基于图注意力网络的配电网超分辨率量测生成方法及系统与流程

1.本发明涉及配电网络技术领域，尤其涉及一种基于图注意力网络的配电网超分辨率量测生成方法及系统。

背景技术：

2.目前可再生能源与电动汽车等柔性负载将大量接入配电网，导致配网结构更加复杂。准确、快速的运行状态感知，对于配电网安全、经济、低碳运行至关重要。
3.配电网量测主要由scada(数据采集与监视控制)系统管理，其中电气量测采样频率和量测精度都较低。为了获得高精度的带时标量测，已有研究提出了配电网同步相量量测方法。然而，同步向量量测装备成本较高，无法在配电网大规模部署。因此，配电网状态量测呈现空间布局不均、同步不足的特点，量测结果时空稀疏度高。
4.传统状态估计要求输入量测数据具有冗余度，通过迭代估计出满足电路定律的潮流分布。然而，实际配电网的量测时空稀疏度高，可能无法满足状态估计的冗余度要求，难以实现全面准确感知。为此，有必要研究配电网状态的超分辨率生成方法，即利用已有稀疏量测数据，通过深度神经网络生成缺失量测信息，提高配电网状态感知分辨率。
5.现有技术中通常是以状态估计作为提高系统态势感知的方法，难以在量测时空分辨率较低的配电网广泛应用。配电网拓扑作为一种图结构，由电气节点和导线支路组成，蕴含了丰富的图信息。随着图神经网络(graph neural network，gnn)技术的出现，将较为成熟的神经网络方法扩展到了图域中，实现了深度学习与图数据的结合。目前应用最为广泛的图神经网络技术主要有图卷积神经网络(graphconvolutional network，gcn)和图注意力网络(graph attention network， gat)等。gcn在配电网超分辨率方面已经有了一定的研究，利用 gcn对配电网进行量测超分辨率补全，充分考虑节点之间的联系和影响，在融合网络拓扑结构的基础上提高了配电网量测在时间和空间上的分辨率。但都没有重点考虑在网络拓扑结构变化下模型的通用性和实用性，难以满足拓扑变化较为频繁的配电网态势感知需求，导致通用性和适用性。

技术实现要素：

6.本发明提供一种基于图注意力网络的配电网超分辨率量测生成方法及系统，用以解决现有配电网量测量结果精度低、时空稀疏度高的问题。
7.本发明提供一种基于图注意力网络的配电网超分辨率量测生成方法，包括：
8.获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
9.基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
10.对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
11.其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征
向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
12.根据本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法，所述获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型，具体包括：
13.将所述时空稀疏量测数据的量测矩阵中空缺数据全部补充为高精度的状态量；
14.求解与所述量测矩阵中的量测向量加权欧拉距离最近的理论值向量所对应的电压和相角，建立超分辨率状态数学模型。
15.根据本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法，所述基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型，具体包括：
16.将时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络；
17.所述图注意力网络对邻居节点进行聚合，计算注意力系数矩阵；
18.按照注意力系数矩阵分配的权重大小完成信息聚合得到输出特征向量；
19.通过输出特征向量构建生成图注意力超分辨率模型。
20.根据本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法，所述图注意力网络对邻居节点进行聚合，计算注意力系数矩阵，具体包括：
21.所述图注意力网络将共享权重参数矩阵应用在每一个节点上，实现共享的节点注意力机制并计算节点之间相关度；
22.将所有与节点连接的相邻节点相关度计算完成后，通过预设的 softmax函数进行归一化处理，得到注意力系数矩阵；
23.其中，所述共享权重参数矩阵是通过将节点从输入特征维度变换到输出特征维度过程中得到的。
