电网技术

Power System Technology

ISSN 1000-3673,CN 11-2410/TM

《电网技术》网络首发论文

题目： 基于时空图卷积网络的谐波状态估计方法研究
作者： 冯函宇，王红，齐林海，肖合举，张岩
DOI： 10.13335/j.1000-3673.pst.2022.1295
网络首发日期： 2022-10-31
引用格式： 冯函宇，王红，齐林海，肖合举，张岩．基于时空图卷积网络的谐波状态估
计方法研究[J/OL]．电网技术. https://doi.org/10.13335/j.1000-3673.pst.2022.1295

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2022-10-31 09:12:11
网络首发地址：https://kns.cnki.net/kcms/detail/11.2410.tm.20221027.1250.005.html

电 网 技 术
Power System Technology

基于时空图卷积网络的谐波状态估计方法研究
冯函宇, 王红, 齐林海, 肖合举, 张岩
（华北电力大学控制与工程学院，北京市昌平区 102206）

Research on the Method of Harmonic State Estimation Based on Spatiotemporal Graph

Convolutional Network
FENG Hanyu, WANG Hong, QI Linhai, XIAO Heju, ZHANG Yan
(School of Control and Computer Engineering, North China Electric Power University, Changping District,
Beijing 102206, China)

ABSTRACT: With the widespread access of distributed new 随着现代电力系统和智能电网的发展，电力电

energy sources in modern power systems, the problem of 子设备的应用愈发广泛。但其作为非线性负载必会
harmonics has become more complex. The existing harmonic 产生非正弦波形注入系统产生谐波污染，对电能质
state estimation methods have disadvantages such as low
量造成严重危害。为了抑制谐波产生的污染、保证
estimation accuracy, difficult in obtaining power grid
电力系统安全运行，进行准确有效的谐波状态估计
parameters, and lack of systematicity. Firstly, this paper
analyzes the spatiotemporal characteristics of harmonic data, 具有重要意义。
and estimates the harmonic state of unknown nodes based on 谐波状态估计是为了获取系统中谐波的分布
data-driven fusion graph convolutional neural network and 情况并进行治理。目前估计技术主要是最小二乘
gated recurrent unit; secondly, a subgraph segmentation method 法、卡尔曼滤波模型和奇异值分解法等静态传统方
is proposed to divide the whole system into several 法。这些方法多通过基于物理模型的方法进行分析
independent subgraphs. Data acquisition and state estimation
和建模，描述节点之间的关系并通过监测点的谐波
are carried out, and the whole network observability of the
状态估计未知节点状态。但电网中监测装置数量不
harmonic state is realized after the merger, which solves the
足导致谐波状态非全网可观，使得量测方程难以建
problem of insufficient number of monitoring devices.
Implementing the harmonic state estimation problem provides 立，并且实际测量难以获取精准的谐波电流电压相
a new solution. 位，导致估计精度下降；另外，现代电力系统高维
复杂、强非线性造成传统方法的能力下降，难以满
KEY WORDS: harmonic state estimation; deep learning;
spatiotemporal graph convolutional network; data driving 足高精度的估计需求；这些方法需谐波阻抗等，工
程中难以精确获取参数信息易出现较大误差。文献
摘要：随着现代电力系统分布式新能源的广泛接入，谐波问
[1]提出了自适应卡尔曼滤波算法，改变状态转移矩
题愈加复杂。现有谐波状态估计方法存在估计精度低、电网
阵计算方式以提高含噪和变噪环境的估计精度。文
参数难以获取、缺乏系统性等弊端。首先，本文对谐波数据
时空特性分析，基于数据驱动融合图卷积神经网络和门控循
献[2]提出复值独立分量分析方法推导出两种相量
环单元对未知节点谐波状态进行估算；其次，提出子图分割 比例系数实现在谐波阻抗未知时的谐波电流估计，
方法将整个系统划分为若干子图独立进行数据采集和状态估 在一定程度上实现了谐波电流幅值估计。文献[3]
计，合并后实现了谐波状态全网可观性，解决了监测装置数 提出正交匹配追踪算法完成了对欠定谐波状态方
量不足的问题；最后，搭建仿真算例和实测数据实验均验证 程的求解，在系统非全局可观时估算得到了节点注
了方法的有效性和适用性，为实现谐波状态估计问题提供了 入谐波电流。上述方法在某种角度上通过改进算法
新的解决方案。 克服传统静态方法的弊端，在一定程度上实现了谐
关键词：谐波状态估计；深度学习；时空图卷积网络；数据 波状态的估计。但是，随着分布式新能源的发展，
驱动 引起谐波的因素增多且类型和传播方式复杂，谐波
DOI：10.13335/j.1000-3673.pst.2022.1295 源之间的非线性相关性增强，不确定性和不稳定性

0 引言 明显，节点间的耦合关系依靠复杂的机理公式或方
2 冯函宇等：基于时空图卷积网络的谐波状态估计方法研究

程无法精准建模描述。而电网中已通过监测装置采 点的数据准确估计其他未知节点谐波状态，最终实
集了大量数据，这些电能质量监测数据是对电力系 现谐波状态全网可观。本文通过搭建 IEEE14 节点
统运行时状态的真实反映，承载了丰富的系统扰动 仿真模型和某地区实测数据，验证了所提基于时空
事件发生时在各节点间的传播规律和耦合关系信 图卷积网络的谐波状态估计方法的有效性和准确
息。如今电网逐渐复杂，通过数据驱动的方法可以 性。在加噪的环境下进行测试模型仍能准确估计谐
高效合理地利用电能质量大数据，有效提取系统节 波状态，验证了模型具有较强的抗噪能力。
点在谐波传播时体现在数据中的高维特征。因此，
1 时空图卷积网络
基于数据驱动提取节点间强时空耦合关系的方法
为谐波状态估计提供了新的方向。 1.1 谐波数据时空特性分析
深度学习具有强大的数据特征提取能力，利用 谐波数据属于时空图数据，在时间尺度上呈现
历史数据进行训练，待损失达到最小模型收敛，可 出周期性、时变性的特点。电力系统图结构可以定
以获得数据间隐含的深层关系，弥补了物理模型的 义为图 G  (V , E , A) 。每个节点 V 都可以视为图 G
弊端。将深度学习技术应用于谐波状态估计，可高 上的一个节点，E 为图中连接节点的边，A 为其邻
效地提取监测数据中隐藏的负荷状态和设备运行 接矩阵。如图 1 所示时空图数据具有时空维度上的
信息等有价值的信息，通过迭代训练捕获输入序列 相关性。
和输出序列间的非线性耦合关系。文献[4]通过改进 t1
B
t2
B
生成对抗网络完成了谐波状态估计问题，但其模型
只针对两个节点且在模型训练时未考虑节点间的 C
S
C
S

