一种电力系统暂态功角稳定性判别方法及其相关装置与流程

1.本技术涉及电力系统技术领域，尤其涉及一种电力系统暂态功角稳定性判别方法及其相关装置。


背景技术：

2.电网安全稳定控制策略指当电网运行出现异常时，对系统采取切机、切负荷控制措施，以防止故障进一步扩大。作为保证电网稳定运行的重要措施，稳控策略在制定、校核及评估上，存在着计算量大、严重依赖专家经验的问题。在“双高”背景下，电网运行方式维数增长、形式多变，使得电网故障分析的难度不断加大、离线分析计算场景规模爆炸式增长，对离线稳控分析效率提出了更高的要求。其中一个制约离线稳控分析效率和自动化程度的关键环节就是稳定性判别。一些稳定问题在物理概念上或工程计算规范上存在明确的显式判稳规则，但很多情况下，这些规则需要较长时间的数值仿真来提供输入信息，或者不符合分析需求的特殊情况(如远离故障点的无关紧要的机组失步)，也无法对稳定或不稳定程度给出度量。深度学习既能揭示系统关键参数信息、揭示系统稳定程度，又能提供高效的自动判稳和稳定性边界搜索功能，是提高离线稳控分析效率和深度的一个关键技术发展方向。对实际电网建立稳控策略的暂态稳定评估深度网络模型，有利于在高维、高数量级样本下稳控策略的高效校核验证。
3.近年来，深度学习在稳定评估领域上取得重大进展。深度学习以数据驱动的形式，从大量历史数据中提取关键信息，能够快速准确地预测系统稳定状况。通过深度学习建立深度神经网络智能稳定评估模型，输入系统参数和状态，就能快速输出对稳定性的判断。由于电力系统中的电网状态量的空间拓扑可由图进行表示，且暂态过程中不同的机组位置对电气状态量具有显著影响，可以基于图深度学习技术对电力系统稳定评估方法展开深入研究。包括图神经网络(gnn)、图卷积神经网络(gcn)、图注意力神经网络(gat)等。上述图深度学习方法能够有针对性地提取节点间的相互作用关系，在暂态稳定评估中具有较高泛化能力及准确率。但对于实际大电网，由于系统规模庞大、涉及节点众多，若将网络中的所有线路和机组输入深度学习模型提取特征，必将导致深度学习的输入特征和模型参数过多引发维数灾，模型训练成本、难度上升，泛化能力较差，从而影响稳定性判断结果。


技术实现要素：

4.本技术提供了一种电力系统暂态功角稳定性判别方法及其相关装置，用于改善由于系统规模庞大、涉及节点众多，将网络中的所有线路和机组输入深度学习模型提取特征，所导致的输入特征和模型参数过多引发维数灾，模型训练成本高，训练难度高，泛化能力较差，进而影响稳定性判别结果的技术问题。
5.有鉴于此，本技术第一方面提供了一种电力系统暂态功角稳定性判别方法，包括：
6.以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图；
7.通过降维映射将所述原发电机图中节点的状态特征映射为所述降维后图中节点的状态特征，所述降维后图中节点的状态特征由该节点对应的聚类中的所有节点的状态特征计算得到；
8.以所述降维后图和所述降维后图中各节点的状态特征为图注意力神经网络的输入，输出所述电力系统的稳定性判别结果；
9.其中，所述状态特征包括发电机母线电压幅值、发电机母线电压相角、发电机有功出力、发电机无功出力、发电机功角、发电机机端电压、换流站交流母线电压、换流站直流电流。
10.可选的，所述以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图，包括：
11.以电力系统中原发电机图中的发电机为节点，以发电机容量和惯性时间常数为特征计算节点间的一阶相似度；
12.基于节点间的所述一阶相似度和所述原发电机图的邻接矩阵中节点间的初始边权重计算节点间的改进后边权重，节点间的所述初始边权重与节点间的电气距离负相关；
13.采用节点间的所述改进后边权重作为节点相似度指标，基于层次聚类算法进行节点聚类，得到聚类结果；
14.基于所述聚类结果将属于同一个聚类中的节点映射为一个节点，得到降维后图。
15.可选的，节点间的所述一阶相似度的计算公式为：
[0016][0017]
ui＝(s
gi
,t
ji
)
t
/||(s
gi
,t
ji
)
t
||；
[0018]
uj＝(s
gj
,t
jj
)
t
/||(s
gj
,t
jj
)
t
||；
[0019]
式中，p
ij
为节点i与节点j之间的一阶相似度，ui为节点i的暂态功角稳定特征参数归一化向量，s
gi
为节点i对应的发电机的额定容量，t
ji
为节点i对应的发电机的惯性时间常数，uj为节点j的暂态功角稳定特征参数归一化向量，s
gj
为节点j对应的发电机的额定容量，t
jj
为节点j对应的发电机的惯性时间常数。
[0020]
