本发明涉及电力系统，具体的是一种考基于图卷积神经网络的电力系统韧性提升的方法及系统。
背景技术：
1、近年来，受全球气候变化影响，自然灾害事件频发，给电力系统安全运行带来重大挑战。传统数学规划模型主要通过将n-k紧急事件纳入调度决策、调整系统流量分布的均匀性以及识别级联故障的关键组件来增强弹性。这些方法并不直接将韧性指标和韧性约束集成到决策模型中，而是以间接的方式建立韧性提升模型，使得调度策略过于保守。人工智能模型具有强大的拟合能力，能够有效建立输入输出之间的映射关系，此外近年来关于人工智能模型凸化策略的研究为韧性指标直接纳入调度决策提供了可能性。
技术实现思路
1、发明目的，为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于图卷积神经网络的电力系统韧性提升的方法及系统。
2、技术方案，为了解决上述技术问题，实现上述发明目的，本发明提出一种基于图卷积神经网络的电力系统韧性提升的方法，方法包括以下步骤：
3、步骤1)建立系统运行点样本集作为模型的输入；
4、步骤2)通过连锁故障仿真构建每个系统运行点对应的韧性指标样本，作为模型的输出；
5、步骤3)通过gcn建立输入输出之间的映射关系，构建韧性指标预测器；
6、步骤4)将预测器线性化加入到调度决策中，通过调整系统运行点的分布实现韧性的提升。
7、进一步的，步骤1)的具体方法如下：
8、建立系统运行点样本作为模型的输入，系统运行点包括初始状态节点负荷pd0和发电机出力pg0，始状态下的节点负荷样本随机生成，给定负荷条件下发电机出力样本应满足以下参数化模型的条件：
9、
10、gk(x)＜0,k＝1,…,m (3)
11、式中，fi(x,θ)为目标函数，x是决策变量，θ是随机变化的目标函数系数的向量，n是网络节点个数，hi(x)代表每个节点的等式约束，gk(x)代表第k个不等式约束，m为不等式约束的个数。
12、进一步的，步骤2)的具体方法如下：
13、步骤2.1)初始线路故障由台风灾害引发，当所有线路处于相同气象条件时，输电线路的故障率λl(t)与线路长度l和风速的关系为：
14、
15、式中，vb,l(t)为线路l的风速，vd为线路额定风速，otg_a和otg_b为函数的系数，通过历史数据统计分析得到，由于台风天气下输电线路的停运率随时间变化，tm时间内输电线路l发生故障的概率分布pl(tm)用时变停运模型表示：
16、
17、步骤2.2)判断线路是否发生故障，通过蒙特卡罗方法进行采样，生成服从均匀分布的随机数ρ1∈(0,1)，当故障概率pl＞ρ1时，判断该线路发生故障，并采样线路断线时间和恢复时间点，线路断线时间分布为：
18、
19、其中，al是断线固有时间，bl是断线时间系数，1/cl是停电时间期望，tl是线路断线的时间；
20、线路恢复时间分布为：
21、其中，arl为恢复固有时间，brl为恢复时间系数，1/crl为恢复时间期望值，trl是线路恢复的时间；
22、步骤2.3)检测新系统的拓扑连接状态，并判断新系统中是否有孤岛产生，若没有新孤岛产生，进入步骤2.4)，若有新孤岛产生，进入步骤2.6)，进行最优切负荷；
23、步骤2.4)根据新系统拓扑计算潮流分布并求出线路负载率rl，计算输电线路发生隐性故障的概率并更新线路状态，继电保护隐性故障概率模型为：
24、
25、式中，ph是初始停电概率，取决于线路参数，rl表示线路负载率，rlrated表示额定负载率，rllim表示极限负载率，当故障概率ph＞ρ1时，判断该线路发生故障，并返回步骤2.3)；
26、步骤2.5)采样共因故障，只考虑与上一次故障线路相邻的线路是否存在共因故障，若发生新的故障，返回步骤2.4)；
27、步骤2.6)当没有新的故障发生或系统解体为孤岛时，故障传播过程终止，为保证功率平衡和线路潮流不过载，提出最优切负荷模型为：
28、
29、kl·pl＝kp·pg-kd·(pd0-pdcut) (11)
30、