24.根据本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法，对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测，具体包括：
25.对所述图注意力超分辨率模型加入功率约束得到超分辨率网络的潮流残差；
26.将所述超分辨率网络的潮流残差的绝对平均值作为潮流损失函数加入到网络训练过程中，与输出和均值的均方误差共同构成图注意力网络的损失函数；
27.通过所述图注意力网络的损失函数进行潮流约束，生成最终超分辨率量测模型。
28.根据本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法，对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，还包括：
29.将时空稀疏量测数据构成原拓扑，随着拓扑规则的扩大，重构拓扑数量也快速增长；
30.将原拓扑与重构拓扑组成拓扑集合；
31.所述拓扑集合中每条有联络开关的线路在训练过程中使最终超分辨率量测模型学习线路所连接的节点之间的状态相关性。
32.本发明还提供一种基于图注意力网络的配电网超分辨率量测生成系统，所述系统包括：
33.建模模块，用于获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
34.训练模块，用于基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
35.模型输出模块，用于对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
36.其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
37.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于图注意力网络的配电网超分辨率量测生成方法。
38.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图注意力网络的配电网超分辨率量测生成方法。
39.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于图注意力网络的配电网超分辨率量测生成方法。
40.本发明提供的一种基于图注意力网络的配电网超分辨率量测生成方法及系统，通过以提高系统整体量测数据分辨率为出发点，提出了基于加入潮流约束的图注意力网络模型的配电网适应性超分辨率方法，在模型中将输出与真值的均方误差和潮流残差共同作为损失函数，引入图注意力网络学习量测时空信息映射关系，通过最小化量测实现及时状态感知，通过与传统方法比对得出加入物理约束的图注意力神经网络不仅具有更高的数值精度并且对于拓扑改变具有更强的泛化能力的结论。其次对比了在损失函数中加入潮流约束与未加入潮流约束的泛化结果，验证所提方法具有更强的拓扑适应能力。
附图说明
41.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本发明提供的基于图注意力网络的配电网超分辨率量测生成方法的流程示意图之一；
43.图2是本发明提供的基于图注意力网络的配电网超分辨率量测生成方法的流程示意图之二；
44.图3是本发明提供的基于图注意力网络的配电网超分辨率量测生成方法的流程示意图之三；
45.图4是本发明提供的基于图注意力网络的配电网超分辨率量测生成方法的流程示意图之四；
46.图5是本发明提供的基于图注意力网络的配电网超分辨率量测生成系统的模块连接示意图；
47.图6是本发明提供的电子设备的结构示意图；
48.图7是本发明提供的ieee-33节点配网拓扑图；
49.图8是本发明提供的训练损失函数曲线下降过程示意图；
50.图9是本发明提供的节点5和27的gat超分辨率结果；
51.图10是本发明提供的泛化测试拓扑6节点电压相对误差箱形图；
52.图11是本发明提供的泛化测试拓扑6节点16的4种模型超分辨率结果示意图；
53.图12是本发明提供的4种模型在不同拓扑重构线路数量下的准确率示意图。
54.附图标记：
55.110：建模模块；120：训练模块；130：模型输出模块；
56.610：处理器；620：通信接口；630：存储器；640：通信总线。
具体实施方式
57.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
58.下面结合图1-图4描述本发明的一种基于图注意力网络的配电网超分辨率量测生成方法，包括：
