(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111202636.0 (22)申请日 2021.10.15 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 杨强　刘艺娴　王玉彬　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 郑海峰 (51)Int.Cl. G06Q 10/06(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于数据融合的门控图神经网络的配电网 状态估计方法 (57)摘要 本发明公开了一种基于数据融合的门控图 神经网络的配电网状态估计方法。 该方法首先基 于MLP和ARIMA模型进行伪量测和量测变 换， 提出 了一种针对PMU/SCADA混合量测的融合方法； 然 后提出了一种基于GGNN网络结构的配电网快速 状态估计方法， 该方法从时空两个维度提取配电 网状态信息， 以历史数据构造融合数据集作为输 入， 节点电压相量作为输出， 利用图网络结构提 取电网拓 扑结构信息， 利用门控 单元捕捉时序信 息的变动趋势， 以深层架构拟合量测量到状态量 的映射关系， 基于训练得到的GGNN网络 可以高效 地进行配电网状态估计。 本发明以IEEE33系统和 IEEE118系统为例给出了详细的算法描述， 设计 了映射实验和鲁棒 性实验验证了算法的有效性。 权利要求书2页 说明书9页 附图10页 CN 114091816 A 2022.02.25 CN 114091816 A 1.一种基于数据融合的门控图神经网络的配电网状态估计方法， 其特征在于， 包括以 下步骤： 1)利用已安装PMU的节点的量测数据， 预测未安装PMU的节点的PMU量测数据； 2)对SCADA和PMU初始量测断面， 通过伪量测技术， 生成与PMU量测数据同一刷新频率的 SCADA伪量测数据， 与虚拟量测的PMU数据融合， 形成同一时间尺度、 全网可观的融合 量测； 3)利用SCADA量测节点注入功率与节点电压， 生成等效节点注入电流相量， 进行量测变 换， 增加融合量测的冗余度； 4)设计GGNN网络结构， 以PMU/SCADA混合量测的融合数据集作为GGNN网络的输入， 节点 电压相量作为输出， 利用训练集数据对网络进行训练， 建立基于门控图神经网络的配电网 状态估计模型； 5)将训练好的基于门控图神经网络的配电网状态估计模型用于在线状态估计， 作为实 时状态估计器； 实时运行数据经过数据融合后， 输入基于门控图神经网络的配电网状态估 计模型中， 得到电网实时状态量。 2.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法， 其 特征在于， 所述的步骤1)具体为： (a)电力系统的线路潮流是由每个节点的有功和无功负载所 决定的； 在输电网中， 节点 电压相量的幅值的大小主要取决于节点注入无功功 率量， 电压相角主要 取决于节点注入有 功功率量； 但对于配电网， 由于电阻和电抗之 间的差异不大， 电压相量的幅值和相位角与每 个节点注入的功率有关； 伪量测公式如下： 其中Z是真实功率， 是伪量测功率， e 是伪量测功率与真实功率的残差； 为了使伪量测功率尽可能减小与真实功率间的误差， 基于多层感知机MLP利用智能变 电站通信流量数据训练伪量测模型， 利用已配置PMU的节点的历史PMU量测数据作为输入， 以未配置PMU节点的电压相量作为输出， 通过梯度下降优化伪量测与真实值的残差： 式中， 代表MLP第L层第k个神经元激活前的输出， 代表MLP第L层第k个神经元激活 后的输出， 物理意义为经过MLP第L层第k个神经元映射得到的伪量测电压， 代表 前向传 播函数的偏离常数， 代表 到 的线性传递系数。 f( ·)为MLP第L层第k个神经 元激活后 的前向计算。 3.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法， 其 特征在于， 所述的步骤2)具体为： 在SCADA和PMU初始量测断面对齐 的基础上， 基于ARIMA模型进行伪量测， 生成与PMU量 测数据同一刷新频率的SCADA伪量测数据； 基于ARIMA模型的伪量测具体步骤如下： (a)基于MATLAB对SCADA量测数据进行KPSS单位根检验， 分析数据平稳性， 若不平稳， 则 进行差分运 算；权　利　要　求　书 1/2 页 2 CN 114091816 A 2(b)采用AIC信息准则对步骤(a)处理后的序列进行ARMA(p,q)模型定 阶， AIC信息准则 定义如下： (c)定义预测步长和数据窗口长度， 使用ARIMA(p,d,q)进行超短期预测。 4.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法， 其 特征在于， 所述 步骤3)具体为： 在直角坐标系下， 电流相量与电压相量呈线性关系， 为此， 应用量测变换技术将SCADA 系统量测的节点注入功率和节点电压转换为等效的节点注入电流相量量测， 变换公式如 式： 式中： i为节点编号， 分别为节点i的注入电流相量的实部和虚部； Pim、 Qim分别为节点i注入有功功率量测和注入无功功率量测； 分别为节点i电压相量 的实部和虚部 。 5.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法， 其 特征在于， 所述 步骤4)具体为： 所述GGNN网络结构如下： 第一层是门控图神经网络层， 输入元素数目n ×M(n是节点数 目， M是节点量测特征的维度)， 输出元素数目也是n ×M； 第二层、 第三层和第四层均为全连 接神经网络， 作用为重塑元 素维度； 具体地， 因为状态量的变化具有较为明确的时序变动趋势， 为了提取时序 上的信息， 利 用第二层的全连接神经网络将12个时刻的特征 空间连接并压缩重塑， 第二层网络输出的元 素维度仍为n ×M， 并输入第三层网络， 由第三层网络将特征 空间映射到状态 量， 使用tanh作 为激活函数， 最终输出 元素数目为n×N(N是节点状态量的维度)； 第一层的门控神经网络G＝(V,E)， 其中V为节点， E为描述配电网拓扑结构的双向边， 依 据对应配电网拓扑 结构建图， 每 个节点都占有一个 类GRU单元； 第二层、 第三层的全连接网络的输出 可以由下式给 出： hi＝tanh(Wihi‑1+bi),i＝1,2 其中， Wi,bi,hi‑1和hi分别是第i层全连接的权值矩阵、 偏置相量、 输入和输出。 6.根据权利要求1所述的基于数据融合的门控图神经网络的配电网状态估计方法， 其 特征在于， 所述 步骤5)具体为： 训练好的基于门控图神经网络的配电网状态估计模型可用于在线状态估计， 作为状态 估计计算器， 实时运行数据经过数据融合后， 输入基于门控图神经网络的配电网状态估计 模型中， 计算电网实时状态量； 门控图神经网络在进 行快速状态估计时只需进 行前向计算， 而不需要 进行将物理模型的迭代。权　利　要　求　书 2/2 页 3 CN 114091816 A 3