空间结构信息，导致模型的信息利用不够全面而影
D D
响估计精度。时空图卷积网络技术可以有效解决此
(a)同时刻不同节点对S影响不同 (b)不同时刻同一节点对S影响不同
弊端，它在挖掘谐波数据时序特征的同时融合空间
图 1 谐波数据时空相关性图
拓扑结构特征。在估计某时刻谐波状态时通过此时
Fig. 1 Temporal and spatial correlation of harmonic data
刻相邻节点状态及相邻时刻状态的聚合，自然地集
成节点信息和拓扑结构信息。由于时空图卷积网络 图 1 中：黑点为系统节点，线段表示节点间连接形

在图数据学习方面的出色表现，目前已经广泛应用 成系统，B、C、D、S 是系统节点，B、C、D 连接

于许多领域。文献[5]使用基于多任务框架的时空图 S 的线段不同颜色表示其对节点 S 具有不同影响。

卷积网络预测出租车空载时间，从不同视角学习数 (a)和(b)分别为 t1、t2 时刻 B、C、D 三个节点对节

据特征表示，并在滴滴数据集上验证了模型的优越 点 S 谐波状态的不同影响。从空间维度上看，(a)

性。文献[6]提出多特征时空图卷积网络，从通航量、 中不同节点 B、C、D 在同一时刻 t1 对节点 S 具有

船舶平均航速和船舶密度三个特征出发解决了水 不同影响。从时间维度上看，节点 S 自身的谐波状

运交通中通航密度的预测问题。图网络也被广泛应 态也会随着时间的推移即 t1 到 t2 时刻而发生变化。

用于电力领域。文献[7]构建兼具电网事故链时序与 从时空维度看，在谐波状态随时间推移而传递的时

空间分布特性的连锁故障时空图，提出可以有效度 候，任何节点在不同时刻对其他节点的状态改变都

量连锁故障传播深度和广度的电网脆弱线路分类 有不同的影响。

辨识方法。文献[8]使用图注意力网络解决了配电网 本文搭建时空图卷积网络提取谐波数据时空

故障定位的问题，通过网络的多头注意力机制提高 特征和节点间的耦合关系。数据输入后，首先通过

了模型对拓扑变化的适应能力。 两层图卷积层提取空间结构信息，其次将图卷积的

面对传统谐波状态估计方法的弊端和时空图 结果输入门控循环单元层提取时间特征，最后最小

卷积网络的优越性，本文提出了一种基于时空图卷 化更新后的特征矩阵与真实值间的误差。

积网络的谐波状态估计方法。当系统电能质量监测 1.2 图卷积层

装置数量不足导致非全局可观时，提出基于子图分 传 统 的 卷 积 神 经 网 络 [9,10,11](Convolutional

割的全网可观性实现方法实现了系统谐波状态的 Neural Network, CNN)只能应用于标准的欧氏空间

估计。模型基于系统节点间的历史谐波数据，通过 数据。考虑到电力拓扑图中各节点间具有非欧式的

时空图卷积网络提取节点间的耦合关系。在已得到 不规则的空间结构且节点间数据关系复杂，这种情

可描述系统节点的模型基础上，通过输入固定监测 况与相互依赖、每个节点都有自己的特征信息的图
 电 网 技 术 3

结构正好相适应。本文引入图卷积神经网络(Graph Memory, LSTM)[17,18,19] 和 门 控 循 环 单 元 (Gated

Convolutional Network, GCN)[12,13,14]技术来处理图 Recurrent Unit, GRU)[20,21] 构建了一组记忆细胞和
形结构数据。 门控机制来解决此问题。通过门控机制来记忆更长
在 GCN 中，通过规范化拉普拉斯矩阵聚合邻 时间的谐波状态信息，LSTM 和 GRU 在很多任务
域信息，网络中的节点通过其邻居节点更新状态。 上不分伯仲。但是由于 LSTM 门控的网络结构过于
首先，每个节点将自身信息包装后发给与其相连接 冗余复杂，而 GRU 将其遗忘门和输入门合并成更
的邻居节点；然后，邻居节点接收信息，将其所有 新门，将记忆单元和隐藏层合并成重置门，结构更
邻居信息收集起来进行融合；最后结合自身信息进 加简化，性能更强且训练时收敛更快，因此本文选
行非线性变换，状态更新的传播方式如式(1)所示： 择 GRU 来提取谐波数据时间特征。
1 1
 
H (l 1)   ( D AD H ( l )W ( l ) )
2 2
× +
A  A I (1)
1-
D   j Aij ×
×

式中：A 为图的拓扑结构邻接矩阵，I 为单位矩阵， σ σ tanh

D 是 A 的度矩阵，H 是每一层的特征，σ 是 sigmoid
(l ) (l )
非线性激活函数，H 为节点在 l 层的状态，W
为第 l 层的权重矩阵。在邻接矩阵后增加自环单位
矩阵 I，使节点信息在基于拓扑图传播时不仅聚合
图 3 GRU 结构图
邻居节点信息，也囊括自身信息。如图 2，本文通
Fig. 3 GRU structure diagram
过两层图卷积来提取空间特征，模型可以表示为：
GRU 包括一个候选隐藏状态和两个门：更新
ˆ
f ( X , A)   ( AReLU ˆ
( AXW1 )W2 ) (2)
门和重置门，其结构如图 3 所示。Rt 是重置门，用
1 1
  于控制上一时刻状态有多少信息可以写入候选隐
式中： Â  D 2
AD 为拉普拉斯矩阵 L 的正则化
2
藏状态 H t 上，重置门的公式为：
表示，W1 为第一层图卷积层即输入层到隐藏层的
Rt   (Wr [ H t 1, X t ]  br ) (3)
权重矩阵，W2 为第二层图卷积层即隐藏层到输出
候选隐藏状态为：
层的权重矩阵，ƒ(X, A)为初始特征矩阵 X 经过两层
H t  tanh(Wh [ Rt * H t 1 , X t ]  bh ) (4)
图卷积更新后得到的状态矩阵，ReLU 为激活层。
Zt 是更新门，用于控制前一时刻的谐波状态信息传
X
隐藏层 输出层 递到当前时刻的程度：

