基于图注意力网络的配电网超分辨率量测生成方法

吕奇峰; 陈颖; 肖谭南; 于智同; 宋炎侃; 朱童

doi:10.7500/AEPS20220830012

您当前的位置：

首页 >

文章列表页 >

基于图注意力网络的配电网超分辨率量测生成方法

学术研究 | 更新时间：2025-06-16

- 基于图注意力网络的配电网超分辨率量测生成方法
- Super-resolution Measurement Generation Method for Distribution Network Based on Graph Attention Network
- 电力系统自动化 2023年47卷第5期页码：26-34
- 作者机构：
  
  1.清华大学电机工程与应用电子技术系,北京市 100084
  2.清华四川能源互联网研究院能源电力系统数字孪生研究所,四川省成都市 610042
  3.国网四川省电力公司,四川省成都市 610042
- 作者简介：
  
  吕奇峰(1997—)，男，硕士研究生，主要研究方向：配电网规划与运行、配电网大数据应用、人工智能等。E-mail：lqf20@mails.tsinghua.edu.cn
  陈颖(1979—），男，通信作者，博士，研究员，主要研究方向：并行计算与分布式计算、电磁暂态仿真、信息物理系统建模、信息物理安全。E-mail：chen_ying@mail.tsinghua.edu.cn
  肖谭南(1991—)，男，博士后，主要研究方向：电力系统稳定分析与控制、高性能计算、人工智能。E-mail：ee_xiaoxh@foxmail.com
- 基金信息：
  
  上海市科学技术委员会碳达峰-碳中和专项资助项目(21DZ1208300)
- DOI：10.7500/AEPS20220830012
  中图分类号：
- 收稿：2022-08-30，
  
  修回：2022-10-20，
  
  网络出版：2023-01-31，
  
  纸质出版：2023-03-10
- 稿件说明：
移动端阅览
吕奇峰,陈颖,肖谭南等.基于图注意力网络的配电网超分辨率量测生成方法[J].电力系统自动化,2023,47(5):26-34.

LYU Qifeng,CHEN Ying,XIAO Tannan,et al.Super-resolution Measurement Generation Method for Distribution Network Based on Graph Attention Network[J].Automation of Electric Power Systems,2023,47(5):26-34.
吕奇峰,陈颖,肖谭南等.基于图注意力网络的配电网超分辨率量测生成方法[J].电力系统自动化,2023,47(5):26-34. DOI： 10.7500/AEPS20220830012.

LYU Qifeng,CHEN Ying,XIAO Tannan,et al.Super-resolution Measurement Generation Method for Distribution Network Based on Graph Attention Network[J].Automation of Electric Power Systems,2023,47(5):26-34. DOI： 10.7500/AEPS20220830012.

摘要

针对配电网中量测布局不均、精度不足等问题，提出了一种基于图注意力网络的配电网超分辨率量测生成方法。该方法可提高配电网状态量时空分辨率，且具有拓扑泛化能力，可适应配电网重构拓扑工况，以最小化量测采集实现配电网高精度状态感知。所提方法通过注意力机制学习节点电气状态量之间的关联关系，将潮流约束加入模型训练中并设计了模型训练所需的最小拓扑集，避免对训练样本数据的过拟合，提高生成模型泛化能力。最后，通过IEEE 33节点和IEEE 123节点标准配电网算例验证了所提方法的有效性。

Abstract

Aiming at the problems of uneven measurement and insufficient accuracy of measurement in distribution networks

a super-resolution measurement generation method based on graph attention networks is proposed. The method can improve the spatio-temporal resolution of distribution network states

and has the ability of topology generalization. It can adapt to the topology reconfiguration conditions of distribution network to minimize measurement acquisition and achieve high-precision state awareness of distribution networks. The proposed method uses the attention mechanism to learn the correlation between electrical state variables of adjacent buses

adds power flow constraints to model training

and designs the minimum topology set required for model training

so as to avoid overfitting training sample data and improve the generalization ability of the proposed model. The effectiveness of the proposed method is verified by IEEE 33-bus and IEEE 123-bus standard distribution network cases.

关键词

Keywords

references

吴在军，徐俊俊，余星火，等 . 主动配电网状态估计技术评述［J］. 电力系统自动化， 2017 ， 41 （ 13 ）： 182 - 191 .

WU Zaijun ， XU Junjun ， YU Xinghuo ， et al . Review on state estimation technique of active distribution network ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 13 ）： 182 - 191 .

DEHGHANPOUR K ， WANG Z Y ， WANG J H ， et al . A survey on state estimation techniques and challenges in smart distribution systems ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 2312 - 2322 .

MUSCAS C ， PAU M ， PEGORARO P A ， et al . Effects of measurements and pseudomeasurements correlation in distribution system state estimation ［J］. IEEE Transactions on Instrumentation and Measurement ， 2014 ， 63 （ 12 ）： 2813 - 2823 .

ALAM S M S ， NATARAJAN B ， PAHWA A . Distribution grid state estimation from compressed measurements ［J］. IEEE Transactions on Smart Grid ， 2014 ， 5 （ 4 ）： 1631 - 1642 .

PRIMADIANTO A ， LU C N . A review on distribution system state estimation ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 5 ）： 3875 - 3883 .