59.s100、获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
60.s200、基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
61.s300、对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
62.其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
63.本发明中将配电网潮流约束加入到图注意力神经网络的训练过程中，利用注意力机制挖掘拓扑中的节点状态关联性，构建包含全部图连接关系的训练拓扑集进行训练并根据拓扑邻接矩阵变化自适应生成新的网络参数，实现配电网量测最小化采集的状态及时感知，增强模型在超分辨率生成数据方面的拓扑泛化能力。
64.获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型，具体包括：
65.s101、将所述时空稀疏量测数据的量测矩阵中空缺数据全部补充为高精度的状态量；
66.s102、求解与所述量测矩阵中的量测向量加权欧拉距离最近的理论值向量所对应的电压和相角，建立超分辨率状态数学模型。
67.由于受限于设备性能和投资成本，配电网量测配置分布不均现象显著，其中电气节点量测采样的周期、量测精度及同步性等方面存在较大差异。通常，在某一时刻，只可获得部分电气节点的量测数据。为了获得全网同步量测断面，需要根据已知电气节点状态生成未量测电气节点状态。若实测和生成的电气节点状态具有较高的空间和时间分辨率，即所有电气节点状态均以较高采样率和精度被生成，则得到了配电网超分辨率量测数据，可支撑配网精细化运营管理和态势感知。
68.配电网中不同量测的时空分辨率不同，实际配电网需要完成的是基于多源稀疏量测的时空状态感知。对应的多源量测矩阵z如下所示，包含了scada和pmu等多种量测系统的数据：
[0069][0070]
其中zi(tm)表示节点i在时刻tm的量测数据，φ表示当前时刻该位置没有量测。
[0071]
通过式(1)可以看出配电网的量测数据在时空分布上具有很高的稀疏性。为了获得高分辨率的配电网状态矩阵，即节点电压矩阵v和节点相角矩阵θ，如式(2)和(3)所示
[0072][0073][0074]
其中将量测矩阵中的空缺数据φ全部补充为高精度的状态量 vi(tm)和θi(tm)。
[0075]
其中将量测矩阵中的空缺数据φ全部补充为高精度的状态量vi(tm)和θi(tm)。
[0076]
此时的时空状态感知即为求解与量测向量加权欧拉距离最近的理论值向量所对应的电压和相角：
[0077][0078]
其中h为利用v和θ计算对应量测的理论公式，包括节点注入功率计算公式、线路潮流计算公式等。h为量测权重矩阵，p
inj
和q
inj
为节点注入有功和无功功率，p
line
和q
line
为支路有功和无功功率，g
ik
和b
ik
为拓扑节点导纳矩阵的实部和虚部。
[0079]
不同时间的拓扑会发生变化，带来的就是y(t)＝g(t)+jb(t)的变化，可再生能源与柔性负荷注入会导致潮流方向变化，即p
line
(t)和q
line
(t)的正负号变化。
[0080]
传统状态估计可以通过冗余的量测数据迭代计算生成完整的状态数据，但其对数据质量要求高，存在不良数据时，会使状态估计的结果精度下降且其计算耗时较长，无法满足状态及时感知要求。历史量测数据与状态变量之间存在关联关系，可以通过神经网络拟
合其概率分布模型，通过输入部分量测数据，生成完整的状态变量：
[0081]
v,θ＝∫zp(v,θ∣z)p(z)dz
ꢀꢀꢀꢀ
(5)
[0082]
状态感知的输入变量属于非欧式空间的图数据，既有拓扑中节点的量测数据，还有拓扑中节点之间的连接矩阵。常用的卷积神经网络方法忽略了图结构信息，使状态感知精度难以进一步提高。同时已有的配电网量测分辨率增强方法往往针对单一拓扑设计，当拓扑结构发生改变时，已有方法会因为无法适应新的拓扑而大大降低数值精度或是出现潮流流向错误。同时由于配电网的拓扑可能会出现的频繁变化，针对原拓扑的量测设备布局可能无法很好适应新的拓扑结构，原来可观测的节点会变得不可观测。为了提高超分辨率方法的鲁棒性和通用性，应当使超分辨率方法对于拓扑变化有一定的泛化能力，从而使超分辨率方法应用于配电网重构拓扑时依然可以提供高精度、可靠的配电网状态数据。
[0083]
基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型，具体包括：
[0084]