ReLu ReLu
Zt   (Wz [ H t 1, X t ]  bz ) (5)
因此，更新后的当前时刻状态为：
H t  (1  Z t ) * H t 1  Z t * H t (6)
A
式(3)-式(6)中：W 和 b 分别为各自的权重和偏置，
图 2 图卷积结构示意图 Xt 为当前时刻的输入，σ 为 sigmoid 激活函数。
Fig. 2 GCN structure diagram
2 基于时空图卷积网络的谐波状态估计
1.3 门控循环单元层
谐波问题是电能质量领域稳态的波形畸变问 2.1 模型整体架构
题，绝大多数情况下呈现出周期性、时序性的特点， 图 4 展示了时空图卷积网络模型的整体架构。
因此谐波监测数据中也隐藏了十分重要的时间特 设系统中共有 N 个节点，首先需要同步采集 T 时间
征。循环神经网络[15,16](Recurrent Neural Network, 内 τ 个时刻所有节点的谐波电压与谐波电流幅值数
RNN)最常被用来提取时间序列特征信息，可以对 据供模型训练。将电网结构图邻接矩阵 A 添加自环
处理过的谐波数据进行一定的记忆留存。但是传统 单位矩阵 I 得到矩阵 A 。将采集所有节点的谐波电
的 RNN 存在梯度消失和梯度爆炸等长期依赖的问 流和谐波电压状态转为真实值矩阵，并将矩阵中预
题，而其变种长短时记忆网络 (Long Short-Term 估计节点的谐波状态置为 0，作为初始特征矩阵 X
4 冯函宇等：基于时空图卷积网络的谐波状态估计方法研究

输入，将预估计节点的谐波状态真实值作为标签 Y
输入。
调节损失 Loss ··· Y
真实值标签
估计值 Ŷ1 Ŷ2 ···
Ŷt ···

时间特 GRU GRU ··· GRU ···

征提取

··· ···
图 5 子图分割示意图
GCN GCN GCN

空间特 Fig. 5 Schematic diagram of subgraph segmentation

Â
征提取 模型每做一层 GCN 就可聚合一节邻居的信息
GCN GCN ··· GCN ··· 邻接矩阵
传播，层数太少无法有效传播节点状态，层数过多
输入 X1 X2 ··· Xt ··· 又会导致过平滑现象，使得节点间特征过于相似。
时间 通过不同层数实验得到模型设置两层 GCN 效果最
图 4 时空图卷积网络整体框架图 佳，即各节点在图卷积后可聚合到其二阶邻居的信
Fig. 4 Overall frame diagram of spatiotemporal 息。在固定监测装置节点的选择和子图的划分上，
convolutional network
通过实验分析，将选择度高的节点作为有固定监测
模型的输入共有特征矩阵序列 X、真实值标签 装置节点，且优先将电气距离相近的固定装置节点
Y 和矩阵 A 三部分。初始状态矩阵 X 首先经过两层 的一阶和二阶邻居划分到同一子图时，模型获得最
GCN 层进行空间结构信息提取，通过邻居节点信 佳的状态估计精度。原因是选择度高的节点可使模
息的传播更新预估计节点的谐波状态。所有时刻的 型聚合的节点信息更丰富更广泛；通过划分增多固
状态进行图卷积后形成谐波状态矩阵序列，该序列 定监测装置节点的一二阶邻居节点，减少三阶及以
输入 GRU 层进行谐波状态时序特征的提取。训练 上邻居，可提高模型对节点信息的利用率。
时为了使估计得到的谐波状态与真实值矩阵之间 首先在拓扑中选择度较高的节点（图 5 中红色
的误差达到最小，且防止过拟合问题，本文使用如 节点）作为有固定监测装置的节点。如图 5 所示，
式(7)所示组合损失函数。第一部分为均方根误差损 将红色节点与空间上有连接关系的临近节点分别
失函数 LRMSE，它可以展示模型在训练时的表现情 分组，每个组形成一个子图，所有子图合并起来组
况，第二部分是含有 L2 正则化的损失函数 Lreg， 成整个电网拓扑。子图间独立采集训练示意图如图
它的增加是为了模拟随机噪声，防止模型在训练时 6 所示。
产生过拟合现象。
L  LRMSE   Lreg
1 m n
LRMSE  
mn i 1 j 1
( yij  yˆ ij ) 2 (7) 子图分割

m n
Lreg   wij 2
i 1 j 1

式中：λ 为超参数，用来控制正则化的强弱，m 为 子图1数据采集

子图1模
型训练
时间步，n 为预估计的节点数，yij 和 ŷij 为第 j 节点
移动监测装置
第 i 时刻的真实值和估计值，w 为权重稀疏向量。
子图2数据采集 子图2模
2.2 基于子图分割的谐波状态全网可观性实现 型训练
考虑到实际电力系统因监测成本导致监测装 移动监测装置

置数量不足问题，不能同步采集所有节点的谐波状 子图3数据采集
子图3模 合并所有子图训练结
型训练 果，得到最终模型
态进行全网的模型训练。本文提出基于子图分割的
谐波状态全网可观性实现方法。 图 6 子图间独立采集训练示意图
Fig. 6 Schematic diagram of collecting and training
independently between subgraphs
 电 网 技 术 5

