1.本发明涉及电网关键线路辨识领域，种新质流特别是场站程涉及一种新能源场站关键线路辨识方法、系统、关键设备及介质。线路系统
背景技术：
2.大规模互联电网在极大提高社会效益和资源分配合理性的辨识同时，其安全问题日益凸出，设备电网关键线路是及介指在整个电力系统中，其被破坏或失效将对系统的种新质流安全、可靠性和稳定性产生重大影响的场站程线路。这些线路的关键损失或破坏可能导致电力系统的崩溃或停运，或者导致电力质量的线路系统下降、电网容量的辨识降低等问题。因此，设备准确识别关键线路，及介对电网安全控制有重要意义。种新质流
3.随着以深度学习技术为代表的新一代人工智能技术的崛起，机器学习和人工智能技术在电力系统中得到了广泛应用。这些技术可以通过对历史数据和实时监测数据的分析，建立关键线路的辨识模型。这些模型可以基于电力系统的运行状态、潮流特征和异常行为等进行训练，以识别和预测关键线路的状态和可靠性，提高关键线路的在线辨识速度，那么，如何进行关键线路的辨别，在实际应用中至关重要。
技术实现要素：
4.本发明的目的是提供一种新能源场站关键线路辨识方法、系统、设备及介质，以提高关键线路辨识速度。
5.为实现上述目的，本发明提供了如下方案：
6.一种新能源场站关键线路辨识方法，所述方法包括：
7.获取目标电网的运行数据；
8.基于电网拓扑图，根据所述运行数据确定目标电网图数据；
9.将所述目标电网图数据输入至电网关键线路辨识模型中，得到所述目标电网中新能源场站的关键线路；
10.其中，所述电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器；
11.所述图自注意力网络用于对所述目标电网图数据进行特征提取以及自注意力机制计算，得到目标特征数据；
12.训练后的分类器用于对目标特征数据进行分类，输出所述目标电网中新能源场站的关键线路。
13.可选地，所述电网关键线路辨识模型的确定方法，具体包括：
14.获取所述目标电网的训练数据；所述训练数据包括：已知关键线路的运行数据；
15.基于电网拓扑图，根据所述训练数据中的运行数据确定训练电网图数据；
16.将所述训练电网图数据按照设定比例划分为训练集和测试集；
17.构建电网关键线路辨识网络；所述电网关键线路辨识网络，包括：依次连接的图自注意力网络和分类器；
18.将所述训练集输入所述电网关键线路辨识网络中的图自注意力网络进行特征提取，并进行自注意力机制计算，得到训练特征数据；
19.将所述训练特征数据和对应的关键线路作为所述分类器的输入，对所述训练特征数据进行分类处理，并以分类损失函数最小为目标对所述分类器的参数进行训练，得到训练好的分类器；所述参数包括：关键线路概率值；
20.将所述测试集和对应的关键线路作为训练好的分类器的输入，对训练好的分类器的参数进行调整，得到训练后的分类器；
21.所述电网关键线路辨识模型，包括：所述图自注意力网络和训练后的分类器。
22.可选地，将所述训练集输入所述电网关键线路辨识网络中的图自注意力网络进行特征提取，并进行自注意力机制计算，得到训练特征数据，具体包括：
23.将所述训练电网图数据输入至所述图自注意力网络，对所述训练电网图数据中的各个节点对之间的向量进行乘积计算，得到各个节点对之间的计算结果；
24.对任一节点对，根据所述计算结果确定特征相似度；
25.对任一节点对，根据所述特征相似度确定注意力权重；
26.将多个所述注意力权重进行对应位置的累加堆叠，得到多个节点的特征数据；
27.根据所有节点的特征数据确定训练特征数据。
28.可选地，获取所述目标电网的训练数据，具体包括：
29.获取目标电网的历史运行数据；
30.构建电网仿真模型；所述电网仿真模型是通过根据不同的运行场景，对场站接入的电网中的线路进行批量故障仿真得到的物理模型；
31.将所述历史运行数据输入至所述电网仿真模型中，进行仿真评估运算，得到故障仿真计算结果；
32.构建线路重要度评估模型；所述线路重要度评估模型是基于场站临界短路比、网络凝聚度和线路故障造成的失负荷量构建的场站短路比评估的物理模型；
