(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111231633.X (22)申请日 2021.10.2 2 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 姚伟　张润丰　石重托　文劲宇　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 祝丹晴 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种电力系统的主导失稳模式识别模型的 构建方法及应用 (57)摘要 本发明公开了一种电力系统的主导失稳模 式识别模型的构建方法及应用， 属于电力系统稳 定性判断领域； 其中， 主导失稳模式识别模型包 括级联的图注 意力模块和全 连接层网络； 图注意 力模块基于注 意力机制， 结合输入的幅值矩阵和 相角矩阵， 学习得到图结构中各条边的权重， 并 基于所得权重， 通过图神经网络对幅值矩阵和相 角矩阵进行特征提取， 得到电力系统的模式特 征； 其中， 图结构根据电网拓 扑构建得到； 本发明 向图神经网络中引入了注意力机制， 并利用其学 习每个训练样本与图结构中每条边的权重之间 的关系， 以实现动态图结构网络的构建， 具有适 应电网拓 扑改变的能力， 增强了图结构中包含的 电网拓扑特征， 提升了图神经网络的特征提取能 力， 准确率较高。 权利要求书2页 说明书11页 附图5页 CN 114021433 A 2022.02.08 CN 114021433 A 1.一种电力系统的主导失稳模式识别模型的构建方法， 其特 征在于， 包括： 将预采集的训练样本集输入到导失稳模式识别模型中进行训练， 得到训练好的导失稳 模式识别模型； 所述训练样本集包括： 电力系统不同故障类型下母线电压的幅值矩阵和相 角矩阵， 以及 对应的主导 失稳模式标签； 其中， 所述幅值矩阵由各电网节点的母线电压幅值 向量构成； 所述母线电压幅值向量为各采样时刻下 的母线电压幅值所组成的向量； 所述相 角矩阵由各采样时刻下各电网节点的母线电压相角向量构成； 所述母线电压相角向量为各 采样时刻下的母线电压相角所组成的向量； 所述主导失稳模式识别模型包括： 级联的图注意力模块和全连接层网络； 所述图注意力模块用于基于注意力机制， 结合输入的幅值矩阵和相角矩阵， 学习得到 图结构中各条边的权重， 并基于所得权重， 通过图神经网络对 幅值矩阵和相角矩阵进行特 征提取， 得到电力系统的模式特征； 所述图结构根据电网拓扑构建得到； 所述图结构中的节 点对应电网中的母线节点， 所述图结构中的边对应电网中的传输线路； 所述全连接层网络用于将所述电力系统 的模式特征映射为主导失稳模式的分类概率， 从而得到电力系统的主导失稳模式类别。 2.根据权利要求1所述的主导失稳模式识别模型的构建方法， 其特征在于， 所述图注意 力模块包括： 第一图注意力单元、 第二图注意力单元和拼接层； 所述第一图注 意力单元和所 述第二图注意力单 元并行连接， 二者的输出端均 与所述拼接层的输入端相连； 所述第一图注意力单元用于基于注意力机制， 结合输入的幅值矩阵， 学习得到 图结构 中各条边的第一权 重， 并基于所 得第一权 重， 通过图神经网络对幅值矩阵进行 特征提取； 所述第二图注意力单元用于基于注意力机制， 结合输入的相角矩阵， 学习得到 图结构 中各条边的第二权 重， 并基于所 得第二权 重， 通过图神经网络对相角矩阵进行 特征提取； 所述拼接层用于对所述第一图注意力单元提取到的幅值矩阵特征和所述第二图注意 力单元提取到的相角矩阵特 征进行拼接， 得到电力系统的模式特 征。 3.