪生模型依次包括物理实体层、数据采集层和图数字孪生层。

进一步地，在物理实体层内，能源互联网的物理孪生体表示为P_en＝(<G_en,B>,T)，G_en表示发电机组，B表示总线，T表示传输线，G_en和B可以作为物理实体，T可以作为物理实体之间的逻辑关系。

进一步地，S3中利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据，具体过程为：

S31、将能源互联网的数据输入图数字孪生模型的物理实体层内，得到能源互联网的物理孪生体表示；

S32、根据物理孪生体表示利用相量测量装置采集每个物理实体的数据；

S33、将S32采集的数据输入图数字孪生层内，得到数字世界中物理世界的图结构化虚拟表示的能源互联网，得到图结构化数据，图结构化数据包括节点状态、节点特征和邻接矩阵。

进一步地，S33得到的数字世界中物理世界的图结构化虚拟表示的能源互联网为GDT_en＝(V_en,E_en,K_en)，其中，V_en表示发电机和总线的集合，V_en＝{v_g1,…,v_gn,v_b1,…,v_bn}，v_gi是表示发电机的节点，v_bi是总线的节点；E_en表示不同节点之间传输线的状态，E_en＝{e_r1,e_r2,…,e_rn}；K_en表示不同节点的属性类型，K_en＝{k_g1,…,k_gn,k_b1,…,k_bn}，k_gi是发电机节点上的特征，k_bi是总线节点上的特征。

进一步地，S4中利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网的故障及其位置，具体过程为：

定义能源互联网中元件的故障类别包括总线故障、总线无故障、发电机故障和发电机无故障；设置基于图神经网络的态势感知模型Ⅰ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括三层卷积层；根据定义的故障类别利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网中元件存在的故障及其故障位置。

进一步地，S4中根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性，具体过程为：

设置基于图神经网络的态势感知模型Ⅱ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括两层卷积层；根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性。

有益效果：

本发明提出了将图与数字孪生结合的方式，得到了图数字孪生模型，将能源互联网中的组件和关系以图结构的形式映射到数字空间以解决态势感知的方法，即将物理实体的属性与实体之间的关系结合起来，得到图结构化数据，更准确地构建出数字空间能源互联网的完整映射，从而更好地了解电力系统的当前状态，预测电力系统的未来状态。本发明针对能源互联网的故障问题，提出了基于图神经网络的态势感知模型Ⅰ，针对能源互联网的稳定性问题，提出了基于图神经网络的态势感知模型Ⅱ。利用基于图神经网络的态势感知模型Ⅰ对得到的图结构化数据进行处理，得到能源互联网的故障及其位置；根据故障及其位置和图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性，实现了能源互联网高准确率的故障定位和稳定性预测。

本发明提出了一种基于图论的方法表示数字世界中的物理实体。本发明提出的基于图的数字孪生方法显着保证了数字实体的准确性和完整性。在本发明提出的图数字孪生模型中，本发明将物理实体定义为节点，将实体之间的关系定义为边，将物理世界生成的数据映射到图中，这样就在数字世界中构建了具有完整物理世界信息的图数字孪生(GDT)，以便得到高准确率的故障定位和稳定性预测。

基于图卷积网络(GCN)，本发明设计了两个分类器(基于图神经网络的态势感知模型Ⅰ、基于图神经网络的态势感知模型Ⅱ)，对态势感知模型的图结构化数据进行深度分析和处理。第一个分类器是面向全图的，用于稳定性预测，第二个分类器是面向节点的，用于能源互联网中的故障定位。本发明提出的态势感知模型可以在能源互联网中高精度地定位多个故障组件。

附图说明

图1是数字孪生模型的示意图；

图2是图数字孪生的示意图；

图3是基于图数字孪生的态势感知示意图；

图4是基于图神经网络的态势感知模型Ⅰ示意图；

图5是基于图神经网络的态势感知模型Ⅱ示意图；

图6是实施例中新英格兰测试系统图；

图7是实施例中基于总线的稳定性预测模型的损失图；

图8是实施例中基于总线的稳定性预测模型的学习准确率图；

图9是实施例中基于发电机的稳定性预测模型的损失图；

图10是实施例中基于发电机的稳定性预测模型的学习准确率图；

图11是实施例中故障定位模型的损失图；

图12是实施例中序列长度减小时态势感知模型的性能图；

具体实施方式

具体实施方式一：结合图1-图5说明本实施方式，本实施方式所述一种基于图数字孪生的电力系统态势感知方法，它包括以下步骤：

S1、获取能源互联网的数据。

能源互联网可理解是综合运用先进的电力电子技术,信息技术和智能管理技术,将大量由分布式能量采集装置,分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。获取能源互联网中各组件的数据，组件包括发电机、传输线和总线

