本發(fā)明屬于電力系統(tǒng)領域，具體涉及一種基于時空圖神經(jīng)網(wǎng)絡的多層復雜耦合電力系統(tǒng)的風險傳播分析方法。

背景技術：

1、為了更好地滿足經(jīng)濟社會發(fā)展和能源轉型需要，高比例分布式能源接入已逐漸成為電力系統(tǒng)的基本特征和發(fā)展形態(tài)。其中，電動汽車(ev)作為負荷側靈活性資源，近些年迅猛發(fā)展，海量電動汽車用戶在各類信息引導下做出充放電、出行駕駛的決策，將對電網(wǎng)的運行狀態(tài)和路網(wǎng)的交通流量帶來一定的影響。此外，隨著5g通信基站的建設、部署，考慮基站儲能可以參與經(jīng)濟調(diào)度，為電力系統(tǒng)提供了更加靈活的調(diào)節(jié)能力。

2、電力、交通、通信是社會正常運行的重要環(huán)節(jié)和基礎保障，如今，這三個異質(zhì)網(wǎng)絡不再是獨立運行的個體，而是構成了相互滲透、彼此關聯(lián)、深度耦合的信息-電力-交通三元耦合網(wǎng)絡，內(nèi)部涉及信息、電能、交通之間的頻繁互動。在這個多層復雜系統(tǒng)中，信息通信網(wǎng)絡負責各類信息通信設備(包括5g基站)的連接，并進一步實現(xiàn)計算、傳感以及控制等功能。物理電網(wǎng)則主要指的是各類電力設備(包括充電樁)間的網(wǎng)絡連接，負責的是電能傳輸以及供應等功能。交通網(wǎng)絡與二者都有密切關聯(lián)，主要通過重要交通流量組成部分—電動汽車來實現(xiàn)，如信號的接收發(fā)送、充放電行為等。信息-電力-交通的耦合網(wǎng)絡示意圖如圖1所示。電力網(wǎng)是交通網(wǎng)、信息網(wǎng)的動力來源；交通網(wǎng)是電力網(wǎng)的重要負荷，是信息網(wǎng)的重要用戶；信息網(wǎng)是電力網(wǎng)和交通網(wǎng)高效穩(wěn)定運行的通信基礎。

3、正是異質(zhì)系統(tǒng)之間的強耦合和依賴性，導致某一環(huán)節(jié)的失效將可能影響其他網(wǎng)絡。信息-電力-交通網(wǎng)絡間的深度耦合和互動，給生產(chǎn)生活帶來便利的同時，也為風險傳播創(chuàng)造了有利的條件，埋下安全隱患。

4、目前針對復雜耦合電力系統(tǒng)，大多是研究雙層網(wǎng)絡模型“信息物理電力系統(tǒng)”、“電力+交通”等，側重于分析信息網(wǎng)絡攻擊對于電網(wǎng)安全性能的影響，以及電網(wǎng)的優(yōu)化調(diào)度運行。例如，文獻1(buldyrev?s?v,parshani?r,paul?g,et?al.catastrophic?cascade?offailures?in?interdependent?networks[j].nature,2010,464(7291):1025.)中2010年buldyrev教授提出相互依存網(wǎng)絡的概念以及脆弱性分析框架，為分析耦合系統(tǒng)間的交互影響提供了新的思路，推動了人們從相依網(wǎng)絡的角度來研究信息物理電力系統(tǒng)的熱潮。文獻2(陳世明,鄒小群,呂輝,等.面向級聯(lián)失效的相依網(wǎng)絡魯棒性研究[j].物理學報,2014,63(02):432-441.)中通過調(diào)節(jié)兩個子網(wǎng)絡的權重參數(shù)和網(wǎng)間耦合強度，分析相依網(wǎng)絡模型的臨界特性。文獻3(張藝偉,劉文霞,劉耕銘,黃少鋒.考慮拓撲相關和雙重耦合的電力信息物理系統(tǒng)建模與脆弱性分析[j].中國電機工程學報,2021,41(16):5486-5500.)中考慮雙層網(wǎng)絡間的拓撲相關性，建立了雙重耦合的電力信息物理系統(tǒng)模型，進行脆弱性評估。文獻4(冀星沛,王波,劉滌塵,等.相依網(wǎng)絡理論及其在電力信息—物理系統(tǒng)結構脆弱性分析中的應用綜述[j].中國電機工程學報,2016,36(17):4521-4532.)中考慮到中國電力系統(tǒng)的實際情況，建立了信息節(jié)點和電力節(jié)點部分一對一模型。文獻5(王志維,王秀麗,雍維楨等.含備用儲能的5g基站虛擬電廠參與電力市場的交易策略研究[j].電網(wǎng)技術,2024,48(03):968-982.)中提出了利用5g基站與風電場和光伏電站聚合形成虛擬電廠(virtual?powerplant,vpp)參與電力市場的最優(yōu)競價和輔助調(diào)頻。文獻6(張巍,祝童童,蘇瑾.考慮電動汽車和5g基站的電力-信息-交通耦合網(wǎng)絡需求響應策略[j/ol].電力系統(tǒng)自動化,2024.)中分析了電動汽車和5g基站的對于電網(wǎng)的影響，提出了兩階段需求響應優(yōu)化調(diào)度策略。文獻7(盛裕杰,郭慶來,薛屹洵等.信息-物理-社會視角下的電力-交通耦合網(wǎng)絡建模與協(xié)同優(yōu)化[j/ol].電力系統(tǒng)自動化,2024.)中對電力-交通耦合網(wǎng)絡建模分析與協(xié)同優(yōu)化進行相關研究。

