Professional Documents
Culture Documents
《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)
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
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)
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。
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
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
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 ···
··· ···
图 5 子图分割示意图
GCN GCN GCN
m n
Lreg wij 2
i 1 j 1
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
(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
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
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)
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
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
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
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
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
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
态估计方法[J].电力系统自动化,2022,46(1):139-145. 114-119.
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:
KEY WORDS: harmonic state estimation; deep learning; spatiotemporal graph convolutional network; data driving
time