[发明专利]可用输电能力计算方法、系统、设备和介质

说明书

可用输电能力计算方法、系统、设备和介质，获取待计算的电网节点功率；将待计算的电网节点功率输入预先训练好的图卷积网络模型计算，获得可用输电能力计算结果；输出所述可用输电能力计算结果。本发明所提出的图卷积网络模型不依赖复杂的物理模型，能够充分挖掘历史数据，利用先验知识快速地找到ATC结果，时间成本远远低于概率采样算法，并且计算精度高，能够提高最大输电能力。

技术领域

本发明属于电力系统技术领域，具体涉及一种可用输电能力计算方法、系统、设备和介质。

背景技术

为解决传统化石能源日渐枯竭和环境污染日益加剧的问题，以风机和光伏为代表的可再生能源在电网中的渗透率逐渐提高。在对ATC计算时，需要考虑可再生能力出力不确定性对电力系统输电能力的影响，在允许范围内预先保留出的一部分必要输电能力。大量的可再生能源使得电网的可用输电能力模型趋于复杂，进而求解更加困难。为保证电网的经济和稳定的运行，亟需开发一种计算精度高、不依赖物理模型、适应性强且能够实现最大输电能力的新方法。

已有的神经网络大多在结构设计和参数训练上进行改进，结构越复杂，需要的参数往往越多，对修正算法的要求也就越高。径向基神经网络(Radial Basis FunctionNeural Network，RBFNN)因其结构简单，可以逼近任意非线性函数的特点，而被大多数学者选择并被广泛地应用。由于RBFNN表达式形式简单，且是从输入变量到输出变量的显示表达，因此RBFNN除了可被用于近似Nataf变换中部分表达式外，还可被应用于近似ATC的确定性求解模型。

但是，可用输电能力计算模型的输入变量属于非欧式空间的图数据，不仅包含各个节点的注入功率，还包括各个节点之间的连接关系。已有基于分类器训练的算法忽略了网络的拓扑结构，将输入变量简化成欧氏空间数据，损失了输入变量的部分有用信息，导致精度难以进一步提升。

发明内容

为克服现有技术中的问题，本发明的目的是提供一种可用输电能力计算方法、系统、设备和介质，该计算方法具有较高的精度，能够实现最大输电能力。

为实现上述目的，本发明采用的技术方案如下：

获取待计算的电网节点功率；

将待计算的电网节点功率输入预先训练好的图卷积网络模型计算，获得可用输电能力计算结果；

输出所述可用输电能力计算结果。

进一步的，所述预先训练好的图卷积网络模型通过规范化的邻接矩阵和节点注入功率输入到图卷积网络中进行训练获得；所述节点注入功率通过对采集的电网历史各节点有功功率和无功功率进行预处理获得。

进一步的，采集电网历史各节点有功功率和无功功率，并对采集的数据进行预处理，得到节点注入功率，包括以下步骤：将电网历史各节点有功功率和无功功率利用离差标准化法将输入数据映射到[0,1]区间，得到节点注入功率。

进一步的，图卷积网络包括第一个图卷积层、第二个图卷积层、第三全连接层和第四全连接层。

进一步的，将规范化的邻接矩阵和节点注入功率输入到图卷积网络中进行训练，得到训练好的图卷积网络模型，包括以下步骤：

第一个图卷积层的输入为规范化的邻接矩阵A″和节点注入功率X，第一个图卷积层的输出向量通过下式计算：H⁽¹⁾＝ReLU(A″XW₁+b₁)

式中，H⁽¹⁾为第一个图卷积层的输出向量，W₁为第一个图卷积层的权重矩阵，b₁为第一个图卷积层的偏置向量；

第二个图卷积层的输入为第一个图卷积层的输出向量H⁽¹⁾，第二个图卷积层的输出向量通过下式计算：