基于子图分割的模型训练过程好处在于： 计模型的估计精度，本文基于 PSCAD 搭建如图 7

（1）解决了实际电网中监测装置数量不足的 所示的 IEEE14 节点标准配电网络。电源基准电压
问题。该方法只在重要连接点处布置固定监测装 138.0kV，频率 50.0Hz。实验时在节点 5、节点 10、
置，在各子图其它节点处布置可移动监测装置轮流 节点 14 处布置谐波源发射 7 次谐波电流以模拟实
采集各子图谐波状态数据，节省了电网中的监测装 际场景下的谐波源节点，注入的谐波电流数据采样
置； 间隔为 10 分钟。本文将整个拓扑划分为三个子图，
（2）提高全网模型训练的效率。当某个子图 选择度较高的节点 4、5、6、9（图 7 中的红星节
的数据采集完毕后，就可对该子图进行子图谐波状 点）为有固定监测装置的节点，分别与节点 11、12、
态估计模型训练，同时将该组内可移动监测装置拆 13（图 7 中的绿色节点）组成子图 1，与节点 7、8、
解到其他子图进行采集，各子图间的数据采集和模 10、14（图 7 中的蓝色节点）组成子图 2，与节点
型训练过程相互独立、互不影响，提高了模型训练 1、2、3（图 7 中的紫色节点）组成子图 3，通过
效率； 子图分割将整个配电网络划分为三个子图分别进
（3）提升模型估计的精确度。由于子图分割 行模型训练。模型的输入有三部分，包括：(1)各子
使某节点在状态估计时阻断了距离较远的高阶邻 图的邻接矩阵，它隐含了网络拓扑中节点的空间关
居节点谐波状态的传播影响，只关注与其相近的低 系信息，每行表示一个节点，矩阵中的值表示节点
阶邻居的信息传播，降低了影响弱、重要性低的节 之间的连接关系；(2)预估计节点谐波状态真实值标
点状态干扰，提高了谐波状态估计的精度。 签 Y，它描述了每个预估计节点的谐波电流和谐波
电压随时间的变化情况，每行代表一个节点，每一
3 实验设计与分析
列代表不同时刻的谐波状态；(3)特征矩阵 X，它是
3.1 评价指标 将采集的各子图的谐波电流和谐波电压状态转为
本文选用三个指标来评估基于时空图卷积网 真实值矩阵，并将矩阵中预估计节点的谐波状态置
络的谐波状态估计模型性能： 为 0 的结果。
（1） 均方根误差(RMSE)：
1 m n
RMSE  
mn i 1 j 1
( yij  yˆ ij )2 (8)

（2） 平均绝对误差(MAE)：
1 m n
MAE   yij  yˆij
mn i 1 j 1
(9)

（3） 决定系数(R2)：
m n

 ( y
i 1 j 1
ij  yˆ ij ) 2
R2  1  m n (10)
 ( y
i 1 j 1
ij  y) 2

式(8)-式(10)中：yij 和 ŷij 为第 j 节点第 i 时刻的真实

值和估计值，ȳ 为平均值，m 为估计的时间步数量， 图 7 IEEE14 节点标准配电网络拓扑图
n 为预估计的节点数。用 RMSE 和 MAE 来衡量估 Fig. 7 IEEE14 nodes standard distribution network
计值同真实值之间的偏差，其值越小说明估计效果 topology

越好；用 R2 来衡量估计值对于真实值拟合好坏的 对子图 1 进行数据采集得到节点 4、5、6、9、

程度，其值越接近 1 越好，R2 =1 为最理想情况， 11、12、13 的谐波电压与谐波电流幅值进行该子图
即所有估计值都等于真实值，因为估计时可以任意 的模型训练。实验阶段，为了加速谐波状态估计模
程度的差，所以 R2 的最小值无下限。 型的收敛以及避免数值问题，根据式(11)对输入数
3.2 仿真算例下的谐波状态估计 据进行线性归一化处理，将所有数据规范化至区间
3.2.1 仿真数据获取与处理 [0, 1]：
为了检验基于时空图卷积网络的谐波状态估
6 冯函宇等：基于时空图卷积网络的谐波状态估计方法研究

x  xmin 模型输出的预估计节点的谐波状态接近其真实环
x  (11)
xmax  xmin 境下的谐波状态。图 8 可视化了模型在训练节点 10
式中：xmax 为数据样本的最大值，xmin 为数据样本 时截取的部分样本点谐波电流的迭代训练过程。
的最小值，x 为样本数据原始值，xʹ为样本数据归
一化处理后的值。同时进行数据划分，将 80%的数

谐波电流（A）

谐波电流（A）
据作为训练数据集，20%的数据作为测试数据集。
模型的超参数选择十分重要。其中包括学习
率、批量大小、训练轮次以及隐藏单元数等。在实
验中，学习率设置为 0.001，批量大小为 32，训练 采样点 采样点
(a)训练5轮 (b)训练50轮
轮次 300。隐藏单元数 在实验中至 关重要，从
[32,64,72,128]中选择隐藏单元的数量，分析估计精
度的变化。实验度量训练集和测试集中不同隐藏单

谐波电流（A）
元数的 RMSE 和 MAE 结果，当数量在从 32 到 128
的过程中，精度先升高后降低。数量达到 64 时，
估计精度最高，因此实验选择隐藏单元数量为 64。
采样点
对子图 1 训练时，节点 11、12、13 为预估计 (c)训练300轮

的节点。首先，将节点 11、12、13 的输入层谐波

图 8 节点 10 的谐波电流训练过程
状态置为 0，利用 GCN 层依据邻居节点传播特征
Fig. 8 Harmonic current training process of node 10
信息的规律更新预估计节点的谐波状态。节点 4、5、
图 8 为训练 5、50 和 300 轮的模型对节点 10
6、9 为有固定监测装置节点，将其归一化后的谐波
的谐波电流估计情况，红色为估计值，蓝色为真实
数据信息和子图 1 的邻接矩阵输入至模型的输入层
值。从图中可以看出，模型在训练到第 5 轮时已基
开始模型训练。输入的数据再通过两层 GCN 层后
本捕获了谐波电流的变化趋势，但幅值误差较大。
已蕴含了子图 1 的空间信息。然后，进入 GRU 网
随着训练轮次的迭代逐渐模型逐渐学习谐波状态
络模型进行时间特征提取。将监测装置中采集的节
规律并最小化误差，当训练至 50 轮时误差已经较
点 11、12、13 的谐波状态进行归一化操作，归一
小。继续训练至 300 轮时谐波状态估计模型已能准
化结果作为标签值指导模型训练并对模型参数进
确捕获到谐波电压数据间的隐藏规律，精准估计得
行调优。最终，提取谐波数据中的时空依赖性，捕
到预估计节点的谐波状态特征，估计的趋势准确。
获输入数据即节点 4、5、6、9 的谐波状态与输出
通过对比估计值与真实值，可以发现估计值曲线可
数据即预估计节点的谐波状态间的非线性耦合关
以准确拟合真实值曲线，除个别点外基本能准确估
系。
计电流幅值，谐波电流幅值误差较小，模型的估计
同理，在子图 2、3 模型训练时也输入同样的
性能和准确性都有很好的表现。
监测节点 4、5、6、9 的谐波状态分别估计子图 2
图 9 展示了在测试集下模型对节点 2、4 和节
中预估计节点 7、8、10、14 和子图 3 中预估计节
点 14 的 7 次谐波电压和谐波电流的真实值与估计
点 1、2、3 的谐波状态。待三个子图的模型达到收
值对比情况。
敛，则整体的 IEEE 14 节点的系统就完成了模型训
图 9 中左列从上至下依次为模型测试阶段节点
练。此时只需将四个固定监测点的谐波状态输入至
2、4 和 14 的 7 次谐波电流的估计情况。右列为相
状态估计模型即可对全网谐波的分布进行估算。在
应的谐波电压估计情况，红色为模型估计值，蓝色
模型应用时，只需继续采集四个固定监测节点的谐
为样本真实值。从图中可以看出，本文所提模型方
波数据就可对系统其他所有节点进行状态估计，从
法可以准确估计得到节点谐波状态变化的趋势，也
而实现在系统非全局可观时的谐波状态估计任务。
可有效估算节点的谐波幅值变化，误差较小，模型
3.2.2 误差分析与对比
对节点谐波状态估计准确。
通过时空图卷积神经网络对 IEEE14 节点网络
进行谐波电流与谐波电压幅值状态估计实验。通过
模型的不断迭代学习和模型参数调优，逐渐调整至
 电 网 技 术 7