31、式中，pdj,0，pdcutj分别代表节点j的初始负荷和负荷切除量，pd0＝[pd1,0,…,pdnb,0]为系统初始节点负荷向量，pdcut＝[pdcut1,…,pdcutnb]是负荷切除量的向量，pgi为第i台发电机的出力，pgi,0代表初始时的发电机出力，pg＝[pg1,…,pgng]为系统发电机出力向量，pll为线路l的有功潮流，pl＝[pl1,…,plnl]为线路有功潮流向量，pll,max为线路l的最大容量，pgramp为发电机输出变化范围，kp，kd，kl分别为节点-发电机关联矩阵，节点-负荷关联矩阵，节点-线路关联矩阵，nb，ng，nl分别为节点、发电机和线路个数，最优切负荷模型中，pgi,pll，pdcutj为决策变量,通过gurobi求解器进行求解，从而可以在决策变量满足约束的条件下最小化目标函数；
32、步骤2.7)进行恢复采样，在线路恢复阶段，每恢复一条线路都执行一次最优负载恢复，考虑了发电机斜坡率对电网的约束，以实现负载恢复的时间采样，最优负荷恢复模型为：
33、
34、kl·plt＝kp·pgt-kd·(pdt+pdret) (17)
35、0≤pdrej,t≤pdj,0-pdj,t (18)
36、
37、
38、其中，t为当前线路恢复时刻，pdrej,t代表节点j在时间t的负荷恢复量，pdret＝[pdre1,t,…,pdrenb,t]为t时刻系统负荷恢复量向量，plt＝[pl1,t,…,plnl,t]为t时刻线路有功潮流向量，pdt＝[pd1,t,…,pdnb,t]为t时刻节点有功负荷向量，pgt＝[pg1,t,…,pgng,t]为t时刻发电机出力向量，tre为当前线路恢复到下一条线路恢复的时间差，vre为发电机爬坡率，pdj,0为初始时的节点j负荷，pdj,t为t时刻的节点j负荷，pgi,t为节点i在t时刻的发电机出力，pgi,max为发电机节点i出力的最大值，为前一条线路恢复时刻节点i的发电机出力，最优负荷恢复模型中，pgi,t,pll,t，pdrej,t，pdj,t为决策变量；
39、步骤2.8)计算韧性指标，通过多次重复步骤2.1)-步骤2.7)，求取每个时间点系统总负荷比值的平均值，作出q(t)随时间t变化的曲线，即系统的韧性曲线，基于韧性曲线计算韧性指标：
40、
41、
42、
43、其中，t1是故障开始传播的时间点，t2是故障发展完成的时间点，t3是故障恢复开始的时间点，t4是故障恢复完成的时间点，r13代表故障传播阶段的累计性能损失，k12代表性能下降速率，vrs代表恢复速率，据此获得输出的韧性指标样本。
44、进一步的，步骤3)的具体方法如下：
45、步骤3.1)构建gcn模型的输入特征矩阵，对于有个节点的电力网络，gcn模型的输入特征矩阵表述为：
46、x(0)＝[pd0,pg0] (24)
47、其中，为实数集，上标表示矩阵的维度；
48、步骤3.2)构建gcn模型，所提出的gcn模型由两个图卷积层和一个全连接层组成，图卷积层间的特征更新的递归关系为：
49、
50、其中，ng是图卷积网络层数，和分别是第lg个图卷积层输入和输出特征矩阵；表示具有自环的邻接矩阵，表示添加自环的节点的度矩阵，w(lg)是图卷积层的可学习权重参数，σ是激活函数，使用relu激活函数：
51、
52、其中，y为激活函数的输入，x为激活函数的输出；
53、步骤3.3)向量化图卷积层最后一层的输出作为全连接层的输入其中，vec(·)表示将矩阵展平为一维数组；
54、步骤3.4)全连接层间的特征更新关系如下；
55、
56、其中，是第lf个全连接层的输入，nf是全连接层的个数，和是全连接层可学习的权重和偏置，ri为韧性指标，通过收集样本并进行训练，构建韧性指标预测器gcn(·)(pd0,pg0)。
57、进一步的，步骤4)的具体方法如下：
58、步骤4.1)使用大m法将relu激活函数线性化为milp约束：
59、-m(1-z)≤x-y≤m(1-z) (29)
60、-mz≤x≤mz (30)
61、z∈{0,1}(31)
62、其中，m是一个无限大的正数，z为二进制变量；
63、步骤4.2)基于步骤4.1)的转化规则，gcn预测器gcn(·)(pd0,pg0)被线性化为gcn(·)-linearized(pd0,pg0)：
64、(24)(32)
65、
66、(28)(42)
67、其中，为第lg个图卷积层的二进制矩阵，为第lf个全连接层的二进制向量；