S2、根据图与数字孪生构建图数字孪生模型，具体过程为：

数字孪生(DT)的概念是由NASA提出的，它可以实现数字空间中物理世界的虚拟映射，即数字孪生可以通过在数字空间中分析，实现对物理世界的实时态势感知，基于历史数据和实时数据的处理和分析诊断和维护能源互联网。同时，基于对物理世界产生的海量数据的分析，可以实现物理世界的状态信息和控制信息的反馈。DT的价值在于对物理对象的在线准确监测、预测、模拟和决策。DT的模型如图1所示。DT主要由物理世界和数字空间组成，物理世界分为物理实体和物理实体之间的逻辑关系，定义为P＝(H,R)，H＝{h₁,h₂,…,h_n},表示物理实体,R＝{r₁,r₂,…,r_n}表示物理实体之间的逻辑关系。为了更好地在数字空间中描述物理世界，本发明构建了数字空间中物理世界的结构化虚拟表示。

众所周知，图可以用来表示实体的属性和实体之间的关系。一个图由一个节点集和一个边集组成，定义为G＝(V,E)，V是图中的有限非空节点集合，表示物体；E是图中节点之间的边集合，表示两个实体之间的关系。在图中，节点之间的关系可以是任意的，图中任意两个元素可以直接相关。因此，当物理实体之间存在强逻辑关系时，基于图结构的虚拟表示可以清晰地表达数字空间中实体之间的关系，称之为图数字孪生(GDT)，GDT中符号的含义如表1所示。

表1

在本发明中，将数字世界中物理实体的虚拟表示定义为GDT＝(V_G,E_G,W,K)，其中，节点集V_G＝(v₁,v₂,…,v_i,…,v_n)用来表示物理实体集合H，每个物理实体h_i均用图中的节点v_i表示。边集E_G＝(e₁,e₂,…,e_i,…,e_n)用来表示任意两个物理实体之间的逻辑关系。节点的权重集W＝(w₁,w₂,…,w_i,…,w_n)代表了逻辑关系的强弱。边集和权重集用来表示物理实体之间的逻辑关系R。K＝(k₁,k₂,…,k_n)表示不同节点对应的属性类型。通过收集和处理物理实体的数据，图数字孪生可以以数字形式呈现物理世界的历史和当前状态。因此，第i个节点在时间t的虚拟表示为

其中，s_i(t)表示节点i当前状态，Δd_i表示节点i状态的变化，M_i是通过历史数据分析得到的节点行为模型，

表示节点i的邻居状态。图数字孪生GDT可以利用从物理世界中获得的数据，在数字空间中得到图结构化的虚拟，从而清晰准确地反映物理实体之间的关系。

DT可用于实时监控和更新能源互联网中组件的状态，同时，通过对监测状态的分析，实现能源运行状态的互联网预测分析和故障定位分析。考虑到能源互联网的拓扑结构也会对电力系统的运行特性产生影响，GDT可以更好地反映虚拟空间中能源互联网中各组件之间的逻辑关系，从而更准确地评估能源互联网的状态。图数字孪生GDT由三部分组成：物理实体层、数据采集层和图数字孪生层，如图2所示。

在物理实体层中，本发明使用G＝(g₁,g₂,…,g_n),T＝(t₁,t₂,…,t_l)和B＝(b₁,b₂,…,b_m)分别表示发电机、传输线和总线的集合，其中,n,l,m分别是发电机、传输线和总线的数量。如上所述，G和B可以看作是一组物理实体集合H，T可以看作是物理实体之间的一组逻辑关系R，因此，能源互联网的物理孪生体表示为P_en＝(<G_en,B>,T)。数据采集层是物理世界与数字世界之间的连接，通过使用相量测量装置(PMU)采集每个能源组件互联网的数据，实现对物理实体层中每个组件状态的采集。图数字孪生层从数据采集层收集数据，最终完成数字世界中物理世界的图结构化虚拟表示。在数字世界中，图结构虚拟表示的能源互联网可以表示为GDT_en＝(V_en,E_en,K_en)，其中，V_en＝{v_g1,…,v_gn,v_b1,…,v_bn}表示发电机和总线的集合。v_gi是表示发电机的节点，v_bi是总线的节点。E_en＝{e_r1,e_r2,…,e_rn}表示不同元件节点之间传输线的状态。由于本发明没有考虑节点和边缘在能源互联网中的重要性，因此没有设置节点或边的权重。K_en＝{k_g1,…,k_gn,k_b1,…,k_bn}表示不同组件节点的属性类型，其中，k_gi是发电机节点上的特征，k_bi是总线节点上的特征。

