一种基于图神经网络的电网数字孪生系统建立方法及装置与流程

本发明涉及软件工程，更具体地，涉及一种基于图神经网络的电网数字孪生系统建立方法及装置。

背景技术：

1、面向不同规模的数字孪生系统建模，现有的方法是针对目标系统所包含设备的整体再次使用数字孪生建模技术建模。

2、然而，问题在于，现有技术面向不同数量设备构成的物理系统，都需要重新建模，耗时较长。同时，现有技术无法利用既有设备的数字孪生模型,但电网设备间普遍存在非线性关系，因此简单的设备集合无法构成变电站整体数字孪生模型，典型的非线性关系包括:

3、发电机和负载：发电机的电压和频率会受到连接到电网的负载变化的影响。例如，当负载增加时，如果没有适当的控制，发电机的输出频率可能会下降。这是因为额外的负载会吸收更多的机械功率，从而减慢发电机的旋转速度；

4、变压器和负载：变压器的输出电压会受到它的输入电压和连接到输出端的负载的影响。这种关系是非线性的，因为变压器的行为受到磁性材料饱和的影响，这种饱和在高负载或高输入电压下更明显；

5、电力电子设备：例如，hvdc(高压直流输电)和facts(灵活交流输电系统)等设备的行为是非线性的。这些设备通常使用电力电子转换器(如逆变器和整流器)来控制电力流，这些转换器的行为是非线性的；

6、保护设备和电网：例如，断路器和继电器的行为受到电网条件(如电压和电流)的影响。当电网发生故障时，这些设备会切断电力流，以保护电网的其它部分。这种切断行为是非线性的。

7、因此，需要一种技术，以实现在现有设备数字孪生模型的基础上，实现设备间关系的深度挖掘和精准建模。

技术实现思路

1、本发明技术方案提供一种基于图神经网络的电网数字孪生系统建立方法及装置，以解决如何基于图神经网络，在现有设备数字孪生模型的基础上，实现设备间关系的精准建模。

2、为了解决上述问题，本发明提供了一种基于图神经网络的电网数字孪生系统建立方法，所述方法包括：

3、计算目标电网系统包含的设备集合中的每个设备的数字孪生模型的预测结果；

4、确定设备集合中的每个设备与设备集合中其他设备间的设备关系；

5、基于所述数字孪生模型的预测结果以及所述设备关系，定义设备交互图；

6、基于所述设备交互图，通过深度图卷积神经网络模型获取每个设备的新的表示；

7、将设备集合中所有设备的新的表示进行合并，获取设备集合的整体状态表示。

8、优选地，所述基于所述设备交互图，通过深度图卷积神经网络模型获取每个设备的新的表示，包括：

9、所述深度图卷积神经网络模型在每一层利用激活函数，对所述设备交互图进行图卷积操作，获取每个设备的新的表示。

10、优选地，还包括对所述深度图卷积神经网络模型进行训练：

11、设置所述深度图卷积神经网络模型的训练目标；

12、在设置所述训练目标后，设置目标函数：

13、设y是实际的故障，yhat是所述深度图卷积神经网络模型预测的故障，设置目标函数为：其中||•||2是l2范数，||·||f是frobenius范数，λ是正则化参数；

14、当所述深度图卷积神经网络模型满足训练目标时，停止训练。

15、优选地，还包括对所述深度图卷积神经网络模型的参数进行设置：

16、所述深度图卷积神经网络模型的学习率为0.001，正则化参数λ为0.001，深度l为3层。

17、优选地，还包括对所述深度图卷积神经网络模型定义图卷积层，每一图卷积层l的图卷积操作表示为：hl+1＝σ(d-0.5∧d-0.5hlwl，其中hl为第l层的节点特征，hl+1为第l+1层的节点特征，wl为第l层的权重矩阵，σ为激活函数，d为度矩阵。