可选的，节点间的所述改进后边权重的计算公式为：
[0021][0022]
式中，o
i,j
为节点i与节点j之间的改进后边权重，ω
ij
为节点i与节点j之间的初始边权重，p
ij
为节点i与节点j之间的一阶相似度。
[0023]
可选的，所述以所述降维后图和所述降维后图中各节点的状态特征为图注意力神经网络的输入，输出所述电力系统的稳定性判别结果，包括：
[0024]
以所述降维后图和所述降维后图中各节点的状态特征为图注意力神经网络的输入，通过所述图注意力神经网络计算各节点与邻居节点之间的相似系数；
[0025]
通过所述图注意力神经网络根据各节点与邻居节点之间的相似系数和所述降维后图的邻接矩阵中各节点与邻居节点的边权重计算各节点对邻居节点的注意力系数；
[0026]
通过所述图注意力神经网络根据各节点对邻居节点的注意力系数对各节点的邻居节点的状态特征进行特征融合，得到各节点的输出特征，并根据各节点的输出特征输出
所述电力系统的稳定性判别结果。
[0027]
可选的，所述图注意力神经网络的训练过程为：
[0028]
获取训练样本，并计算所述训练样本的发电机转子角暂态稳定指标；
[0029]
若所述训练样本的发电机转子角暂态稳定指标大于0，则设置所述训练样本的标签为系统暂态功角稳定，若所述训练样本的发电机转子角暂态稳定指标小于或等于0，则设置所述训练样本的标签为系统暂态功角不稳定；
[0030]
通过所述训练样本训练所述图注意力神经网络。
[0031]
本技术第二方面提供了一种电力系统暂态功角稳定性判别装置，包括：
[0032]
聚类单元，用于以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图；
[0033]
映射单元，用于通过降维映射将所述原发电机图中节点的状态特征映射为所述降维后图中节点的状态特征，所述降维后图中节点的状态特征由该节点对应的聚类中的所有节点的状态特征计算得到；
[0034]
判别单元，用于以所述降维后图和所述降维后图中各节点的状态特征为图注意力神经网络的输入，输出所述电力系统的稳定性判别结果；
[0035]
其中，所述状态特征包括发电机母线电压幅值、发电机母线电压相角、发电机有功出力、发电机无功出力、发电机功角、发电机机端电压、换流站交流母线电压、换流站直流电流。
[0036]
可选的，所述聚类单元，具体用于：
[0037]
以电力系统中原发电机图中的发电机为节点，以发电机容量和惯性时间常数为特征计算节点间的一阶相似度；
[0038]
基于节点间的所述一阶相似度和所述原发电机图的邻接矩阵中节点间的初始边权重计算节点间的改进后边权重，节点间的所述初始边权重与节点间的电气距离负相关；
[0039]
采用节点间的所述改进后边权重作为节点相似度指标，基于层次聚类算法进行节点聚类，得到聚类结果；
[0040]
基于所述聚类结果将属于同一个聚类中的节点映射为一个节点，得到降维后图。
[0041]
本技术第三方面提供了一种电力系统暂态功角稳定性判别设备，所述设备包括处理器以及存储器；
[0042]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0043]
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的电力系统暂态功角稳定性判别方法。
[0044]
本技术第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的电力系统暂态功角稳定性判别方法。
[0045]
从以上技术方案可以看出，本技术具有以下优点：
[0046]
本技术提供了一种电力系统暂态功角稳定性判别方法，包括：以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图；通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，降维后图中节点的状态特征由该节点对应的聚类中的所有节点的状态特征计算得到；以降维后图和降维后图
中各节点的状态特征为图注意力神经网络的输入，输出电力系统的稳定性判别结果；其中，状态特征包括发电机母线电压幅值、发电机母线电压相角、发电机有功出力、发电机无功出力、发电机功角、发电机机端电压、换流站交流母线电压、换流站直流电流。
[0047]