AHMAD F ， RASOOL A ， OZSOY E ， et al . Distribution system state estimation—a step towards smart grid ［J］. Renewable and Sustainable Energy Reviews ， 2018 ， 81 ： 2659 - 2671 .

ZHANG L ， WANG G ， GIANNAKIS G B . Real-time power system state estimation and forecasting via deep unrolled neural networks ［J］. IEEE Transactions on Signal Processing ， 2019 ， 67 （ 15 ）： 4069 - 4077 .

陈源奕，王玉彬，杨强 . 基于时空特征图卷积网络的配电网实时状态估计方法［J］. 高电压技术， 2021 ， 47 （ 7 ）： 2386 - 2395 .

CHEN Yuanyi ， WANG Yubin ， YANG Qiang . Real-time state estimation method for distribution networks based on spatial-temporal feature graph convolution network ［J］. High Voltage Engineering ， 2021 ， 47 （ 7 ）： 2386 - 2395 .

ZAMZAM A S ， SIDIROPOULOS N D . Physics-aware neural networks for distribution system state estimation ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 6 ）： 4347 - 4356 .

臧海祥，郭镜玮，黄蔓云，等 . 基于深度迁移学习的时变拓扑下电力系统状态估计［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 49 - 56 .

ZANG Haixiang ， GUO Jingwei ， HUANG Manyun ， et al . State estimation for power systems with time-varying topology based on deep transfer learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 49 - 56 .

臧海祥，郭镜玮，黄蔓云，等 . 计及时变拓扑的电力系统深度迁移学习状态估计［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 49 - 56 .

ZANG Haixiang ， GUO Jingwei ， HUANG Manyun ， et al . Deep transfer learning state estimation for power systems with time-varying topology ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 49 - 56 .

KIPF T ， WELLING M . Semi-supervised classification with graph convolutional networks ［EB/OL］. ［ 2022-08-30 ］. https：//arxiv.org/abs/1609.02907 https://arxiv.org/abs/1609.02907 .

徐冰冰，岑科廷，黄俊杰，等 . 图卷积神经网络综述［J］. 计算机学报， 2020 ， 43 （ 5 ）： 755 - 780 .

XU Bingbing ， CEN Keting ， HUANG Junjie ， et al . A survey on graph convolutional neural network ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 5 ）： 755 - 780 .

WANG Z S ， CHEN Y ， HUANG S W ， et al . Temporal graph super resolution on power distribution network measurements ［J］. IEEE Access ， 2021 ， 9 ： 70628 - 70638 .

孟雨田，严正，徐潇源，等 . 配电网状态估计的全局灵敏度分析及应用［J］. 电力系统自动化， 2020 ， 44 （ 2 ）： 114 - 122 .

MENG Yutian ， YAN Zheng ， XU Xiaoyuan ， et al . Global sensitivity analysis on state estimation of distribution network and its application ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 2 ）： 114 - 122 .

BU F K ， DEHGHANPOUR K ， WANG Z Y . Enriching load data using micro-PMUs and smart meters ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5084 - 5094 .

王云静，邢奥岚，曲正伟，等 . 基于AMI全量测点分区的配电网动态状态估计方法［J/OL］. 电力自动化设备［ 2022-08-30 ］. http：//doi.org/10.16081/j.epae.202204049 http://doi.org/10.16081/j.epae.202204049 .

WANG Yunjing ， XING Aolan ， QU Zhengwei ， et al . Dynamic state estimation method of distribution network based on partition of AMI total measurement points ［J/OL］. Electric Power Automation Equipment ［ 2022-08-30 ］. http：//doi.org/10.16081/j.epae.202204049 http://doi.org/10.16081/j.epae.202204049 .

张顺，龚怡宏，王进军 . 深度卷积神经网络的发展及其在计算机视觉领域的应用［J］. 计算机学报， 2019 ， 42 （ 3 ）： 453 - 482 .

ZHANG Shun ， GONG Yihong ， WANG Jinjun . The development of deep convolution neural network and its applications on computer vision ［J］. Chinese Journal of Computers ， 2019 ， 42 （ 3 ）： 453 - 482 .

VELIČKOVIĆ P ， CUCURULL G ， CASANOVA A ， et al . Graph attention networks ［EB/OL］. ［ 2022-08-30 ］. https：//arxiv.org/abs/1710.10903 https://arxiv.org/abs/1710.10903 .

HUANG B ， WANG J H . Applications of physics-informed neural networks in power systems—a review ［J/OL］. IEEE Transactions on Power Systems ［ 2022-08-30 ］. https：//ieeexplore.ieee.org/document/9743327 https://ieeexplore.ieee.org/document/9743327 .

HU X Y ， HU H J ， VERMA S ， et al . Physics-guided deep neural networks for power flow analysis ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 3 ）： 2082 - 2092 .

ZAMZAM A S ， SIDIROPOULOS N D . Physics-aware neural networks for distribution system state estimation ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 6 ）： 4347 - 4356 .

CHAI Y Y ， GUO L ， WANG C S ， et al . Network partition and voltage coordination control for distribution networks with high penetration of distributed PV units ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 3 ）： 3396 - 3407 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据