33.将所述故障仿真计算结果输入至所述线路重要度评估模型，得到线路重要度值；
34.根据所述线路重要度值进行排序，得到设定条数的关键线路；
35.将所述关键线路和所述历史运行数据确定为所述目标电网的训练数据。
36.可选地，所述线路重要度评估模型的表达式为：
37.r(i)＝m(i)b(i)g(i)；
38.其中，r(i)为线路i的重要度值；m(i)为线路i的场站临界短路比；b(i)为线路i故障造成的失负荷量；g(i)为线路i的网络凝聚度。
39.可选地，所述分类损失函数采用的是交叉熵损失函数；所述交叉熵损失函数的表达式为：
[0040][0041]
其中，ai为关键线路的类别；为关键线路概率值；f
loss
为交叉熵损失函数；n为线路的数量；i为线路标号。
[0042]
一种新能源场站关键线路辨识系统，所述系统包括：
[0043]
数据获取模块，用于获取目标电网的运行数据；
[0044]
目标电网图数据确定模块，用于基于电网拓扑图，根据所述运行数据确定目标电网图数据；
[0045]
确定模块，用于将所述目标电网图数据输入至电网关键线路辨识模型中，得到所述目标电网的关键线路；
[0046]
其中，所述电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器；
[0047]
所述图自注意力网络用于对所述目标电网图数据进行特征提取以及自注意力机制计算，得到目标特征数据；
[0048]
训练后的分类器用于对目标特征数据进行分类，输出所述目标电网中新能源场站的关键线路。
[0049]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的新能源场站关键线路辨识方法。
[0050]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的新能源场站关键线路辨识方法。
[0051]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0052]
本发明提供了一种新能源场站关键线路辨识方法、系统、设备及介质，首先获取目标电网的运行数据；基于电网拓扑图，根据运行数据确定目标电网图数据；将目标电网图数据输入至电网关键线路辨识模型中，得到目标电网中新能源场站的关键线路；其中，电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器；图自注意力网络用于对目标电网图数据进行特征提取以及自注意力机制计算，得到目标特征数据；训练后的分类器用于对目标特征数据进行分类，输出目标电网中新能源场站的关键线路，由此提高关键线路辨识速度。
附图说明
[0053]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
[0054]
图1为本发明实施例提供的新能源场站关键线路辨识方法的流程图；
[0055]
图2为本发明实施例提供的考虑新能源多场站短路比的电网关键线路快速辨识方法流程框图；
[0056]
图3为本发明实施例提供的电网图数据对应的示意图；
[0057]
图4为本发明实施例提供的基于gats的电网关键线路辨识模型结构图；
[0058]
图5为本发明实施例提供的考虑新能源多场站短路比的电网关键线路快速辨识方法技术步骤图；
[0059]
图6为本发明实施例提供的新能源场站关键线路辨识系统的结构图。
[0060]
符号说明：
[0061]
数据获取模块-1、目标电网图数据确定模块-2、确定模块-3。
具体实施方式
[0062]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
[0063]
本发明的目的是提供一种新能源场站关键线路辨识方法、系统、设备及介质，以提高关键线路辨识速度。
[0064]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0065]
实施例1
[0066]
如图1所示，本发明实施例提供了一种新能源场站关键线路辨识方法，该方法包括：
