本技术公开一种基于N/N‑1潮流内嵌图卷积神经网络的运行方式潮流耦合关系表征方法,包括以下步骤:1)提出基于N/N‑1潮流内嵌的图卷积前向传播策略,以N/N‑1潮流物理模型推导设计图卷积模块前向传播表达式;2)构建基于多层图卷积和卷积模块协同的神经网络架构;3)训练得到运行方式潮流耦合关系模型,表征电力系统N/N‑1状态下的潮流耦合关系。本发明所构建的运行方式潮流耦合关系模型能高精度表征N/N‑1状态下的潮流耦合关系,以便于后续分析电力系统中的故障诊断、稳定性评估和优化控制等关键问题。
背景技术
随着电力系统规模的不断扩大和可再生能源接入比例的增加,电力系统的复杂性和运行的不确定性显著提升。在电力系统的运行中,潮流计算是分析和控制电网状态的基础工具,尤其在N-1校验条件下,系统需要能够在单一元件失效的情况下继续正常运行。因此,如何高效、精确地表征和分析电力系统在N/N-1状态下的潮流耦合关系,成为电力系统研究的重要课题。
传统的潮流计算方法依赖于物理模型和数值计算,这些方法通常基于稳态条件下的电力系统方程,通过迭代求解的方式来获得系统的潮流分布。虽然这些方法在理论上能够提供一定的精度,但其计算复杂度高、速度慢,尤其在面对大规模电网时,难以满足实时性要求。而且,随着电力系统规模和复杂度的增加,传统方法在处理多种运行状态和故障条件时,显得力不从心。尤其在N-1校验的情况下,传统方法需要逐一表征每个N-1状态下的潮流耦合关系,计算量极为庞大,难以在短时间内完成。
近年来,数据驱动的方法在电力系统分析中展现出巨大的潜力。这些方法利用大数据和机器学习技术,通过对电力系统运行的历史数据进行训练,可以快速、准确地对电力系统进行建模和预测。数据驱动的方法能够从大量数据中提取复杂的非线性关系,并通过训练好的模型在短时间内给出潮流计算结果。其具有强大的高维复杂非线性特征逼近能力,能够捕捉到电力系统中存在的复杂非线性关系,直接映射潮流输入与输出,并且无需迭代计算,从而显著提高计算速度。然而,目前的数据驱动方法在应用中还存在一些不足之处:一、现有方法通常未能充分考虑图节点特征所满足的物理规则和图节点的物理意义,导致物理耦合关系丢失;二、难以同时精准考虑离散的多个N-1状态下潮流耦合关系。
实现思路