表 2 所示。

谐波电压（kV）
表 2 谐波电压、谐波电流幅值 MAE 误差
谐波电流（A）

Table 2 MAE of harmonic voltage and harmonic current

谐波电流（A） 谐波电压（kV）
节点
无噪声 40dB 无噪声 40dB

采样点 采样点 5 0.019 0.043 0.326 0.710

(a)节点2 7 0.020 0.069 0.473 0.949
11 0.026 0.079 0.361 0.758
14 0.011 0.049 0.362 0.676
谐波电压（kV）
谐波电流（A）

通过表 2 中部分节点的谐波状态估计 MAE 误

差结果发现，本文方法对各节点的谐波状态估计结
果中谐波电压和谐波电流的真实值与估计值之间
采样点 采样点
(b)节点4
的误差均比较低，估计结果准确性高。在叠加噪声
后，MAE 误差稍微升高但幅度不大，结果仍能描
述谐波数据变化的趋势规律与幅值，这说明本文所
谐波电压（kV）
谐波电流（A）

提状态估计方法具有良好的抗噪性能和鲁棒性。
3.3 实测数据下的谐波状态估计
3.3.1 实测数据准备与处理
采样点 采样点 为了进一步使本文所提谐波状态估计模型方
(c)节点14
法更具说服力及更具实用性，本节通过某地区谐波
图 9 节点 2、4 和节点 14 的谐波电压真实值与估计值
实测数据进行谐波状态估计和谐波源定位实验。实
Fig. 9 True and estimated harmonic voltages at nodes 2, 4
and 14 测区域电网拓扑结构图如图 10 所示。图中展示了
子图分割方法有效提高了模型的训练效率，但 各节点的连接关系，在该区域电网系统中由 50 个
也一定程度上损失了系统网络信息。为验证子图分 节点构成，包含了半导体制造厂、电动汽车充电站、
割的价值，本文将系统划分为三个子图和未划分子 轧机、变电站、风电场、电气化铁路、居民通讯负
图的谐波状态估计精度进行对比实验，其谐波电压 荷等多种类型负荷节点。
数据的采样间隔为 5 分钟，
和谐波电流估计的 MAE 误差如表 1 所示。 采样数据包括采样间隔内谐波电压畸变率的最小
表 1 谐波电压、谐波电流幅值 MAE 误差 值、最大值和均值，各次谐波电流和谐波电压幅值
Table 1 MAE of harmonic voltage and harmonic current 在采样间隔内的最大值、最小值和平均值。一天共
谐波电流(A) 谐波电压(kV)
节点
288 个样本点，本文使用的数据为 2021 年 6 月 1
子图划分 未划分 子图划分 未划分
日至 2021 年 9 月 1 日的各次谐波电流和谐波电压
5 0.019 0.024 0.326 0.216
均值，即在这采样间隔 5 分钟内谐波电流与谐波电
7 0.020 0.015 0.473 0.578
压采样的幅值均值。
11 0.026 0.045 0.361 0.307

14 0.011 0.030 0.362 0.418

通过表 1 中部分节点的估计 MAE 误差可以发

现，系统是否子图划分节点的谐波状态估计误差差
异不大，仅有小幅降低，这说明子图分割虽然一定
程度上破坏了原系统的空间结构，但由于两层 GCN
只关注二阶邻居信息聚合，未造成模型估计误差大
幅升高，且方法一定程度上解决了监测装置成本问
题，提高了模型训练效率，具有一定的价值。
另外考虑到实际场景下易受到噪声的干扰，本
文在仿真数据上叠加 40dB 的高斯白噪声进行对比 图 10 某地区节点拓扑结构图
实验，其谐波电压和谐波电流估计的 MAE 误差如 Fig. 10 Node topology of a region
8 冯函宇等：基于时空图卷积网络的谐波状态估计方法研究

本次实验将整个系统如图 11 所示进行子图分 节点25

节点27

割，选取度最高的 7 个（图 11 中的红色节点）为

谐波电压(kV)
有固定监测装置节点，其余节点分别划分为子图 1

谐波电压(kV)
（图 11 中的绿色节点）、子图 2（图 11 中的紫色
节点）、子图 3（图 11 中的蓝色节点）和子图 4（图
11 中的黄色节点）分别进行谐波电压和谐波电流
采样点 采样点

节点33 节点38

状态估计。

谐波电压(kV)

谐波电压(kV)
采样点 采样点

图 12 节点 25、27、33、38 的 7 次谐波电压拟合情况
Fig. 12 Fitting of 7th harmonic voltage of nodes 25, 27, 33
and 38

图 11 子图分割示意图
节点25 节点27
Fig. 11 Schematic diagram of subgraph Division
首先，选取所有节点连续 5000 个样本点谐波

谐波电流(A)
谐波电流(A)

数据并将其归一化处理，同样将数据集进行划分，
将 80%的数据用于训练模型，将另外 20%的样本数
据作为测试集用来测试模型的估计准确率。数据文 采样点
采样点

件中每行代表一个节点，每一列代表各时刻对应的 节点33 节点38

谐波状态，其中子图 1 训练集为 20 行 4000 列、子

图 2 为 19 行 4000 列、子图 3 为 16 行 4000 列、子
谐波电流(A)