[0067]
步骤100：获取目标电网的运行数据。
[0068]
步骤200：基于电网拓扑图，根据运行数据确定目标电网图数据。
[0069]
步骤300：将目标电网图数据输入至电网关键线路辨识模型中，得到目标电网中新能源场站的关键线路。
[0070]
其中，电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器。
[0071]
图自注意力网络用于对目标电网图数据进行特征提取以及自注意力机制计算，得到目标特征数据。
[0072]
训练后的分类器用于对目标特征数据进行分类，输出目标电网中新能源场站的关键线路。
[0073]
其中，电网关键线路辨识模型的确定方法，具体包括：
[0074]
获取目标电网的训练数据；训练数据包括：已知关键线路的运行数据。
[0075]
获取目标电网的训练数据，具体包括：
[0076]
获取目标电网的历史运行数据；构建电网仿真模型；电网仿真模型是通过根据不同的运行场景，对场站接入的电网中的线路进行批量故障仿真得到的物理模型。
[0077]
将历史运行数据输入至电网仿真模型中，进行仿真评估运算，得到故障仿真计算结果。
[0078]
构建线路重要度评估模型；线路重要度评估模型是基于场站临界短路比、网络凝聚度和线路故障造成的失负荷量构建的场站短路比评估的物理模型。
[0079]
具体地，线路重要度评估模型的表达式为：
[0080]
r(i)＝m(i)b(i)g(i)；
[0081]
其中，r(i)为线路i的重要度值；m(i)为线路i的场站临界短路比；b(i)为线路i故障造成的失负荷量；g(i)为线路i的网络凝聚度。
[0082]
[0083][0084][0085][0086]
式中，为第i个新能源并网母线节点注入的新能源实际视在功率；为第j个新能源并网母线节点注入的新能源实际视在功率；π
ij
为第i个和第j个新能源并网母线之间的复数功率折算因子，反映了各新能源发电设备电网侧接入点/新能源场站并网点电气量之间相位和幅值差异，z
eqii
为新能源并网母线处的交流电网等值阻抗矩阵z
eq
的第i行、i列元素,z
eqij
为新能源并网母线处的交流电网等值阻抗矩阵z
eq
的第i行、j列元素，为第i个并网母线节点标称电压；为第i个新能源发电设备/场站提供的短路电流；l为平均距离；d
ij
为第i个节点到第j个节点的最短距离，即第i个节点到第j个节点边数最少的路径包含的边的条数。
[0087]
当网络中只有一个节点时，令φ＝1，φ[g]为网络的凝聚度，φ[g]0为线路断开前网络的凝聚度，φ[g]1为线路断开后最大连通子网的凝聚度，分别为第i个，第j个并网母线节点的实际运行电压的标幺值，n为线路的数量，n≥2。
[0088]
将故障仿真计算结果输入至线路重要度评估模型，得到线路重要度值。
[0089]
根据线路重要度值进行排序，得到设定条数的关键线路。
[0090]
将关键线路和历史运行数据确定为目标电网的训练数据。
[0091]
基于电网拓扑图，根据训练数据中的运行数据确定训练电网图数据。
[0092]
将训练电网图数据按照设定比例划分为训练集和测试集。
[0093]
构建电网关键线路辨识网络；电网关键线路辨识网络，包括：依次连接的图自注意力网络和分类器。
[0094]
将训练集输入电网关键线路辨识网络中的图自注意力网络进行特征提取，并进行自注意力机制计算，得到训练特征数据。
[0095]
将训练特征数据和对应的关键线路作为分类器的输入，对训练特征数据进行分类处理，并以分类损失函数最小为目标对分类器的参数进行训练，得到训练好的分类器；参数包括：关键线路概率值。
[0096]
分类损失函数采用的是交叉熵损失函数；交叉熵损失函数的表达式为：
[0097][0098]
其中，ai为关键线路的类别；为关键线路概率值；f
loss
为交叉熵损失函数；n为线路的数量；i为线路标号。
[0099]
将测试集和对应的关键线路作为训练好的分类器的输入，对训练好的分类器的参数进行调整，得到训练后的分类器。
[0100]