在能源互联网中，在时间t的节点i的虚拟表示可以表示为公式(1)，其中，s_i(t)是总线和发电机的当前状态，Δd_i是能源互联网状态的数据变化，M_i是通过历史数据分析得到的节点行为模型，

是相邻元件的状态。能源互联网的元件变化将导致GDT的相应变化。通过对GDT的结构化数据进行分析，可以预测能源互联网的状态变化，及时发现能源互联网中的故障元件，从而形成控制信息并反馈给能源互联网。

为了实现能源互联网的态势感知，GDT首先对数据进行图结构化处理，并利用结构化数据定位故障位置并预测未来能源互联网的现状，GDT将预测的信息反馈到能源互联网，以便能源互联网可以相应地处理事件。

S3、利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据。

根据态势感知的定义，SA模型可以分为三个层次：感知、理解和预测。本发明将上述的三层与能源互联网结合起来，得到一个新的基于图数字孪生的能源互联网态势感知模型，如图3所示。

首先，本发明使用GDT对能源互联网产生的数据进行处理和分析并将其图结构化。然后对每个图结构化的元件信息进行分类，找出故障及其发生的位置从而实现能源互联网的故障定位。最后对整个系统状态进行判断，分析故障后系统稳定性实现能源互联网的稳定性预测。完成上述三层SA后，可以根据故障定位及稳定性预测的结果得出能源互联网的整改决策并对其进行整改。IoE的态势感知步骤如算法1所示。

在本发明中，首先使用GDT根据采集到的能源互联网物理信息对其进行虚拟映射并将物理信息图结构化，得到包括节点状态、节点特征和邻接矩阵的图结构化数据。

基于图结构化数据的分析通常可以分为两种类型，一种是专注于节点，另一种是专注于图。专注于节点的问题取决于节点信息，分类或回归的实现取决于每个节点的属性及特征。专注于图的问题独立于节点，并在图结构化数据集上实现分类或回归。我们将能源互联网的SA中的故障定位和稳定性预测均定义为分类问题，其中能源互联网的故障定位是专注于节点的多分类问题，我们将不同元件映射的节点分为四类并给予每个类别一个标签，非故障总线节点标记为[0,0]，故障总线节点标记为[0,1]，非故障发电机节点标记为[1,0]，故障发电机节点标记为作为[1,1]。能源互联网的稳定性预测是专注于图的二分类问题，我们为每张图设置一个标签信息，将表示能源互联网为稳定状态的图标签设为0，将表示不稳定状态的图标签设为1。

S4、针对能源互联网的故障问题，构建基于图神经网络的态势感知模型Ⅰ；针对能源互联网的稳定性问题，构建基于图神经网络的态势感知模型Ⅱ；

利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网的故障及其位置；根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性。基于图神经网络的态势感知模型Ⅰ如图4所示，基于图神经网络的态势感知模型Ⅱ如图5所示。

态势感知(SA)的最早定义之一是在一定的时间和空间内感知环境中的元素信息，理解其含义并预测其未来状态。在涉及人类在复杂多变情况下的决策和行动的许多领域，SA正变得越来越重要。因此，在复杂多变的能源互联网环境中，态势感知受到越来越多的关注。

对于IoE而言，组件的工作原理复杂多变，组件之间的逻辑关系相对复杂。因此，传统方法难以准确实现面向IoE的SA。为了准确反映能源互联网的运行状态，机器学习是一种较为有效的方法。

虽然一些现有的机器学习方法可以实现SA模型中的定位故障并预测系统稳定性，但它们不能很好地直接处理图结构数据。由于所提出的模型通过分析GDT处理后的图结构数据来实现系统的态势感知，因此采用图神经网络(GNN)来实现SA模型。GNN作为神经网络的延伸可以无需任何处理直接将图结构数据转换为图学习架构的输出。因此，基于GNN的SA模型可以高效、准确地处理图结构数据，从而实现能源互联网的SA。