谐波电流(A)

图 4 为 16 行 4000 列。将其作为谐波状态真实值标
签矩阵指导模型调参，将其中预估计的节点谐波状
态置 0 作为模型输入的初始状态，模型的输入还包 采样点 采样点

括系统各子图的邻接矩阵，维度分别是 20×20、19 图 13 节点 25、27、33、38 的 7 次谐波电流拟合情况

Fig. 13 Fitting of 7th harmonic current of nodes 25, 27, 33
×19、16×16 和 16×16，矩阵承载了系统中各节
and 38
点间的空间连接关系，每行代表一个节点，矩阵中
表 3 部分预估计节点谐波状态 MAE 误差对比
的数值表示节点间是否连接。 Table 3 Comparison of MAE of some estimated nodes
3.3.2 估计结果分析 harmonic States
通过时空图卷积神经网络模型对该地区系统 节点 谐波电流(A) 谐波电压(kV)

进行实测场景下的谐波状态估计实验。由于预估计 16 0.071 0.015

25 0.051 0.011
节点较多，图 12 和图 13 可视化展示了预估计节点
27 0.082 0.014
中节点 25、27、33、38 在测试集中的 7 次谐波电
29 0.050 0.009
压和谐波电流幅值的真实值与估计值。其中红色为
33 0.068 0.011
模型估计值，蓝色为样本真实值。从图中可以看出， 38 0.101 0.029
本文所提模型方法可以准确估计得到节点谐波状
根据表 3 中的 MAE 误差情况可以看出，对于
态变化的趋势，可有效估算节点谐波幅值的变化规
预估计节点谐波电流、谐波电压幅值的估计值与真
律，得到准确的谐波状态变化曲线，节点谐波电流
实值误差均较小，结果较为准确。模型可以提取出
与谐波电压幅值的估计值与真实值均基本吻合，误
谐波数据中的时空依赖性，可以提取出捕获到系统
差较小。
各节点间紧密的耦合关系。谐波电流估计误差在
测试集下部分预估计节点的 7 次谐波状态估计
0.6A 左右，谐波电压估计误差在 0.01kV 左右，并
的 MAE 误差如表 3 所示。
且误差波动小，模型具备良好的稳定性和精度。
 电 网 技 术 9

节点25 节点27 节点27

节点25

谐波电流(A)
谐波电压(kV)
谐波电压(kV)

谐波电流(A)
采样点 采样点 采样点 采样点

节点33 节点38

节点33 节点38
谐波电压(kV)
谐波电压(kV)

谐波电流(A)

谐波电流(A)
采样点 采样点 采样点 采样点

图 14 节点 25、27、33、38 的 9 次谐波电压拟合情况 图 17 节点 25、27、33、38 的 11 次谐波电流拟合情况

Fig. 14 Fitting of 9th harmonic voltage of nodes 25, 27, 33 Fig. 17 Fitting of 11th harmonic current of nodes 25, 27, 33
and 38 and 38
为了证明模型的泛化能力，本文又在 9 次和 11
节点27 次谐波下做了实验进行对比。图 14、图 15 和图 16、
节点25
图 17 分别是节点 25、27、33、38 在测试集中的 9
谐波电流(A)

次和 11 次谐波电压和谐波电流幅值的真实值与估
谐波电流(A)

计值。其中红色为模型估计值，蓝色为样本真实值。
可以看出，模型在 9 次和 11 次谐波状态估计实验
采样点 采样点

中状态曲线也可精确拟合，未大幅波动。其中 7、9、
节点38
节点33
11 这三种次数下对节点 33 估计的 MAE 估计误差量
化度量情况如表 4 所示。
谐波电流(A)

谐波电流(A)

表 4 不同注入谐波电流的估计误差对比
Table 4 Comparison of estimation errors of different
采样点 采样点 injected harmonic currents
图 15 节点 25、27、33、38 的 9 次谐波电流拟合情况 次数 谐波电流(A) 谐波电压(kV)
Fig. 15 Fitting of 9th harmonic current of nodes 25, 27, 33 7 0.068 0.011
and 38 9 0.052 0.016
11 0.079 0.027

节点25 节点27 从表 4 可以看到给出的这三次谐波下实验的

MAE 误差对比。对比注入 7 次谐波电流实验，结果
谐波电压(kV)
谐波电压(kV)

表明在 9 和 11 次谐波次数下模型依然具有较高的
估计精度。谐波电流和谐波电压幅值估计误差并未
采样点 采样点 大幅度波动，模型具备较强的适应性、较强的泛化
节点38
能力和较高的准确度，实验结果理想。
节点33

4 结论
谐波电压(kV)
谐波电压(kV)

本文面对电网新环境背景趋势下，将时空图卷
积网络应用到谐波状态估计，设计了融合时空特征
采样点 采样点 的谐波状态估计网络模型。通过数据驱动的方法提
图 16 节点 25、27、33、38 的 11 次谐波电压拟合情况 取谐波数据隐藏的特征，有效避免了机理方法的弊
Fig. 16 Fitting of 11th harmonic voltage of nodes 25, 27, 33
端。充分利用了电网中积累的海量电能质量监测数
and 38
据进行谐波状态估计，通过模型的迭代训练使得网
10 冯函宇等：基于时空图卷积网络的谐波状态估计方法研究

络学习到系统中所有节点间的时空耦合关系，实现 Network [J]．Automation of Electric Power Systems，2022，46(1)：