电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器。
[0101]
其中，将训练集输入所述电网关键线路辨识网络中的图自注意力网络进行特征提取，并进行自注意力机制计算，得到训练特征数据，具体包括：
[0102]
将训练电网图数据输入至图自注意力网络，对训练电网图数据中的各个节点对之间的向量进行乘积计算，得到各个节点对之间的计算结果；对任一节点对，根据计算结果确定特征相似度；对任一节点对，根据特征相似度确定注意力权重；将多个注意力权重进行对应位置的累加堆叠，得到多个节点的特征数据；根据所有节点的特征数据确定训练特征数据。
[0103]
如图2所示，为考虑新能源多场站短路比的电网关键线路快速辨识方法流程框图。在实际应用中，该方法的操作步骤如下：
[0104]
s1：采集电网历史运行数据，进行批量随机仿真并构建适用于新能源多场站的关键线路评估模型，将重要度排序靠前的10条线路定义为关键线路。
[0105]
具体地，搭建电网仿真模型，设置不同的系统运行场景，考虑线路新能源多场站接入电网对线路进行批量故障仿真，得到计及新能源多场站短路比的关键线路辨识指标。
[0106]
根据批量故障仿真结果计算各线路重要度并排序，将排序靠前的10条线路l＝{ l1,l2,...,l
10
}定义为关键线路。
[0107]
为了更准确辨识在新能源多场站接入中的电网关键线路，分析新能源场站临界短路比、网络凝聚度，考虑线路故障造成的失负荷量，构建基于新能源电网多场站短路比的线路重要度评估模型。
[0108]
采集电网历史运行数据，进行批量随机仿真并根据仿真结果计算各线路重要度并排序，将排序靠前的10条线路定义为关键线路。
[0109]
s2：考虑新能源多场站对短路比的影响，结合电网拓扑及运行数据，将电网运行工况转化为图的形式，构建电网图数据样本集作为输入。
[0110]
具体地，考虑新能源接入对电网关键线路辨识的影响，基于电网拓扑图，以线路和新能源机组为节点，母线为边，生成电网图数据。利用节点邻接矩阵ci＝{ c1,c2,...}表示线路节点i与其他节点的连接关系，其中若节点i与节点1相连，则c1为1，否则为0。线路节点输入数据包括线路上的有功功率、无功功率，线路始末端的电压差值、相角差值，可表示如下式：
[0111]
x
input
＝{ x
p
,xq,xu,x
θ
}
[0112]
新能源机组节点输入数据包括其发出的有功功率、无功功率，额定电压，额定容量，可表示如下式：
[0113]
x
input
＝{ x
p
,xq,xu,xs}
[0114]
如图3所示，将电网拓扑及运行数据转化为图数据，作为模型的输入数据，体现新能源机组的出力情况及线路的潮流状态，作为判定新能源电网关键线路的依据。
[0115]
图3中的g1为新能源侧等值电源，g2为主网等值电源，z1变压器及线路等效阻抗，z2为交流系统戴维南等值阻抗。
[0116]
s3：构建基于gats的电网关键线路辨识模型。
[0117]
具体地，gats是一种用于图结构数据的深度学习模型，它在节点级别上实现了注意力机制。通过学习每个节点与其相邻节点之间的重要性权重，来对节点进行表示。与传统的图卷积网络(graph convolutional networks,gcn)不同，gat使用自适应的注意力机制
来决定节点之间的信息传递程度，而不是使用固定的权重。
[0118]
gats的注意力机制基于多头注意力(multi-head attention)的思想，它通过并行地计算多个注意力权重来提取不同层次的图结构信息。每个头部的注意力权重由节点对之间的特征相似度决定，其中特征相似度是通过节点对之间的向量乘积计算得到的。能够在对节点特征进行迭代学习时，提取线路当前潮流状态及新能源机组出力情况，同时能够更好的识别新能源电网对应的关键线路。
[0119]
如图4，基于gats的电网关键线路辨识模型由输入层、注意力机制层、节点表示学习层、输出层组成。注意力机制层和节点表示学习层组成图自注意力网络；输出层采用训练后的分类器。
[0120]
图4中的代表节点i的特征节点权重矩阵；代表节点j的特征节点权重矩阵；代表权重向量。