s201、将时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络；
[0085]
s202、所述图注意力网络对邻居节点进行聚合，计算注意力系数矩阵；
[0086]
s203、按照注意力系数矩阵分配的权重大小完成信息聚合得到输出特征向量；
[0087]
s204、通过输出特征向量构建生成图注意力超分辨率模型。
[0088]
图注意力网络(gat)可以通过图节点之间的消息传递来表达节点相互依赖关系，具有精度高和泛化能力强的优点。同时，gat中引入了注意力机制，对消息传递参数赋予不同的权重。通过训练更新注意力参数，gat实现相邻节点信息的有效聚合。上述消息传递和注意力机制是网络中的局部运算。当图拓扑改变后，gat可以自适应调整注意力参数，适应新的图拓扑，表现出良好的信息聚合和图特征学习效果。
[0089]
采用gat实现配电网超分辨率状态生成，通过注意力机制学习相邻电气节点状态相关性特征，并在配网重构后自适应调整节点间注意力参数，增强了超分辨率状态生成模型的拓扑泛化能力。
[0090]
本发明中配电网拓扑可以用一个无向图g＝{nn,e,a}表示，其中nn是配电网节点集合，n是配电网节点数量，e是配电网边集合，a是邻接矩阵，a∈rn×n。拓扑中节点由配电网电气节点组成，边由架空线路或电缆线路组成。
[0091]
将时空稀疏量测数据作为gat的输入特征向量聚合邻居节点信息后可以得到输出其中n为节点数。
[0092]
图注意力网络对邻居节点进行聚合，计算注意力系数矩阵，具体包括：
[0093]
所述图注意力网络将共享权重参数矩阵应用在每一个节点上，实现共享的节点注意力机制并计算节点之间相关度；
[0094]
将所有与节点连接的相邻节点相关度计算完成后，通过预设的 softmax函数进行归一化处理，得到注意力系数矩阵；
[0095]
其中，所述共享权重参数矩阵是通过将节点从输入特征维度变换到输出特征维度过程中得到的。
[0096]
本发明中gat通过将共享权重参数矩阵应用在每一个节点上，实现共享的节点注意力机制a并计算节点之间相关度 e
ij
＝a(wzi,wzj)，表示节点j对节点i的影响程度。将所有与节点i连接节点的相关度计算后，使用softmax函数进行归一化得到注意力系
数矩阵α：
[0097][0098]
其中，leakyrelu为激活函数，t为矩阵转置，||为矩阵拼接，w表示节点从输入特征维度变换到输出特征维度的共享权重参数矩阵。
[0099]
至此，将拓扑中所有与节点i相邻节点的时空稀疏量测输入zj，按照注意力系数分配的权重大小即可完成信息聚合得到输出特征向量zj′
：
[0100][0101]
其中，σ表示激活函数。
[0102]
注意力机制通过对关注事物的不同部分赋予不同的权重，从而降低其它无关部分的作用。gat针对配电网中每个节点和其相邻节点，通过训练更新注意力系数矩阵，实现邻居节点的信息聚合。由于输入量测数据的低时空分辨率，在一个时空断面上没有量测的节点可以通过其邻居节点的量测而获得数据。同时，因为配电网重构而发生的拓扑改变，gat可以做到自适应分配新的注意力参数矩阵，对新拓扑依然可以做到良好的数据聚合。
[0103]
由此gat通过注意力机制解决了gcn对同阶邻域节点只能分配相同权重的问题，改变了其每次更新整个配电网拓扑图操作的方式，更加注重于邻居节点的电气特征，在配电网拓扑结构变化时可以自适应调整节点之间的注意力系数，增强了模型在不同结构配电网上的泛化能力。
[0104]
对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测，具体包括：
[0105]
s301、对所述图注意力超分辨率模型加入功率约束得到超分辨率网络的潮流残差；
[0106]
s302、将所述超分辨率网络的潮流残差的绝对平均值作为潮流损失函数加入到网络训练过程中，与输出和均值的均方误差共同构成图注意力网络的损失函数；
[0107]
s303、通过所述图注意力网络的损失函数进行潮流约束，生成最终超分辨率量测模型。
[0108]
传统的神经网络训练一般通过计算输出与真值的均方误差(mean square error,mse)作为损失函数：
[0109][0110]
其中n为样本统计总数，xi为样本i的真值，为样本i的预测值。
[0111]
使用mse作为损失函数使样本输出不断逼近样本真值，保证了模型对于输出结果的高数值精度。但对于一段时空中的电气状态量x 是一个多维矩阵
[0112]
x＝[vi,θi,p
inj
,q
inj
]4×n×
t
ꢀꢀꢀꢀꢀ
(9)
[0113]
在训练过程中有无数组可行的w可以使输出结果陷入局部最优解，从而得到一组较小的mse满足模型的数值精度要求。但这样训练得到的模型不一定满足实际的潮流约束，很容易对训练样本出现过拟合，从而降低了模型的拓扑泛化能力。