139-145．
了对预估计节点的谐波电流与谐波电压的估算。结
[5] 宋龙泽，万怀宇，郭晟楠，等．面向出租车空载时间预测的多任
合 IEEE14 节点标准配电网络实验分析以及对比测 务时空图卷积网络[J]．计算机科学，2021，48(7)：112-117．
试实验和某地区实测数据下的实验分析对所提方 Song Longze，Wan Huaiyu ，Guo Shengnan ，et al． Multi-task
Spatial-Temporal Graph Convolutional Network for Taxi Idle Time
法进行验证，得到如下结论：
Prediction[J]．Computer Science，2021，48(7)：112-117．
（1）针对谐波状态估计问题提出了时空图卷 [6] 董伟，张磊磊，金子恒，等．基于多特征时空图卷积网络的水运
积网络模型。该方法无需谐波阻抗等系统参数信 通航密度预测[J]．物联网学报，2020，4(3)：78-85．
Dong Wei ， ZhangLeilei ， Jin Ziheng ， et al ． Prediction of the
息，针对如今电网高维复杂导致传统方法精度下
waterborne navigation density based on the multi-feature
降，通过数据驱动方法，利用数据中承载的设备运 spatio-temporal graph convolution network [J]．Chinese Journal on
行状态信息及谐波在系统中的传播规律完成谐波 Internet of Things，2020，4(3)：78-85．
[7] 王涛，刘雨濛，顾雪平，等．基于连锁故障时空图的电网脆弱线
状态估计。使用时空图卷积来捕获时间和空间依赖
路 辨 识 [J] ． 中 国 电 机 工 程 学 报 ， 2019 ， 39(20) ：
性，使模型高效的获取有价值的信息，提高了状态 5962-5972+6176 ． Wang Tao ， Liu Yumeng ， Gu Xueping ， et
估计的性能。 al．Vulnerable Lines Identification of Power Grid Based on Cascading
Fault Space-time Graph [J]．Proceedings of the CSEE，2019，39(20)：
（2）面对全网监测装置数量不足的问题，本 5962-5972+6176．
文提出基于子图分割的谐波状态全网可观性实现 [8] 李佳玮，王小君，和敬涵，等．基于图注意力网络的配电网故障
方法，将整个系统划分为若干子图，通过子图间的 定位方法[J]．电网技术，2021，45(6)：2113-2121．
Li Jiawei，Zhao Wang Xiaojun，He Jinghan，et al．Wang Xuping，
独立训练解决了监测成本的问题，也提升了训练的 et al．Distribution Network Fault Location Based on Graph Attention
效率和估计的精度，当面临庞大的系统规模时可以 Network[J]．Power System Technology，2021，45(6)：2113-2121．

进行合理分割，在工程上具有良好的应用性能。 [9] 刘晓莉，曾祥晖，黄翊阳，等．联合粒子滤波和卷积神经网络的

电力系统状态估计方法[J]．电网技术，2020，44(9)：3361-3367．
本文所建立的模型虽能提取电力系统节点之 Liu Xiaoli，Zeng Xiaohui，Huang Yiyang，et al．State Estimation
间的谐波数据时空耦合关系，得到较准确的谐波状 Based on Particle Filtering and Convolutional Neural Networks for

态估计曲线，但却是分别单独捕获时间依赖和空间 Power Systems [J]．Power System Technology，2020，44(9)：

3361-3367．
依赖，并未能实现同时提取。这可能对时空相关性 [10] 景惠甜，韩丽，高志宇．基于卷积神经网络特征提取的风电功率
有些割裂从而造成一定的特性关系信息损失；另外 爬坡预测[J]．电力系统自动化，2021，45(4)：98-105．

本文方法视系统节点为同构的，而异质图神经网络 Jing Huitian，Han Li，Gao Zhiyu．Wind Power Ramp Forecast Based

on Feature Extraction Using Convolutional Neural
中各节点存在异质性，可承载更加丰富的信息。后
Network[J]．Automation of Electric Power Systems，2021，45(4)：
续将对同步提取时空依赖性及融合异质图神经网 98-105．
络继续展开研究。 [11] 张玉天，邓春宇，刘沅昆，等．基于卷积神经网络的非侵入负荷
辨识算法[J]．电网技术，2020，44(6)：2038-2044．
参考文献 Zhang Yutian，Deng Chunyu，Liu Yuankun，et al．Non-intrusive Load
Identification Algorithm Based on Convolution Neural Network
[1] 杨源，林圣，臧天磊，等．基于改进稀疏表示法的谐波源定位[J]．电
[J]．Power System Technology，2020，44(6)：2038-2044．
网技术，2013，37(5)：1279-1284．
[12] 廖文龙，于贇，王煜森，等．基于图卷积网络的配电网无功优化
Yang Yuan，Lin Sheng，Zang Tianlei，et al．Improved Sparse
[J]．电网技术，2021，45(6)：2150-2160．
Representation Based Location of Harmonic Sources in Power System
Liao Wenlong ， Yu Yun ， Wang Yusen ， et al ． Reactive Power
[J]．Power System Technology，2013，37(5)：1279-1284．
Optimization of Distribution Network Based on Graph Convolutional
[2] 王艳，臧天磊，符玲，等．基于谐波源特征提取的电力系统动态
Network [J]．Power System Technology，2021，45(6)：2150-2160．
谐波状态估计自适应方法[J]．电网技术，2018，42(8)：2612-2619．
[13] 张翼，朱永利．图信号与图卷积网络相结合的局部放电模式识别
Wang Yan，Zang Tianlei，Fu Ling，et al．Adaptive Method for
方法[J]．中国电机工程学报，2021，41(18)：6472-6481．
Dynamic Harmonic State Estimation in Power System Based on
Zhang Yi，Zhu Yongli．A Partial Discharge Pattern Recognition
Feature Extraction of Harmonic Source [J] ． Power System
Method Combining Graph Signal and Graph Convolutional Network
Technology，2018，42(8)：2612-2619．
[J]．Proceedings of the CSEE，2021，41(18)：6472-6481．
[3] 张旭，徐永海，秦本双，等．基于正交匹配追踪算法的谐波源定
[14] 王晓昌，朱文星，孙彦赞，等．基于图卷积网络的车联网资源管
位方法[J]．电测与仪表，2021，58(4)：44-51．
理[J]．电子测量技术，2021，44(3)：114-119．
Zhang Xu，Xu Yonghai，Qin Benshuang，et al．Harmonic source
Wang Xiaochang，Zhu Wenxing，Sun Yanzan，et al．Resource
localization method based on orthogonal matching pursuit algorithm
[J]．Electrical Measurement & Instrumentation，2021，58(4)：44-51． management of vehicle network based on graph convolutional neural

[4] 马永硕，齐林海，肖湘宁，等．基于改进生成对抗网络的谐波状 network[J]．Electronic Measurement Technology，2021，44(3)：

态估计方法[J]．电力系统自动化，2022，46(1)：139-145． 114-119．

Ma Yongshuo，Qi Linhai，Xiao Xiangning，et al．Harmonic State [15] 夏瑜潞．循环神经网络的发展综述[J]．电脑知识与技术， 2019，