GNN的目标是学习节点的隐藏状态n_v。每个节点从他的邻居节点那里获取信息，并用这些信息更新隐藏状态。n_v可用于生成输出l_v，例如标签。n_v和l_v可以定义为

n_v＝f(z_v,z_co[v],n_ne[v],z_ne[v]) (2)

l_v＝g(n_v,z_v) (3)

其中，f是基于输入来更新节点状态的局部转换函数。g是描述了生成输出的方式的局部输出函数。z_v和z_co[v]是v的特征和v所连接的边。n_ne[v]是v的状态信息，而z_ne[v]是其邻域的特征。根据巴拿赫不动点定理，计算状态的迭代可以描述为

N^t+1＝F(N^t,Z) (4)

其中，N^t是t轮迭代后的状态，Z是通过堆叠所有特征构造的向量，F是全局转换函数。

原始GNN模型在更新不动点状态时效率相对较低，并且原始GNN用于节点分类的性能差强人意。为了准确描述能源互联网中节点的状态和节点之间的关系，使用GDT将PMUs收集的数据转化为数字空间的图结构，本发明不仅需要处理整个图的信息，还需要处理节点的信息，因此原始GNN并不适合本发明提出的SA模型。而GCN通过引入卷积运算和有效的传输规则，可以更好地对图和节点进行分类，从而更加适应本发明提出的SA模型。

本发明采用GCN实现能源互联网故障定位和稳定性预测的SA模型。所提出的基于GCN的SA模型的框架如图4所示，其中包括输入层，图卷积层，全连接层以及输出层。全连接层和输出层均有两种，一种是用于稳定性预测的基于图的二分类任务，另一种是用于故障定位的基于节点的多分类任务。

拉普拉斯矩阵是体现图状态的重要矩阵，拉普拉斯矩阵表示为Γ＝D-A，其中,D是度数矩阵，A是邻接矩阵。拉普拉斯矩阵的元素可以定义为

其中，diag(v_i)是第i个节点的度。归一化拉普拉斯矩阵表示为

其矩阵元素可以定义为

拉普拉斯矩阵是一个半正定矩阵，因此λ_min≥0，其中λ_min是矩阵的最小特征值。由于Γ×I＝0，所以有λ_min＝0，并且归一化的拉普拉斯矩阵特征值有上限，即λ_max≤2，其中λ_max是最大特征值。

1)、用于故障定位的GCN

为了定位能源互联网的故障位置以及预测其系统稳定性，本发明需要一个基于图的神经网络模型f(Z,A)来处理图结构的数据，其中,Z表示节点特征，反映能源互联网中各个元件的状态信息，A是表示各组件之间关系的邻接矩阵，GCN模型的逐层传播规则可以表示为

其中，

表示将单位矩阵加到无向图的邻接矩阵中，

并且

是可训练的权重矩阵，σ(·)表示激活函数，本发明选择Relu作为输入层和隐藏层的激活函数，使用softmax作为输出层的激活函数。σ(·)表示第I层的激活矩阵。

图的谱卷积可以描述为将节点标量z与滤波器d_δ＝diag(δ)于傅立叶域中相乘

d_δ*z＝Ψ_dδΨ^Tz (8)

其中，Ψ是归一化的图拉普拉斯特征向量矩阵

Λ是对角为特征值的特征矩阵，并且Ψ^Tz是z的图傅立叶变换，本发明将d_δ视为Γ的特征值函数d_δ(λ)，可以通过切比雪夫不等式T_k(x)的展开估计该值：

其中，

是Γ的最大特征值，δ是切比雪夫系数向量，然后本发明将切比雪夫多项式递归定义到公式(8)中，得到

其中

K阶拉普拉斯多项式的取值只与中心节点K步之内的邻居节点有关。GCN将卷积层限制为K＝1，使λ_max≈2，为了防止过度拟合，并进一步减少计算公式(10)可以简化为

由于

的特征值范围为[0，2]，可能会导致梯度爆炸或梯度消失，为了缓解这个问题，本发明使

其中

并且

当图中节点为矢量时，式(11)可以表示为

其中，Δ为滤波参数矩阵，M为卷积后的信号矩阵。

在本发明中，本发明将故障分类视为一个基于节点的多分类问题，即本发明将能源互联网中元件的故障类别分为，总线故障，总线无故障，发电机故障以及发电机无故障四种类别。本发明使用一个三层卷积层的GCN进行节点分类实现定位能源互联网的故障位置，即用于故障位置判断的基于图神经网络的态势感知模型Ⅰ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括三层卷积层。本发明首先计算