18、优选地，为所述设备集合中的每个设备的特征表示为特征矩阵x∈rn×d；其中，n为设备数量，d的设备的特征维度，x为特征矩阵，r为设备的特征；

19、定义气候模型为fc(xc)，将所述气候模型为fc(xc)的输出添加到所述特征中，生成增强的特征矩阵x′＝[x；fc(xc)]。

20、优选地，所述确定设备集合中的每个设备与设备集合中其他设备间的设备关系，包括：

21、所述设备关系表示为邻接矩阵a∈rn×n，所述邻接矩阵a为加权矩阵，所述邻接矩阵a中的元素表示设备之间的连接强度。

22、基于本发明的另一方面，本发明提供一种基于图神经网络的电网数字孪生系统建立装置，所述装置包括：

23、初始单元，用于计算目标电网系统包含的设备集合中的每个设备的数字孪生模型的预测结果；确定设备集合中的每个设备与设备集合中其他设备间的设备关系；

24、定义单元，用于基于所述数字孪生模型的预测结果以及所述设备关系，定义设备交互图；

25、获取单元，用于基于所述设备交互图，通过深度图卷积神经网络模型获取每个设备的新的表示；

26、结果单元，用于将设备集合中所有设备的新的表示进行合并，获取设备集合的整体状态表示。

27、优选地，所述获取单元，用于基于所述设备交互图，通过深度图卷积神经网络模型获取每个设备的新的表示，还用于：

28、所述深度图卷积神经网络模型在每一层利用激活函数，对所述设备交互图进行图卷积操作，获取每个设备的新的表示。

29、优选地，所述获取单元，还用于对所述深度图卷积神经网络模型进行训练：

30、设置所述深度图卷积神经网络模型的训练目标；

31、在设置所述训练目标后，设置目标函数：

32、设y是实际的故障，yhat是所述深度图卷积神经网络模型预测的故障，设置目标函数为：其中||•||2是l2范数，||·||f是frobenius范数，λ是正则化参数；

33、当所述深度图卷积神经网络模型满足训练目标时，停止训练。

34、优选地，所述获取单元，还用于对所述深度图卷积神经网络模型的参数进行设置：

35、所述深度图卷积神经网络模型的学习率为0.001，正则化参数λ为0.001，深度l为3层。

36、优选地，所述获取单元，还用于对所述深度图卷积神经网络模型定义图卷积层，每一图卷积层l的图卷积操作表示为：hl+1＝σ(d-0.5∧d-0.5hlwl，其中hl为第l层的节点特征，hl+1为第l+1层的节点特征，wl为第l层的权重矩阵，σ为激活函数，d为度矩阵。

37、优选地，所述初始单元，还用于为所述设备集合中的每个设备的特征表示为特征矩阵x∈rn×d；其中，n为设备数量，d的设备的特征维度，x为特征矩阵，r为设备的特征；

38、定义气候模型为fc(xc)，将所述气候模型为fc(xc)的输出添加到所述特征中，生成增强的特征矩阵x′＝[x；fc(xc)]。

39、优选地，所述初始单元，用于为确定设备集合中的每个设备与设备集合中其他设备间的设备关系，还用于：

40、所述设备关系表示为邻接矩阵a∈rn×n，所述邻接矩阵a为加权矩阵，所述邻接矩阵a中的元素表示设备之间的连接强度。

41、基于本发明的另一方面，本发明提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于执行一种基于图神经网络的电网数字孪生系统建立方法。

42、基于本发明的另一方面，本发明提供一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；其中，

43、所述存储器，用于存储所述处理器可执行指令的存储器；

44、所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现一种基于图神经网络的电网数字孪生系统建立方法。

45、本发明技术方案提供了一种基于图神经网络的电网数字孪生系统建立方法及装置，方法包括：计算目标电网系统包含的设备集合中的每个设备的数字孪生模型的预测结果；确定设备集合中的每个设备与设备集合中其他设备间的设备关系；基于数字孪生模型的预测结果以及设备关系，定义设备交互图；基于设备交互图，通过深度图卷积神经网络模型获取每个设备的新的表示；将设备集合中所有设备的新的表示进行合并，获取设备集合的整体状态表示。本发明技术方案首先使用设备的数字孪生模型的预测结果，然后根据设备间的关系调整这个预测结果，从而获得整体的预测结果。本发明技术方案的整体预测结果是在每个设备的预测结果基础上，考虑了设备间的关系后得到的，可作为变电站整体状态的预测结果。本发明技术方案避免了复杂和耗时的全局训练过程，为大规模设备集合的数字孪生系统建模提供了一种更为高效和实用的方法。