本技术中，以电力系统中的原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类，以对电力系统中的原发电机图进行降维，得到降维后图，通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，通过网络降维来减少图注意力神经网络的输入参数，从而改善由于系统规模庞大、涉及节点众多，将网络中的所有线路和机组输入深度学习模型提取特征，所导致的输入特征和模型参数过多引发维数灾，模型训练成本高，训练难度高，泛化能力较差，进而影响稳定性判别结果的技术问题。
附图说明
[0048]
为了更清楚地说明本技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0049]
图1为本技术实施例提供的一种电力系统暂态功角稳定性判别方法的一个流程示意图；
[0050]
图2为本技术实施例提供的一种某真实直流送出系统结构示意图；
[0051]
图3为本技术实施例提供的图2中a1区域进行聚类得到的系统结构示意图；
[0052]
图4为本技术实施例提供的图2中a1区域聚类后采用等效节点表示的降维后系统结构示意图；
[0053]
图5为本技术实施例提供的一种电力系统暂态功角稳定性判别装置的一个结构示意图。
具体实施方式
[0054]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0055]
为了便于理解，请参阅图1，本技术实施例提供了一种电力系统暂态功角稳定性判别方法，包括：
[0056]
步骤101、以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图。
[0057]
本技术考虑到由于系统规模庞大、涉及节点众多，若将网络中的所有线路和机组输入深度学习模型提取特征，会导致输入特征和模型参数过多引发维数灾，模型训练成本高，训练难度高，泛化能力较差，进而影响稳定性判别结果。为了改善该问题，本技术实施例考虑对电力系统中的原发电机图进行特征降维处理。
[0058]
特征降维方法主要包括特征选择、特征提取和神经网络降维等。特征选择指直接为模型构建选择相关特征的子集，包括过滤式、封装式、嵌入法；特征提取指的是将高维特
征投射到由少数关键特征所构成的低维特征空间，包括主成分分析和随机森林等。主成分分析适用于输入特征间存在着一定相关关系的多变量问题，在电网拓扑层面的特征上缺乏适用性。与随机森林同属于“黑箱”降维的卷积神经网络、编码器等深度学习模型则缺乏可解释性。
[0059]
面向稳控策略校核的深度学习模型输入特征降维，需要满足以下要求：(1)将原特征空间的图拓扑在节点特征降维的同时，嵌入到低维的、稀疏的图拓扑上，作为图注意力网络的拓扑输入，也就是说，不仅减少节点特征向量的维数，而且减少节点数，且保持边的稀疏；(2)保留稳控策略主要研究区域，对次要的区域尽可能保留其状态特征，以保留其对主要区域稳定性的影响；(3)降维过程具备可解释性，以便在观察到失稳现象时，能回溯到原系统分析关键影响因素，为稳控策略制定及校核提供依据。
[0060]
本技术实施例注意到电网动态等值和前述稳定评估模型降维需求的关系。显然，动态等值后的网络，满足(1)和(2)，然而传统动态等值的目标是获得边界节点上的等效动态设备参数，以使得待研究系统从边界节点获得的外部网络电气动态反馈与等值前相似，这并没有建立原系统状态到等值系统边界节点状态的显式可解释映射，没有满足降维目标(3)。基于此，本技术提供一种网络降维方法对电网(原发电机图)进行降维，基于降维后图进行稳定性判别，这一方法能够实现前述三个特征降维要求，能够高效、准确地实现复杂电网的暂态功角稳定判别，且对电网拓扑变化具有一定适应性，有力支撑了离线稳控校核的自动化发展。
[0061]
具体的，以电力系统中原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图的过程包括：
[0062]
s1011、以电力系统中原发电机图中的发电机为节点，以发电机容量和惯性时间常数为特征计算节点间的一阶相似度；
[0063]
本技术实施例，以电力系统中原发电机图中的发电机为节点，根据节点间的电气距离确定节点间的初始边权重，可以生成初始关系图，以发电机容量和惯性时间常数为特征计算节点间的一阶相似度，具体计算公式为：
[0064][0065]
ui＝(s
gi
,t
ji
)
t
/||(s
gi
,t
ji
)
t
||；
[0066]
uj＝(s
gj
,t
jj
)
t
/||(s
gj
,t
jj
)
t
||；
[0067]
式中，p
ij
为节点i与节点j之间的一阶相似度，ui为节点i的暂态功角稳定特征参数归一化向量，s
gi
为节点i对应的发电机的额定容量，t
ji
为节点i对应的发电机的惯性时间常数，uj为节点j的暂态功角稳定特征参数归一化向量，s
gj
为节点j对应的发电机的额定容量，t