[0114]
通常情况下，配电网的功率方程可以由一组节点电压相量和拓扑导纳矩阵方程表示，该方程代表kirchhoff定律，也是超分辨率节点状态量要满足的潮流约束。
[0115]
由式(4)中的节点注入功率约束：
[0116][0117][0118]
通过将超分辨率生成的vi和θ
ik
，可以计算得到pi([v；θ])和qi([v；θ])。将pi([v；θ])、qi([v；θ])和做差，可以得到超分辨率网络的潮流残差 g([v；θ])。
[0119][0120]
取g([v；θ])的绝对平均值作为潮流损失函数pfloss加入到网络训练过程中，与mseloss共同构成神经网络的损失函数，不仅可以提高超分辨率生成数据的精度，同时可以让生成的数据满足电气物理规律，避免落入局部最优解。
[0121]
因此，加入潮流约束的图注意力超分辨率模型的求解过程可以归纳为寻同时满足数值精度要求和潮流损失要求的共享权重参数矩阵w：
[0122][0123]
其中g为训练拓扑集数量，x为潮流状态量真值，n为训练样本数量。s为潮流的复功率，y为拓扑的节点导纳矩阵。λ是物理约束的权重系数，随着训练轮数逐渐提高，可以做到既能在训练开始时快速提高数值精度，也能在最后满足较高的潮流约束要求。
[0124]
通过将潮流约束加入到网络参数的训练过程中，可以在产生超分辨率数据时做到状态估计，大大降低了所需的计算耗时并提高了数据精度。
[0125]
在实际训练过程中，由于邻接矩阵a的稀疏性，pi-gat中每层网络可以向外传播1阶邻节点信息，所以，k阶邻节点仅在第k次层间传播后才可以互相感知。当网络层数过小时，离量测数据节点较远的节点无法充分信息聚合，当网络层数过大时，信息传递出现均质化并且增大训练难度和训练时长。根据算例使用的配电网量测布局，确定量测时空分布中与量测节点最远的无量测节点即可确定网络层数。表 1给出了本文使用的网络模型结构。
[0126]
表1 pi-gat网络模型结构
[0127][0128]
为了使pi-gat模型更好地应对可能会出现的各种重构拓扑，有必要将使模型掌握尽可能多的拓扑连接关系。但当拓扑规模较大时，重构拓扑数量呈指数型增长，若将所有拓扑均纳入训练集中，势必会构成难以克服的训练障碍，大大降低训练效率。为此，对pi-gat的训练方法进行了设计改进，使模型以较小的训练成本完成所需要的数据精度要求。
[0129]
配电网的原拓扑与重构拓扑可以构成一个拓扑集合。对于拓扑集合中每条有联络开关的线路，需要在训练过程中让pi-gat模型学习线路所连接的节点之间的状态相关性。通过这样训练，一方面可以让模型掌握所有可能会出现的节点相互影响关系，另一方面也可以让系统更好应对未知的潮流方向。为此，可以构建一个由原拓扑和单一联络开关改变的重构拓扑的训练拓扑集合g
set
，如式(14)所示。
[0130][0131]
这样在训练过程中，任意两个可能会出现连接关系的节点情况均被训练集g
set
所包含，当出现未训练过的重构拓扑时，模型可以更好的地生成对应节点间的注意力系数α
ij
。
[0132]
在一个具体例子中，通过ieee-33节点配电网系统作为测试算例，如0所示共有4条馈线，33个节点和32条支路，每个节点均有负载或分布式电源接入。该系统中节点1为父节点，节点8-21、9-15、12-22、 18-33和25-29之间均有重构联络开关。
[0133]
将拓扑中与多条馈线或重构线路相连的节点定义为分支节点，将在拓扑中只与一个节点相连的节点定义为末端节点。考虑到支路节点在拓扑中可以聚合更多的拓扑信息，将支路节点均配备pmu，量测频率定为f
p
。末端节点可以提供关键的末端潮流数据和拓扑结构变化信息，更好应对拓扑变化时出现的潮流反转情况，将末端节点均配备 ami，量测频率定为f
p
/4。非支路节点和末端节点的拓扑节点可以考虑配备scada，量测频率定为f
p
/3或不设置量测。
[0134]
将ieee-33节点算例在matpower中根据重构开关的不同组合，生成6种重构拓扑的24h潮流稳态数据。在此基础上，添加标准差为 0.1的高斯扰动，以进一步模拟实际负荷的波动特征。潮流数据包含算例各节点的节点电压幅值vm及相角θ，节点注入有功功率pi和无功功率qi。将潮流数据以64帧时间长度切割并和重构拓扑关联矩阵一起打乱作为数据样本集。将样本集按照8：1：1的比例划分训练集、验证集和测试集，其中训练集有4000个样本，验证集和测试集各有 500个样本。为了测试本文方法对于未训练过的拓扑时的超分辨率拓扑泛化能力，额外生成了六种拓扑和潮流数据作为拓扑泛化测试集，各有500个样本。所提方法在pytorch上搭建gat网络，并采用adam 优化器在gpu(rtx3060)上训练1000轮，给定小批