前馈传播模型可以表示为

其中，

是输入层到隐藏层的权重矩阵，

是隐藏层到隐藏层的权重矩阵，

是隐藏层到输出层的权重矩阵。Z是节点特征，本发明故障定位包括两种节点分别由发电机和总线映射而成。

在本发明中，本发明将能源互联网的故障定位视为多分类问题，因此损失函数可以写为以下形式

其中，loss_l是表示能源互联网故障定位的多分类交叉熵，s为图中节点总数，n为节点的种类，q_w,a,i表示第w个节点中第a个节点标签是i的实际概率，

表示第w个节点中第a个节点标签是i的可能性。

2)、用于稳定性预测的GCN

本发明使用两层卷积层的GCN模型进行整图分类实现预测能源互联网的稳定性，即用于稳定性预测的基于图神经网络的态势感知模型Ⅱ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括两层卷积层。得到前馈传输模型如下

其中，Z是节点特征，

是输入层到隐藏层的权重矩阵，

是隐藏层到输出层的权重矩阵，τ(·)表示将节点向量转化为表示整图的图向量的函数。

预测能源互联网的稳定性是预测其状态，本发明将其视为专注于图的分类问题，本发明通过将节点特征以及图的邻接矩阵输入预测模型来输出系统的稳定性表示，在本发明中本发明使用平均池化的方法通过节点特征得到图的全局表示进行图分类，实现能源互联网的稳定性预测。

在本发明中，本发明将能源互联网的稳定性预测视为二分类问题，因此损失函数可以写为以下形式

loss_p表示能源互联网稳定性预测的二分类交叉熵，u是样本数量，p_w是第w个样本稳定的实际概率，

是第w个样本稳定的可能性。

S5、获取待预测的能源互联网的数据，执行S3-S4，得到能源互联网的故障及其位置、故障后能源互联网的稳定性。

实施例

本发明所提出的基于GDT和GCN的SA模型在包含39条总线和10台发电机的新英格兰测试系统上进行了测试，如图6所示。

1)、稳定性预测的性能

为了更好地验证提出的稳定性预测模型对能源互联网中组件的依赖关系，将总线和发电机的信息映射为图分别进行系统稳定性预测。图7和图8显示了仅映射总线信息的训练过程。在这个训练过程中，学习率分别设置为0.0001、0.0003和0.0005。如图6所示，当学习率为0.0001时，模型经过5000次迭代后并没有完全达到收敛状态。当学习率为0.0003或0.0005时，随着迭代次数的增加，损失显著减小。当迭代次数达到5000时，损失已经达到较低的水平，说明模型处于收敛状态。如图8所示，随着迭代次数的增加，总线稳定性预测的学习精度也会增加，并且可以随着学习率的增加而增加，当学习率设置为0.0005时，经过5000次迭代后，学习精度达到了比较理想的结果。

图8和图10显示了仅使用发电机映射信息的训练过程。在这个训练过程中，学习率分别设置为0.001、0.003和0.005。如图9所示，当学习率为0.003时，模型在100迭代后可以完全达到收敛状态，而在第45次迭代后损失波动较大。当学习率为0.001或0.005时，损失在25迭代后显著降低。当迭代次数达到100时，损失已经达到较低水平，可以表明模型处于收敛状态。如图10所示，无论选择三种学习率中的哪一种，在100迭代后，学习准确率都可以达到相当理想的结果。可以看出，无论选择能源互联网中的哪种组件来构建GDT，训练过程都可以在合理的学习率下取得理想的结果。

为了进一步评估提出的稳定性预测模型的性能，将数据集分为四部分，每次选择一部分作为测试集，其他部分作为训练集。此外，本发明使用精确率、召回率、F1分数和准确率来评估稳定性预测的性能。表2显示了仅使用总线信息在四个不同测试集上的稳定性预测结果。可以看出，测试集A的准确率相对较低，但超过99％。当选择测试集作为测试集C时，准确率可以达到99.95％。表3显示了仅使用发电机信息在四个不同测试集上的稳定性预测结果。可以看出，测试集B和测试集C的准确率相对较低，但均超过98％。当选择测试集D时，准确率可以达到99.80％。利用所有元件的信息在不同测试集上的稳定性预测性能如表4所示。在4个测试集上的准确率均超过99％，其中在测试集B上的准确率可以达到99.90％。如表2，3，4所示，很明显，无论选择哪种成分来预测稳定性，性能都几乎是完美的。实验结果表明，所提出的稳定性预测模型对于不同类型的成分均能获得较好的预测结果。