jj
为节点j对应的发电机的惯性时间常数。
[0068]
通过发电机的额定容量和惯性时间常数来计算一阶相似度，以便后续聚类过程中可以将具有相似转子运动特征的发电机归入一个聚类。
[0069]
s1012、基于节点间的一阶相似度和原发电机图的邻接矩阵中节点间的初始边权重计算节点间的改进后边权重，节点间的初始边权重与节点间的电气距离负相关；
[0070]
节点间的改进后边权重的计算公式为：
[0071][0072]
式中，o
i,j
为节点i与节点j之间的改进后边权重，o
i,j
≥0，改进后边权重越大，说明两个节点相似度越高，ω
ij
为初始关系图的邻接矩阵中节点i与节点j之间的初始边权重，初始边权重与节点间的电气距离负相关，当节点间的电气距离大于一定阈值时，可令该节点间的初始边权重为零。
[0073]
s1013、采用节点间的改进后边权重作为节点相似度指标，基于层次聚类算法进行节点聚类，得到聚类结果；
[0074]
考虑到实际电网具有基于电压等级的分层结构，为了在降维后图中保持这种结构特性，本技术实施例优选采用层次聚类算法进行节点聚类。层次聚类算法属于现有技术，在此不再对其具体的聚类过程进行赘述。
[0075]
s1014、基于聚类结果将属于同一个聚类中的节点映射为一个节点，得到降维后图。
[0076]
聚类完成得到聚类结果后，基于聚类结果将属于同一个聚类中的节点映射为一个节点，得到降维后图，即原发电机图中属于同一个聚类中的多个节点在降维后图中为一个等效节点替代。
[0077]
步骤102、通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征。
[0078]
在对原发电机图进行降维得到降维后图之后，通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，降维后图中节点的状态特征由该节点对应的聚类中的所有节点的状态特征计算得到。具体的，原发电机图中属于同一个聚类中的多个节点在降维后图中为一个等效节点替代，该等效节点的状态特征为同一聚类中各节点的状态特征的平均值(对电压幅值)、求和(对功率)、或以转动惯量为权重的加权平均值(对相角)，从而使得降维后图中节点的状态特征是可解释的。在电力系统动态等值问题中，此时需要得到这个等效节点上等值发电机的参数，而本技术实施例的目标是得出这一等效节点的状态特征与聚类中等效前的原始节点的状态特征的映射关系，降维后图中节点的状态特征与降维前的原发电机图中的节点的状态特征的映射关系可以参考表1，其中，状态特征包括发电机母线电压幅值、发电机母线电压相角、发电机有功出力、发电机无功出力、发电机功角、发电机机端电压、换流站交流母线电压、换流站直流电流。
[0079]
表1
[0080][0081][0082]
表1中，下标i为降维前完整的原发电机图中的节点序号，下标k为降维后图中的节点序号，假设待研究区域内的节点降维前后保存不变，外部区域为降维区域，ck表示节点k对应的聚类中包含的原发电机图的节点序号集，n为ck集合的节点数量。通过表1可知，外部区域对应的降维后图中，节点k的发电机母线电压幅值为节点k对应的聚类中包含的原发电机图的所有节点的发电机母线电压幅值的平均值，不对直流线路做等值，故降维前后保持一致。
[0083]
通过上述过程对可以对实际复杂大系统的状态特征空间进行保留稀疏图拓扑关系、可解释、不依赖海量训练数据的有效降维，从而可以配合图注意力神经网络，得到针对真实大系统稳控策略校核任务的性能优良的智能判稳模型，显著提升电力系统离线稳控分析效率和自动化程度，适应“双碳”背景下稳控校核计算任务规模的快速上升。
[0084]
步骤103、以降维后图和降维后图中各节点的状态特征为图注意力神经网络的输入，输出电力系统的稳定性判别结果。
[0085]
降维后图的邻接矩阵维数和元素相应发生变化，降维后图的邻接矩阵各节点与邻居节点的边权重ω
′
kj
满足：
[0086][0087]
即若降维后图中的节点保持为降维前的原始节点，则该节点间的边权重保持原始节点间的边权重，若降维后图中的节点为降维前同一聚类中的所有原始节点映射得到的一个等效节点，则该节点的边权重为该聚类中的所有原始节点的边权重之和。
[0088]
以降维后图和降维后图中各节点的状态特征为图注意力神经网络的输入，通过图注意力神经网络计算各节点与邻居节点之间的相似系数，其中，节点i与其邻居节点j之间的相似系数e
ij
为：
[0089][0090]
式中，hi为节点i的状态特征，hj为节点j的状态特征，状态特征中的元素如表1所示，||表示向量拼接，待学习的共享参数w用于对节点的状态特征进行特征增强；注意力权值函数a(