量(mini-batch) 的规模为32，初始学习率为0.0001，学习率每100轮下降一次。
[0135]
在训练过程中使用的损失函数由两部分组成
[0136][0137]
式中为超分辨率量测的均方误差，反映输出结果的数值精度， v和分别为超分辨率量测输出和潮流真值。为超分辨率量测的潮流残差，反映输出结果的物理约束。
[0138]
为了测试本文方法的拓扑泛化能力，将所提模型与线性插值、三次样条插值及gcn进行了对比。如0所示，gat模型在训练200轮时可以快速达到一个较小的值，并随着训练轮数增加而持续下降
[0139]
对训练拓扑的测试集中6种拓扑进行测试，每份超分辨率数据生成时间约为0.0035s。gat模型由于将潮流约束加入网络参数的训练过程，不仅可以在数据生成的过程中实现状态估计，即将生成输入数据中的坏数据纠正，而且相比于传统的状态估计方法，在显著提高数据时空分辨率的同时也大大降低了所需的计算耗时。
[0140]
0展示了gat模型对6种拓扑测试的指标结果，对于所有拓扑均可以根据低分辨率量测生成非常高准确率的超时空分辨率数据。由于配电网重构，会导致拓扑中原有的潮流流向发生改变，如馈线19-22 会连接节点2或节点12，而这两种情况下的潮流流向是截然相反的。同样，在训练集拓扑6中，节点33也会因为拓扑重构与节点18相连接，这与其他训练样本的潮流流向出现明显不同。
[0141]
表2 6种拓扑各项指标结果
[0142][0143]
由于重构拓扑情况纷繁复杂，不能对每一种拓扑都生成大量样本数据进行训练，为了避免模型出现过拟合，进一步提高泛化能力，将电力系统潮流约束作为损失函数加入到训练过程中，使得模型在训练过程中可以做到状态估计。
[0144]
0展示了gat模型用两种不同损失函数训练时，对于泛化测试拓扑6的指标结果。由于泛化测试拓扑6相对于训练集，拓扑改变程度较大，并且出现了馈线26-29由节点25接入的新潮流方向。通过表x可见，只使用mse作为损失函数的gat模型，虽然准确率依然较高但也出现了明显的准确率下降。在潮流方向改变的线路，节点电压的下降趋势依然保持与训练集拓扑一致，没有很好地适应新潮流方向。在将潮流约束加入到损失函数后，gat模型泛化能力进一步提高，准确地反应了潮流方向改变并提高数值精度。
[0145]
表3 加入潮流约束的模型泛化测试结果
[0146][0147]
0绘制了泛化测试拓扑6中节点5和节点27的节点电压-时间变化曲线，其中节点5的量测频率为f
p
/3，节点27的量测频率为f
p
/4。由图示结果可知，gat模型在应用于未经过训练的新拓扑时，可以显著提高系统电气状态量的时间分辨率。同时在应对不同节点的不同时间分辨率量测输入时，gat模型可以做到多源量测数据融合的超时空分辨率。
[0148]
在统计了泛化测试拓扑6中32000个潮流断面的各节点电压误差后，绘制了节点电压相对误差箱形图。其中虚线上端横线和下端横线分别表示统计样本中最大误差和最小误差，红横线为统计样本误差中位数。由0结果可知，加入了潮流约束的gat模型在应对拓扑改变程度较大的测试拓扑6时，依然可以将整体误差控制在很小的范围内。但需要注意到，潮流方向的大幅变化依然会提高关联节点电压的相对误差。馈线11-14、12-22、26-29和29-32均发生了潮流方向改变，输出结果虽然反映了真实潮流方向，但降低了一些数值精度。
[0149]
0对比了gat、gcn、线性插值和样条插值在泛化测试拓扑6节点16的超分辨率结果。由图示结果可以看出，当测试拓扑相对训练拓扑集改变较大时，考虑潮流约束的gat模型依然可以准确跟踪潮流变化，而gcn模型出现了明显的错误，其结果与真实值存在较大差距。另外两种插值方法由于不需要考虑拓扑变化，只需要在量测输入点之间插值即可，补充的数据虽然与实际值差距不大，但也可以注意到并不能很好地反映较长量测时间间隔中的潮流波动。
[0150]
由图12可知，本文提出的加入潮流约束的gat模型对于拓扑的变化具有很强的泛化能力，可以适应不同改变程度的拓扑结构并保持很高的准确率。gcn模型对于拓扑的变化也具有一定的适应性，当测试拓扑改变不大时可以提供较准确的数据结果。但当拓扑改变逐渐变大，其输出结果准确性也显著下降。两种插值方法由于不依赖拓扑矩阵进行数据生成，但同样数据精度无法提高。此外，由于插值方法是对相邻数据点内进行插值，对于输入量测数据的格式有一定要求，并且无法对量测点外的相邻时间点进行数据补充。
[0151]
参考图5，本发明还公开了一种基于图注意力网络的配电网超分辨率量测生成系统，所述系统包括：
[0152]