68、步骤4.3)将线性化预测器加入调度决策，调度模型如下：
69、
70、(11)-(12)(45)
71、
72、r13＝gcn1-linearized(pd0,pg0),
73、k12＝gcn2-linearized(pd0,pg0), (47)
74、vrs＝gcn3-linearized(pd0,pg0)
75、其中，i为发电机节点，pgi为第i台发电机的出力，ci(pgi)为发电成本，ai,bi,ci为发电成本的系数，α，β，γ分别为发电机成本，吸收性指标和恢复性指标的系数，pgi,min为发电机出力的最小值。gcn1-linearized(pd0,pg0)，gcn2-linearized(pd0,pg0)，gcn3-linearized(pd0,pg0)分别为韧性指标r13，k12，vrs线性化的预测器。
76、此外，本发明提出一种基于图卷积神经网络的电力系统韧性提升的系统，该系统包括包括如下模块：
77、样本集构建输入模块，建立系统运行点样本集作为模型的输入；
78、样本集构建输出模块，通过连锁故障仿真构建每个系统运行点对应的韧性指标样本，作为模型的输出；
79、映射关系构建模块，通过gcn建立输入输出之间的映射关系，构建韧性指标预测器；
80、韧性调度模块，将预测器线性化加入到调度决策中，通过合理调整系统运行点的分布实现韧性的提升。
81、此外，本发明提出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任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
82、此外，本发明提出一种非暂态计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
83、此外，本发明提出一种电子设备，包括处理器、储存器及储存在所述储存器上并可在处理强上运行的计算机程序，所述处理器执行所述程序时程序实现任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
84、有益效果，与现有技术相比，本发明的技术方案具有以下有益技术效果：
85、本发明采用机器学习的方法，通过gcn模型直接学习了系统初始运行状态与系统韧性之间的关系并将其加入到调度决策中，一方面实现了韧性指标的预测，另一方面通过将韧性指标预测器线性化后加入调度决策，可以调整系统运行点的分布，进而改善系统的韧性。
1.一种基于图卷积神经网络的电力系统韧性提升的方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种基于图卷积神经网络的电力系统韧性提升的方法，其特征在于，步骤1)的具体方法如下：
3.根据权利要求2所述的一种基于图卷积神经网络的电力系统韧性提升的方法，其特征在于，步骤2)的具体方法如下：
4.根据权利要求3所述的一种基于图卷积神经网络的电力系统韧性提升的方法，其特征在于，步骤3)的具体方法如下：
5.根据权利要求4所述的一种基于图卷积神经网络的电力系统韧性提升的方法，其特征在于，步骤4)的具体方法如下：
6.一种基于图卷积神经网络的电力系统韧性提升的系统，其特征在于，该系统包括包括如下模块：
7.一种计算机程序产品，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5任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
8.一种非暂态计算机可读存储介质，其上储存有计算机程序，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5任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
9.一种电子设备，包括处理器、储存器及储存在所述储存器上并可在处理强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程序实现如权利要求1至5任意一项所述的基于图卷积神经网络的电力系统韧性提升的方法。