[0121]
输入层输入电网图数据，包括节点特征向量x
input
和节点邻接矩阵ci＝{ c1,c2,...}，注意力机制层采用多头注意力机制，对不同节点之间的信息传递进行加权，这些加权节点在节点表示学习层表示会被串联或平均池化得到最终的节点表示。同时，可以通过堆叠多个gat层来进一步提取更高层次的节点表示。最终得到最终节点状态hv(t)，输出模型分别输出各节点特征，输出表示为：
[0122]ov
＝g(hv(t),x
input
)
[0123]
将得到的各节点特征输入softmax分类器，得到电网关键线路辨识结果。
[0124]
构建基于gats的电网关键线路辨识模型，将电网不同运行工况的图样本作为模型输入，模型输出为该运行工况下的电网关键线路，输出可表示为：
[0125]aoutput
＝{ a1,a2,...,ai,...,an}
[0126]
式中，a
output
表示输出的关键线路辨识结果，ai的值表示线路是否为关键线路，是则为1，否则为0。
[0127]
所构建的基于gats的电网关键线路辨识模型可以分析不同运行状态下的新能源电网下的关键线路。
[0128]
s4：将电网图样本集以8:2的比例划分为训练集和测试集输入辨识模型，对模型进行离线训练，输出不同运行状态下的电网关键线路。
[0129]
如图5，以8:2的比例将电网图样本划分为训练集和测试集，将样本输入基于gats的电网关键线路辨识模型，利用gats模型对电网图样本进行特征学习，并使用softmax分类器对节点进行分类，其中新能源机组不计入分类。对模型进行训练，输出不同运行状态下的电网关键线路，利用测试集检验模型辨识能力。
[0130]
为了能够实现考虑新能源电网关键线路的在线辨识，同时提升电网关键线路辨识的速度和准确率，本发明的方法将提供一种考虑新能源对连锁故障影响的电网关键线路快速辨识方法。此方法考虑新能源多场站接入电网的影响，结合电网拓扑及运行数据，线路与新能源机组为节点，母线为边，将电网运行工况转化为图的形式，构建电网图样本集作为输入；构建基于gats的电网关键线路辨识模型，模型中的图自注意力网络能够自主学习电网图样本与关键线路的映射关系，输出各节点的特征信息，softmax分类器用于输出关键线路辨识结果。此方法先通过离线训练模型学习不同历史运行工况与关键线路的对应关系，在
线应用时直接将电网运行工况输入模型，得到新运行工况下的电网关键线路，实现了端到端的电网关键线路辨识。
[0131]
实施例2
[0132]
如图6所示，本发明实施例提供了一种新能源场站关键线路辨识系统，该系统包括：数据获取模块1、目标电网图数据确定模块2和确定模块3。
[0133]
数据获取模块1，用于获取目标电网的运行数据。
[0134]
目标电网图数据确定模块2，用于基于电网拓扑图，根据运行数据确定目标电网图数据。
[0135]
确定模块3，用于将目标电网图数据输入至电网关键线路辨识模型中，得到目标电网中新能源场站的关键线路。
[0136]
其中，电网关键线路辨识模型，包括：图自注意力网络和训练后的分类器。
[0137]
图自注意力网络用于对目标电网图数据进行特征提取以及自注意力机制计算，得到目标特征数据。
[0138]
训练后的分类器用于对目标特征数据进行分类，输出目标电网中新能源场站的关键线路。
[0139]
实施例3
[0140]
本发明实施例提供了一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的新能源场站关键线路辨识方法。
[0141]
在一种实施例中，本发明还提供了一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现实施例1中的新能源场站关键线路辨识方法。
[0142]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0143]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。