建模模块110，用于获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
[0153]
训练模块120，用于基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
[0154]
模型输出模块130，用于对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
[0155]
其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
[0156]
由于配电网中随机性和不确定性因素不断增加，配电网监控需要提高量测的时空
分辨率，以满足全方面准确掌握系统运行状态的要求。
[0157]
通过提高系统整体量测数据分辨率为出发点，针对现有的基于神经网络和数值插值的量测数据补充方法泛化能力差、精度不足等问题，提出了基于加入潮流约束的图注意力网络模型的配电网适应性超分辨率方法，在模型中将mse和潮流残差共同作为损失函数，引入gat学习量测时空信息映射关系，通过最小化量测实现及时状态感知。
[0158]
比较了提出的pi-gat模型与gcn、线性插值和样条插值模型在数值精度和泛化能力上的差异，得出pi-gat不仅具有更高的数值精度并且对于拓扑改变具有更强的泛化能力的结论。其次对比了在损失函数中加入潮流约束与未加入潮流约束的泛化结果，验证所提方法具有更强的拓扑适应能力。
[0159]
通过本发明提出的pi-gat模型以系统仿真潮流数据为数据集，通过离线训练参数，在线生成超分辨率数据，可以大幅提高量测数据时空分辨率并提高准确性，而且可以适应配网重构带来的拓扑变化。下一步研究中，可以针对实际配网拓扑识别不准确以及量测数据时标不统一等问题展开研究，并对模型训练样本生成方法进行设计和改进，提高模型训练效率和适应性。
[0160]
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communicationsinterface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行一种基于图注意力网络的配电网超分辨率量测生成方法，该方法包括：
[0161]
获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
[0162]
基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
[0163]
对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
[0164]
其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
[0165]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0166]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于图注意力网络的配电网超分辨率量测生成方法，该方法包括：
[0167]
获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态
数学模型；
[0168]
基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
[0169]
对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
[0170]
其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
[0171]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于图注意力网络的配电网超分辨率量测生成方法，该方法包括：
[0172]
获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；
[0173]
基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；
[0174]
对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；
[0175]
其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。