·
)用于将高维特征映射到实数上，为待学习的参数。
[0091]
由于在暂稳分析中发电机组间耦合关系与邻接矩阵的边缘权值相关，因此，在计算注意力系数时，在相似系数项基础上引入降维后图的邻接矩阵中的边权重，通过图注意力神经网络根据各节点与邻居节点之间的相似系数和降维后图的邻接矩阵中各节点与邻居节点的边权重计算各节点对邻居节点的注意力系数，即：
[0092][0093]
式中，α
ij
为节点i对邻居节点j的注意力系数，ni为节点i的邻居节点集合，ω
′
ij
为节点i与邻居节点j的边权重，通过降维后图的邻接矩阵中的边权重ω
′
kj
获取，leakyrelu(
·
)为激活函数。
[0094]
通过图注意力神经网络根据各节点对邻居节点的注意力系数对各节点的邻居节点的状态特征进行特征融合，得到各节点的输出特征，并根据各节点的输出特征输出电力系统的稳定性判别结果。注意力机制是图深度神经网络的一项主流技术，通过对不同的邻居节点分配不同的注意力系数，以突出对目标节点影响最大的信息，忽略掉相对无关的信息。注意力系数在图注意力神经网络中，可以将节点之间的特征相关性融合到模型训练里。
[0095]
本技术实施例将电力系统暂态功角稳定行判别视为一个二分类模型，也就是说，上述图注意力神经网络的输出为稳定或不稳定两种结果。
[0096]
进一步，图注意力神经网络的训练过程为：
[0097]
获取训练样本，并计算训练样本的发电机转子角暂态稳定指标；
[0098]
若训练样本的发电机转子角暂态稳定指标大于0，则设置训练样本的标签为系统暂态功角稳定，若训练样本的发电机转子角暂态稳定指标小于或等于0，则设置训练样本的标签为系统暂态功角不稳定；
[0099]
通过训练样本训练图注意力神经网络。
[0100]
本技术实施例中，在给训练样本设置标签时，采用发电机转子角暂态稳定指标i
tsi
作为判据，其具体计算过程为：
[0101][0102]
式中，δδ
max
为所关心发电机中任意两台发电机最大的内电势相角差，当i
tsi
》0，认为系统暂态功角稳定，否则认为系统暂态功角不稳定。
[0103]
假设根据某原发电机图得到真实直流送出系统结构如图2所示，设定图2中送端三角环区域为待开展稳控策略校核的研究区域，a1部分为待降维的区域。对a1区域进行聚类降维前后系统的结构示意图如图3、图4所示。原始a1地区包含节点共879个，连接线路共373799条；经本技术实施例中的降维方法简化后将节点降至55个，连接线路降至862条。
[0104]
设置线路首端发生三相接地短路故障，故障发生后0.1s保护误动作进行线路切除，在扰动发生0.3s后实施稳控切机措施，样本数据采样间隔为0.01s。总共生成700个样本。根据暂态功角稳定判据i
tsi
对样本集设置整图分类标签，其中失稳样本(即不稳定样本)共113个。
[0105]
采用本技术实施例提供的电力系统暂态功角稳定性判别方法，综合准确率达到96％，比起采用实践中常见的网络降维方法(保留500kv和220kv等级接入的发电机特征作为输入，忽略其他)提升了近20％，比起使用经典的卷积神经网络模型，也提升了近20％。
[0106]
本技术实施例中，以电力系统中的原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类，以对电力系统中的原发电机图进行降维，得到降维后图，通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，通过网络降维来减少图注意力神经网络的输入参数，从而改善由于系统规模庞大、涉及节点众多，将网络中的所有线路和机组输入深度学习模型提取特征，所导致的输入特征和模型参数过多引发维数灾，模型训练成本高，训练难度高，泛化能力较差，进而影响稳定性判别结果的技术问题。
[0107]
以上为本技术提供的一种电力系统暂态功角稳定性判别方法的一个实施例，以下为本技术提供的一种电力系统暂态功角稳定性判别装置的一个实施例。
[0108]
请参考图5，本技术实施例提供的一种电力系统暂态功角稳定性判别装置，包括：
[0109]
聚类单元，用于以电力系统中的原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类得到降维后图；
[0110]
映射单元，用于通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，降维后图中节点的状态特征由该节点对应的聚类中的所有节点的状态特征计算得到；
[0111]
判别单元，用于以降维后图和降维后图中各节点的状态特征为图注意力神经网络的输入，输出电力系统的稳定性判别结果；
