-
题名基于消息传递图神经网络的电力系统状态估计
被引量：9
- 1
-
-
作者
黄蔓云
郭镜玮
臧海祥
方熙程
卫志农
孙国强
-
机构
河海大学能源与电气学院
国网江苏省电力有限公司扬中市供电分公司
-
出处
《电网技术》
EI
CSCD
北大核心
2023年第11期4396-4404,共9页
-
基金
国家自然科学基金项目(U1966205)
中央高校基本科研业务费专项资金(B200201067)。
-
文摘
近年来,随着电网规模日益增大,系统拓扑变化愈加频繁,拓扑变化组合向多样化趋势发展。然而,现有数据驱动状态估计模型仅能处理欧式数据,不能有效挖掘像拓扑信息这样的非欧式数据,因此现有数据驱动模型在拓扑频繁变化时的适应性较差。该文提出一种基于消息传递图神经网络(messagepassingneural network, MPNN)的电力系统状态估计模型。首先,利用拓扑参数和量测信息构建图数据集;其次,基于不同拓扑下的图数据训练消息传递图神经网络,得到状态估计模型;最后,在线应用时将该拓扑下的图数据输入已训练好的网络模型即可得到当前断面的状态量。通过对IEEE标准系统和中国某实际省网的算例测试,并将估计结果与加权最小二乘法、加权最小绝对值法以及深度神经网络算法和卷积神经网络算法进行比较。结果表明,该算法更能适应大规模电网中实时拓扑变化的特性。
-
关键词
状态估计
时变拓扑
数据驱动
深度学习
消息传递图神经网络
-
Keywords
state estimation
time-varying topology
data-driven
deep learning
graph convolutional neural network
-
分类号
TM721
[电气工程—电力系统及自动化]
-