Estimation Method Based on Improved Generative Adversarial 15(21)：182-184．
 电 网 技 术 11

Xia Yulu．A Review of the Development of Recurrent Neural Network

[J]．Computer Knowledge and Technology，2019，15(21)：182-184．
[16] 杨丽，吴雨茜，王俊丽，等．循环神经网络研究综述[J]．计算机
应用，2018，38(S2)：1-6+26．
Yang Li，Wu Yuxi，Wang Junli，et al．Research on recurrent neural
network [J]．Journal of Computer Applications，2018，38(S2)：
1-6+26．
[17] 杨景亮，齐林海，陶顺，等．基于 Attention-LSTM 的有载调容变
压器运行方式优化研究[J]．电网技术，2020，44(7)：2449-2456．
Yang Jingliang，Qi Linhai，Tao Shun，et al．Optimization of On-load
Adjustable Capacity Transformer Operation Mode Based on
Attention-LSTM [J]．Power System Technology，2020，44(7)：
2449-2456．
[18] 唐成顺，孙丹，唐威，等．基于 LSTM 循环神经网络的汽轮机转
子表面应力预测模型[J]．中国电机工程学报，2021，41(2)：451-461．
Tang Chengshun，Sun dan，Tang Wei，et al．A Turbine Rotor Surface
Stress Prediction Model Based on LSTM Recurrent Neural Network
[J]．Proceedings of the CSEE，2021，41(2)：451-461．
[19] 张宇帆，艾芊，林琳，等．基于深度长短时记忆网络的区域级超
短期负荷预测方法[J]．电网技术，2019，43(6)：1884-1892．
Zhang Yufan，Ai Qian，Lin Lin，et al．A Very Short-term Load
Forecasting Method Based on Deep LSTM RNN at Zone
Level[J]．Power System Technology，2019，43(6)：1884-1892．
[20] 冯斌，郭亦宗，陈页，等．基于 GRU 多步预测技术的云储能充放
电策略[J]．电力系统自动化，2021，45(9)：46-54．
Feng Bin，Guo Yizong，Chen Ye，et al．Charging and Discharging
Strategy of Cloud Energy Storage Based on GRU Multi-step
Prediction Technology[J]．Automation of Electric Power Systems，
2021，45(9)：46-54．
[21] 王增平，赵兵，纪维佳，等．基于 GRU-NN 模型的短期负荷预测
方法[J]．电力系统自动化，2019，43(5)：53-58．
Wang Zengping，Zhao Bing，Ji Weijia，et al．Short term load
forecasting method based on GRU-NN model[J]．Automation of
Electric Power Systems，2019，43(5)：53-58．

收稿日期：2022-07-04
作者简介：
冯函宇(1997)，男，硕士研究生，研究方向为
深 度 学 习 、 电 力 大 数 据 处 理 ， E-mail ：
fhyzzz@163.com；
王红(1978)，女，通信作者，博士，讲师，研

冯函宇 究方向为大数据应用技术、电能质量智能信息处理
等，E-mail ：wh@ncepu.edu.cn ；
齐林海(1964)，男，副教授，研究方向为电能
质量智能信息处理、智能电网大数据应用，E-mail：
qilinhai@ncepu.edu.cn ；
肖合举(1998)，男，硕士研究生，研究方向为
电 力 大 数 据 处 理 ， E-mail ：
xhj18811365829@163.com；
张岩(1998)，男，硕士研究生，研究方向为电
力大数据处理，E-mail ：zyngi214@qq.com

（编辑 郝敬乾）
 DOI：

Research on the Method of Harmonic State Estimation Based on Spatiotemporal Graph

Convolutional Network
FENG Hanyu, WANG Hong, QI Linhai, XIAO Heju, ZHANG Yan
(School of Control and Computer Engineering, North China Electric Power University, Changping District, Beijing 102206, China)

KEY WORDS: harmonic state estimation; deep learning; spatiotemporal graph convolutional network; data driving

With the widespread access of distributed new

energy sources in modern power systems, the problem of
harmonics has become more complex. The existing
harmonic state estimation methods have disadvantages
such as low estimation accuracy, difficult in obtaining
power grid parameters, and lack of systematicity. Firstly,
this paper analyzes the spatiotemporal characteristics of
harmonic data, and estimates the harmonic state of
unknown nodes based on data-driven fusion graph Fig. 5 Schematic diagram of subgraph segmentation
convolutional neural network and gated recurrent unit; In this paper, under the background trend of the
secondly, a subgraph segmentation method is proposed new environment of the power grid, the time-space map
to divide the whole system into several independent convolution network is applied to harmonic state
subgraphs. Data acquisition and state estimation are estimation, and a harmonic state estimation network
carried out, and the whole network observability of the model integrating time-space characteristics is designed.
harmonic state is realized after the merger, which solves The proposed method is verified by combining the
the problem of insufficient number of monitoring experimental analysis of IEEE 14 node standard
devices. Implementing the harmonic state estimation distribution network, the comparative test experiment
problem provides a new solution. and the experimental analysis of the measured data in a
Figure 4 shows the overall architecture of the region, and the following conclusions are obtained:
spatiotemporal graph convolution network model. The 1） A spatiotemporal graph convolution network
model extracts the spatial information of harmonic data model is proposed for harmonic state estimation. This
through two-layer GRU, and extracts the time method does not need the system parameter information
relationship of harmonic data through GRU. such as harmonic impedance, and uses the equipment
loss
Loss ··· Y operation state information carried in the data and the
adjustment
true value harmonic propagation law in the system to complete the
estimated
Ŷ1 Ŷ2 ··· Ŷt ···
value harmonic state estimation
temporal feature 2） Facing the problem of insufficient number of
GRU GRU ··· GRU ···
extraction
monitoring devices in the whole network, this paper
··· GCN ···
divides the whole system into several sub graphs, which
GCN GCN

Spatial feature can be reasonably divided when facing a huge system

Â
extraction scale, and has good application performance in
GCN GCN ··· GCN ··· adjacency
matrix engineering.
input X1 X2 ··· Xt ···

time

Fig.4 Overall frame diagram of spatiotemporal

convolutional network
Considering the shortage of monitoring devices in
the actual power system due to the monitoring cost, this
paper proposes a method to realize the whole network
observability of harmonic state based on sub graph
segmentation, as shown in Figure 5.