根据权利要求2所述的主导失稳模式识别模型的构建方法， 其特征在于， 所述第 一图 注意力单 元和所述第二图注意力单 元均包括级联的特 征提取层和融合层； 所述特征提取层包括K个并联的图注意力子网络； 所述图注意力子网络包括级联的注 意力机制单 元和图神经网络； 所述注意力机制单元用于对图结构中的第i个节点， 从输入的幅值矩阵特征或相角矩 阵特征中获取其所对应的向量以及其相 邻节点所对应的向量， 并分别进 行线性变换； 将第i 个节点所对应的向量的线性变换结果分别与其相邻节点所对应的向量的线性变换结果进 行拼接后， 对各拼接后的结果分别进行非线性变换； 并采用线性映射函数将各非线性变换 结果映射 成一维数值， 从而得到图结构中第i个节点与其相 邻节点之间的权重值； 其中， i＝ 1,2,…,N； N为图结构中的节点个数； 所述图神经网络用于基于归一化处理后的图结构中各条边的权重值， 提取输入矩阵的 特征； 所述融合层用于对所述特 征提取层输出的K个输入矩阵的特 征进行融合。 4.根据权利要 求3所述的主 导失稳模式识别模型的构建方法， 其特征在于， 第i个节点Vi 与其相邻节点Vj之间的权 重值为： eij＝a( σ(co ncat(WxiT,WxjT)))权　利　要　求　书 1/2 页 2 CN 114021433 A 2其中， a(·)为线性映射函数； σ( ·)为激活函数； concat表示拼接操作； W为线性变换矩 阵； xi为第i个节点所对应的向量； xj为第j个节点所对应的向量。 5.根据权利要求1 ‑4任意一项所述的主导失稳模式识别模型的构建方法， 其特征在于， 图注意力模块的数量 为2‑3个， 各图注意力模块相互级联。 6.根据权利要求1 ‑4任意一项所述的主导失稳模式识别模型的构建方法， 其特征在于， 全连接层网络包括多个级联的全连接层。 7.根据权利要求1 ‑4任意一项所述的主导失稳模式识别模型的构建方法， 其特征在于， 所述主导失稳模式识别模型的损失函数为： 其中， M为所述训练样本集中的训练样本个数； 训练样本包括某一故障类型下的一组幅 值矩阵和相角矩阵； ε为标签置信度； 为第m个训练样本的主导失稳模式标签ym所对应的 分类概率； L为主导失稳模式的类别数量； qml为第m个训练样本属于第l类主导失稳模式的概 率。 8.根据权利要求1所述的主导失稳模式识别模型的构建方法， 其特征在于， 所述训练样 本集的获取 方法包括： 仿真或从实际电网中获取不同故障类型 下的多组量测数据； 从每组量测数据中离散采样母线电压的幅值和相角， 得到母线电压的幅值矩阵和相角 矩阵， 分别进行归一 化处理； 根据每种故障类型对应的母线电压的幅值曲线和相角曲线确定对应的主导失稳模式 标签； 其中， 所述故障类型包括： 潮流运行工况、 故障线路、 故障位置、 故障持续时间和 负荷感 应电动机比例； 所述主导失稳模式标签包括稳定、 功角失稳和电压失稳。 9.一种电力系统的主导失稳模式识别方法， 其特征在于， 包括： 在电力系统发生故障 后， 将故障后母线电压的幅值矩阵和相角矩阵， 输入到采用权利要求 1‑8任意一项 所述的主 导失稳模式识别模型的构建方法构建得到的主导 失稳模式识别模型中， 得到故障后的主导 失稳模式类别； 其中， 所述幅值矩阵由各电网节点的母线电压幅值向量构成； 所述母线电压幅值向量 为各采样时刻下的母线电压幅值所组成的向量； 所述相角矩阵由各采样时刻下各电网节点 的母线电压相角向量构成； 所述母线电压相角向量为各采样时刻下的母线电压相角所组成 的向量。 10.一种机器可读存储介质， 其特征在于， 所述机器可读存储介质存储有机器可执行指 令， 所述机器可执行指令在被处理器调用和执行时， 所述机器可执行指令促使所述处理器 实现权利要求 1‑8任意一项 所述的主导 失稳模式识别模型的构建方法和/或权利要求9所述 的主导失稳模式识别方法。权　利　要　求　书 2/2 页 3 CN 114021433 A 3