表2：使用总线在不同测试集上的稳定性预测性能

表3：使用发电机在不同测试集上的稳定性预测性能

	测试集A	测试集B	测试集C	测试集D
					精确率	1.0000	0.9616	0.9704	0.9960
召回率	0.9900	1.0000	1.0000	1.0000
					F1分数	0.9949	0.9804	0.9850	0.9980
准确率	0.9944	0.9800	0.9866	0.9980

表4：使用总线和发电机在不同测试集上的稳定性预测性能

	测试集A	测试集B	测试集C	测试集D
					精确率	0.9814	0.9980	0.9927	0.9860
召回率	1.0000	1.0000	1.0000	1.0000
					F1分数	0.9940	0.9990	0.9963	0.9930
准确率	0.9940	0.9990	0.9957	0.9941

2)、故障定位的性能

在本发明中，本发明将组件故障定位问题视为一个节点分类问题。由于使用新英格兰系统来评估所提出的故障定位模型的性能，本发明将节点类型分为四类即故障总线节点、无故障总线节点、故障发电机节点和无故障发电机节点。在提出的故障定位模型中，只要能更准确地对节点类型进行分类，就很难定位出系统中的故障节点。对于错误定位测试，本发明使用与稳定性预测相同的数据集。图10显示了所提出的错误定位模型的训练过程。在这个训练过程中，学习率分别设置为0.001、0.003和0.005。如图11所示，当学习率设置为其中任意一个时，随着迭代次数的增加，损失显著降低。当迭代次数达到3000时，损失已经达到较低水平，可以表明模型处于收敛状态。本发明主要研究多故障部件的定位问题。为了更好地验证提出的故障定位模型的性能，分别对具有两类故障节点的系统和具有三类故障节点的系统进行了测试，多故障定位的准确率结果如表5所示。很明显，定位多个错误组件的精度基本上大于95％。

表5：不同组合元件的多故障定位的精度

3)、数据不充分时的性能

上述结果是基于相对充分的数据组合。然而，在实践中，数据的充分性并不总是得到保证。在能源互联网中可能无法将用于数据收集的PMUs(提升状态估计精度以及故障可观察性的相量测量单元)配置到所有节点，导致部分组件的数据无法收集。如表6所示，本发明使用不同的PMUs配置来收集用于稳定性预测的不同数量的组件，其中G表示生成器，B表示总线。实现稳定性预测的配置有5种，包括1台发电机、1条总线、1台发电机和1条总线、一半发电机以及一半总线。很明显，一条总线的精度相对较低，但仍然达到97.80％，而其他配置的性能与使用所有PMUs时的性能相当。实验结果表明，所提出的稳定性预测模型在不受PMUs配置影响的情况下能够取得较好的预测效果。

表6：PMUs配置不完全的稳定性预测性能

	1G	1B	1G+1B	HalfG	HalfB
						精确率	0.9940	0.9579	0.9652	0.9960	0.9978
召回率	1.0000	1.0000	1.0000	1.0000	1.0000
						F1分数	0.9970	0.9785	0.9823	0.9980	0.9989
准确率	0.9970	0.9780	0.9820	0.9980	0.9989

在实际应用中，SA模型可能需要更快的响应速度，即通过输入更短的时间序列数据来实现稳定性预测和故障定位。为了验证时间序列数据长度对SA模型的影响，将输入序列的长度从1s逐渐减小到0.1s。随着序列长度的减小，SA模型的性能如图11所示。可见，预测精度随着时间序列数据长度的缩短而降低。然而，在0.1s时，稳定性预测的准确性仍然超过98％。定位精度呈现相似但略有不同的下降趋势。在全局趋势上，定位精度随着时间的缩短而降低。不同时间长度的定位精度波动较小，均在90％以上。当时间序列长度为0.1s时，定位精度仍然可以达到92％。实验结果表明，即使在时间序列数据不足的情况下，仅需要0.1s的连续数据就可以获得高精度的IoE态势感知。