[0176]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0177]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0178]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，包括：获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。2.根据权利要求1所述的基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，所述获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型，具体包括：将所述时空稀疏量测数据的量测矩阵中空缺数据全部补充为高精度的状态量；求解与所述量测矩阵中的量测向量加权欧拉距离最近的理论值向量所对应的电压和相角，建立超分辨率状态数学模型。3.根据权利要求1所述的基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，所述基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型，具体包括：将时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络；所述图注意力网络对邻居节点进行聚合，计算注意力系数矩阵；按照注意力系数矩阵分配的权重大小完成信息聚合得到输出特征向量；通过输出特征向量构建生成图注意力超分辨率模型。4.根据权利要求3所述的基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，所述图注意力网络对邻居节点进行聚合，计算注意力系数矩阵，具体包括：所述图注意力网络将共享权重参数矩阵应用在每一个节点上，实现共享的节点注意力机制并计算节点之间相关度；将所有与节点连接的相邻节点相关度计算完成后，通过预设的softmax函数进行归一化处理，得到注意力系数矩阵；其中，所述共享权重参数矩阵是通过将节点从输入特征维度变换到输出特征维度过程中得到的。5.根据权利要求1所述的基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测，具体包括：对所述图注意力超分辨率模型加入功率约束得到超分辨率网络的潮流残差；将所述超分辨率网络的潮流残差的绝对平均值作为潮流损失函数加入到网络训练过程中，与输出和均值的均方误差共同构成图注意力网络的损失函数；通过所述图注意力网络的损失函数进行潮流约束，生成最终超分辨率量测模型。6.根据权利要求5所述的基于图注意力网络的配电网超分辨率量测生成方法，其特征在于，对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，还包括：将时空稀疏量测数据构成原拓扑，随着拓扑规则的扩大，重构拓扑数量也快速增长；将原拓扑与重构拓扑组成拓扑集合；
所述拓扑集合中每条有联络开关的线路在训练过程中使最终超分辨率量测模型学习线路所连接的节点之间的状态相关性。7.一种基于图注意力网络的配电网超分辨率量测生成系统，其特征在于，所述系统包括：建模模块，用于获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；训练模块，用于基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；模型输出模块，用于对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于图注意力网络的配电网超分辨率量测生成方法。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于图注意力网络的配电网超分辨率量测生成方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于图注意力网络的配电网超分辨率量测生成方法。

技术总结

本发明提供一种基于图注意力网络的配电网超分辨率量测生成方法及系统，包括：获取配电网的时空稀疏量测数据，基于所述时空稀疏量测数据建立超分辨率状态数学模型；基于超分辨率状态数学模型进行训练生成图注意力超分辨率模型；对所述图注意力超分辨率模型进行潮流约束，生成最终超分辨率量测模型，通过所述量测模型完成配电网数据量测；其中，所述图注意力超分辨率模型是通过将所述时空稀疏量测数据作为输入特征向量输入至预设的图注意力网络，经过所述图注意力网络训练获取输出特征向量生成的。本发明解决了现有配电网量测量结果精度低、时空稀疏度高的问题。时空稀疏度高的问题。时空稀疏度高的问题。