[0112]
其中，状态特征包括发电机母线电压幅值、发电机母线电压相角、发电机有功出力、发电机无功出力、发电机功角、发电机机端电压、换流站交流母线电压、换流站直流电流。
[0113]
作为进一步地改进，聚类单元，具体用于：
[0114]
以电力系统中原发电机图中的发电机为节点，以发电机容量和惯性时间常数为特征计算节点间的一阶相似度；
[0115]
基于节点间的一阶相似度和原发电机图的邻接矩阵中节点间的初始边权重计算节点间的改进后边权重，节点间的初始边权重与节点间的电气距离负相关；
[0116]
采用节点间的改进后边权重作为节点相似度指标，基于层次聚类算法进行节点聚类，得到聚类结果；
[0117]
基于聚类结果将属于同一个聚类中的节点映射为一个节点，得到降维后图。
[0118]
作为进一步地改进，判别单元，具体用于：
[0119]
以降维后图和降维后图中各节点的状态特征为图注意力神经网络的输入，通过图注意力神经网络计算各节点与邻居节点之间的相似系数；
[0120]
通过图注意力神经网络根据各节点与邻居节点之间的相似系数和降维后图的邻接矩阵中各节点与邻居节点的边权重计算各节点对邻居节点的注意力系数；
[0121]
通过图注意力神经网络根据各节点对邻居节点的注意力系数对各节点的邻居节点的状态特征进行特征融合，得到各节点的输出特征，并根据各节点的输出特征输出电力系统的稳定性判别结果。
[0122]
本技术实施例中，以电力系统中的原发电机图中的发电机为节点，基于节点间的边权重进行节点聚类，以对电力系统中的原发电机图进行降维，得到降维后图，通过降维映射将原发电机图中节点的状态特征映射为降维后图中节点的状态特征，通过网络降维来减少图注意力神经网络的输入参数，从而改善由于系统规模庞大、涉及节点众多，将网络中的所有线路和机组输入深度学习模型提取特征，所导致的输入特征和模型参数过多引发维数灾，模型训练成本高，训练难度高，泛化能力较差，进而影响稳定性判别结果的技术问题。
[0123]
本技术实施例提供了一种电力系统暂态功角稳定性判别设备，设备包括处理器以及存储器；
[0124]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0125]
处理器用于根据程序代码中的指令执行前述方法实施例中的电力系统暂态功角稳定性判别方法。
[0126]
本技术实施例提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的电力系统暂态功角稳定性判别方法。
[0127]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0128]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0129]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字
符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0130]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0131]
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单元来实现本实施例方案的目的。
[0132]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0133]
所述集成的单元如果以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，本技术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全部或部分可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，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术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(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：random access memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0134]
以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围。