(19)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 202211134761.7 (22)申请日 2022.09.19 (71)申请人 国电南瑞科技股份有限公司 地址 211106 江苏省南京市江宁经济技 术 开发区诚信大道19号2幢 申请人 南瑞集团有限公司 　南京工程学院 (72)发明人 赖业宁　李兆伟　吴雪莲　李威　 薛峰　王曼　陈凡　刘昀　赵美莲　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 俞翠华 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) (54)发明名称 一种电网暂态稳定关键特征筛选方法、 装置 及系统 (57)摘要 本发明公开了一种电网暂态稳定关键特征 筛选方法、 装置及系统， 包括获取样本数据， 样本 数据包括图节点特征、 邻接矩阵和边特征矩阵； 构建神经网络模 型， 包括自注 意力网络层与消息 传递网络层； 自注意力网络层用于计算图节点特 征的自注 意力权重系数， 并筛选出关键图节点特 征； 利用筛选出的关键图节点特征、 邻接矩阵和 边特征矩阵， 训练神经网络； 基于训练好的神经 网络模型， 选择正确预测的样 本计算图节点特征 的自注意力权重系数均值， 基于权重系数均值排 序结果， 筛选输出电网暂态稳定关键特征。 本发 明能计及电网不同位置故障后切线路导致的网 络拓扑的变化， 筛选出能反映电网稳定模式与本 质的关键 特征， 仅通过少量关键特征即可进行暂 态稳定评估。 权利要求书3页 说明书9页 附图2页 CN 115392772 A 2022.11.25 CN 115392772 A 1.一种电网暂态稳定关键特 征筛选方法， 其特 征在于， 包括： 获取样本数据， 所述样本数据包括图节点特征、 邻接矩阵和边特征矩阵， 所述图节点特 征为电网系统稳定运行时的节点注入量， 所述邻接矩阵为故障切线后的母线连接关系， 所 述边特征矩阵为支路连接和 切线情况； 构建神经网络模型， 所述神经网络模型包括顺 次相连的自注意力网络层与消息传递网 络层， 所述自注意力网络层用于计算图节点特征 的自注意力权重系 数， 并筛选出关键图节 点特征； 利用筛选出的关键 图节点特征， 以及样本数据中的邻接矩阵和边特征矩阵， 训练所述 神经网络模型； 基于训练好的神经网络模型， 选择正确预测的样本， 计算出正确预测的样本中各图节 点特征的自注意力权重系 数均值， 基于自注意力权重系 数均值的排序结果， 筛选出电网暂 态稳定关键特 征。 2.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述图节 点特征通过以下步骤获得： 将电网母线视作节点， 提取电网系统稳定运行时各电网母线注入的有功/无功与电压 幅值/相角， 作为图节点特 征 n为电网系统中母线数量； 所述邻接矩阵的矩阵元 素Avw表达式为： 所述边特征矩阵的矩阵元 素evw的表达式为： 3.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法， 其特征在于， 所述获取 神经网络模型步骤之前还 包括： 对获取到的样本数据， 按物理量分类进行归一 化预处理。 4.根据权利要求1所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述关键 图节点特 征的筛选方法包括以下步骤： 将样本数据中的所有图节点特 征展平为长度为F的一维特 征后， 送入自注意力网络层； 利用所述自注意力网络层计算出各一维特征的自注意力 权重系数， 删除自注意力 权重 系数小于设定阈值的一维特征， 并将保留的一维特征恢复为图节点特征， 形成关键图节点 特征。 5.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述自注 意力权重系数的计算公式为： 其中， αi为第i个一维特 征的自注意力权 重系数， scorei为第i个一维特 征的注意力值；权　利　要　求　书 1/3 页 2 CN 115392772 A 2为自注意力网络层中全连接层FCFL的参数矩阵， 以正态分布为初始化方式； 所述关键图节点特 征通过以下步骤获得： 对保留的N个一维特 征进行特征值修正， 得到经 过筛选的带有权 重的N个一维特 征： xi＝xi'*αi 并将保留的N个一维特 征恢复为原图结构的图节点特 征 6.根据权利要求4所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述利用 筛选出关键图节点特 征、 邻接矩阵和边特 征矩阵， 训练所述神经网络模型， 包括以下步骤： 将筛选后的图节点特征， 以及所述样本数据中的边特征矩阵和邻接矩阵， 输入至消息 传递网络层； 利用消息传递网络层中的消息传递函数Mt‑1和节点更新函数Ut‑1对关键图节点特征和 边特征进行T个时间步的传递与更新， 通过读出函数R， 得到输出 作为对样本是否稳定 的 预测值； 利用多批次、 多轮次样本数据损失函数的反向传播， 优化神经网络模型中各层的参数， 完成神经网络模型的训练。 7.根据权利要求6所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述神经 网络的损失函数的表达式为： 其中， 为关键图节点特征， V为全部关键图节点， 表示训练集预测结果 与真 实分类结果y的交叉熵， var( ·)计算方差， λ为自注意力网络层中全连接层FCFL的参数矩阵 的方差在损失函数中的所占比例， 为自注意力网络层中全连接层FCFL的参数矩阵， 以正 态分布为初始化方式。 8.根据权利要求6所述的一种电网暂态稳定关键特征筛选方法， 其特征在于： 所述消息 传递函数Mt‑1的表达式为： Mt‑1＝A0(evw)hwt‑1， w∈N(v) 所述节点更新 函数Ut‑1的表达式为： 所述读出函数R的表达式为： 其中， A0(evw)是基于节点v和其与邻居节点w之间的边特征的可学习的神经网络， 是基于节点v当前时间步与最终时间步的特征的可学习的神经网络， 是基 于节点v最终时间步的特征的可学习的神经网络， T为消息传递阶段的时间步次数； GRU 是门 控循环神经网络； σ 是sigmoid激活函数， 是节点v的t‑1时间步的特征， 是节点w的t‑1 时间步的特征， N(v)是与节点v有直接边 联系的邻居节点集合， 由邻接矩阵的矩阵元素Avw决权　利　要　求　书 2/3 页 3 CN 115392772 A 3