Claims (10)

1.一种基于图数字孪生的电力系统态势感知方法，其特征在于：它包括以下步骤：

S1、获取能源互联网的数据；

S2、根据图与数字孪生构建图数字孪生模型；

S3、利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据；

S4、针对能源互联网的故障问题，构建基于图神经网络的态势感知模型Ⅰ；

针对能源互联网的稳定性问题，构建基于图神经网络的态势感知模型Ⅱ；

利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网的故障及其位置；根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性；

S5、获取待预测的能源互联网的数据，执行S3-S4，得到能源互联网的故障及其位置、故障后能源互联网的稳定性。

2.根据权利要求1中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S1中获取能源互联网的数据，具体过程为：

获取能源互联网中各组件的数据，组件包括发电机、传输线和总线。

3.根据权利要求2中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S2中根据图与数字孪生构建图数字孪生模型，具体过程为：

图为G＝(V,E)，V是图中的有限非空节点集合，E是图中节点之间的边集合；

定义数字孪生的物理世界为P＝(H,R)，H表示物理实体集合，R表示物理实体之间的逻辑关系；

将图与数字孪生结合，得到图数字孪生模型，定义图数字孪生模型的数字世界中物理实体的虚拟表示为GDT＝(V_G,E_G,W,K)，其中，节点集V_G表示物理实体集合H；节点集V_G中的节点v_i表示物理实体；边集E_G表示任意两个物理实体之间的逻辑关系；节点的权重集W表示逻辑关系的强弱；边集和权重集结合表示物理实体之间的逻辑关系；K表示不同节点对应的属性类型。

4.根据权利要求3中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：图数字孪生模型中第i个节点在时间t的虚拟表示为

其中，s_i(t)表示节点i当前状态，Δd_i表示节点i状态的变化，M_i是通过历史数据分析得到的节点行为模型，

表示节点i的邻居状态。

5.根据权利要求4中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：图数字孪生模型依次包括物理实体层、数据采集层和图数字孪生层。

6.根据权利要求5中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：在物理实体层内，能源互联网的物理孪生体表示为P_en＝(<G_en,B>,T)，G_en表示发电机组，B表示总线，T表示传输线，G_en和B可以作为物理实体，T可以作为物理实体之间的逻辑关系。

7.根据权利要求6中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S3中利用图数字孪生模型对能源互联网的数据进行处理，并将处理的数据转化为图，得到图结构化数据，具体过程为：

S31、将能源互联网的数据输入图数字孪生模型的物理实体层内，得到能源互联网的物理孪生体表示；

S32、根据物理孪生体表示利用相量测量装置采集每个物理实体的数据；

S33、将S32采集的数据输入图数字孪生层内，得到数字世界中物理世界的图结构化虚拟表示的能源互联网，得到图结构化数据，图结构化数据包括节点状态、节点特征和邻接矩阵。

8.根据权利要求7中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S33得到的数字世界中物理世界的图结构化虚拟表示的能源互联网为GDT_en＝(V_en,E_en,K_en)，其中，V_en表示发电机和总线的集合，V_en＝{v_g1,…,v_gn,v_b1,…,v_bn}，v_gi是表示发电机的节点，v_bi是总线的节点；E_en表示不同节点之间传输线的状态，E_en＝{e_r1,e_r2,…,e_rn}；K_en表示不同节点的属性类型，K_en＝{k_g1,…,k_gn,k_b1,…,k_bn}，k_gi是发电机节点上的特征，k_bi是总线节点上的特征。

9.根据权利要求8中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S4中利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网的故障及其位置，具体过程为：

定义能源互联网中元件的故障类别包括总线故障、总线无故障、发电机故障和发电机无故障；设置基于图神经网络的态势感知模型Ⅰ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括三层卷积层；根据定义的故障类别利用基于图神经网络的态势感知模型Ⅰ对S3中得到的图结构化数据进行处理，得到能源互联网中元件存在的故障及其故障位置。

10.根据权利要求9中所述的一种基于图数字孪生的电力系统态势感知方法，其特征在于：S4中根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性，具体过程为：

设置基于图神经网络的态势感知模型Ⅱ依次包括输入层、图卷积层、全连接层和输出层，图卷积层包括两层卷积层；根据故障及其位置和S3中的图利用基于图神经网络的态势感知模型Ⅱ预测故障后能源互联网的稳定性。

Images