5、綜上所述，針對信息-電力-交通這一復雜系統(tǒng)，尚沒有從整體上建立多層級的耦合網(wǎng)絡模型，沒有分析耦合互動帶來的風險演化動態(tài)過程。

技術實現(xiàn)思路

1、本發(fā)明針對上述問題，提出了一種基于時空圖神經(jīng)網(wǎng)絡的多層復雜耦合電力系統(tǒng)的風險傳播分析方法，從網(wǎng)絡結構的復雜性、節(jié)點的動力學特性出發(fā)，建立信息-電力-交通三層異質(zhì)網(wǎng)絡模型，并借鑒圖論思想描述層間耦合關系，針對每層網(wǎng)絡中的數(shù)據(jù)的時變特性，利用時空圖神經(jīng)網(wǎng)絡(spatio-temporal?graph?neural?network，stgnn)描述網(wǎng)絡間復雜的時空依賴關系，進而分析風險傳播的動力學特性。

2、本發(fā)明的一種基于時空圖神經(jīng)網(wǎng)絡的多層復雜耦合電力系統(tǒng)的風險傳播分析方法，包括以下步驟：

3、步驟一：建立信息-電力-交通的三層異質(zhì)耦合網(wǎng)絡模型，該模型包含上層信息網(wǎng)、中間電力網(wǎng)和下層交通網(wǎng)；信息網(wǎng)基于以太網(wǎng)的通信網(wǎng)絡構建圖，圖中節(jié)點包含基站和通信設備，當節(jié)點間相連通信時建立連邊；電力網(wǎng)基于電力系統(tǒng)構建圖，圖中節(jié)點為母線，母線之間連接的電氣線路構建為圖中的邊；交通網(wǎng)采用動態(tài)路網(wǎng)模型構建，圖中節(jié)點為交叉口，根據(jù)路網(wǎng)車道建立圖中的邊；若層間節(jié)點有連接關系，建立層間節(jié)點的連邊；

4、步驟二：獲取三層異質(zhì)耦合網(wǎng)絡中的節(jié)點數(shù)據(jù)，基于鄰域和連通性構造圖結構數(shù)據(jù)；采集三層異質(zhì)耦合網(wǎng)絡中物理量，構建網(wǎng)絡g的圖數(shù)據(jù)，包含節(jié)點特征和邊關系；所采集的物理量包含：信息網(wǎng)中各節(jié)點的信號強度，電力網(wǎng)中母線的電流、電壓和電壓相角，交通網(wǎng)中每條道路的車流量；將采集的數(shù)據(jù)在同一維度進行歸一化處理后，使用預先設置的統(tǒng)一表示方式表示為節(jié)點的特征；根據(jù)網(wǎng)絡g中層間節(jié)點的連邊關系以及各層內(nèi)節(jié)點的連邊關系建立g的鄰接矩陣a和拓撲關系圖atp；使用鄰接矩陣a或拓撲關系圖atp表征g的邊關系；

5、步驟三：基于時空多圖神經(jīng)網(wǎng)絡搭建風險傳播預測模型；實現(xiàn)所述風險傳播預測模型的時空多圖神經(jīng)網(wǎng)絡包含空間學習網(wǎng)絡和時間學習網(wǎng)絡，空間學習網(wǎng)絡包含k個并行的圖卷積層，時間學習網(wǎng)絡由長短期記憶網(wǎng)絡lstm和注意力機制結合實現(xiàn)；將采集的前k個時刻的三層異質(zhì)耦合網(wǎng)絡的圖數(shù)據(jù)經(jīng)歸一化處理后輸入所述風險傳播預測模型，先由k個并行的圖卷積層分別對k個時刻的圖數(shù)據(jù)提取空間維度的特征，再按時序將提取的特征輸入引入注意力機制的lstm中提取時間維度的特征，所提取的特征用lstm的隱藏狀態(tài)輸表示，最后融合k個時刻所提取的特征，輸出k+1時刻的圖數(shù)據(jù)；所述風險傳播預測模型對輸入的圖數(shù)據(jù)以k為步長滑動，依次輸出多個預測時刻的圖數(shù)據(jù)；k≥3；

6、步驟四：獲取三層異質(zhì)耦合網(wǎng)絡的歷史數(shù)據(jù)，包含網(wǎng)絡各節(jié)點處于正常運行狀態(tài)的歷史圖數(shù)據(jù)，以及電力系統(tǒng)、交通網(wǎng)、信息網(wǎng)分別處于不同故障狀態(tài)下的歷史圖數(shù)據(jù)，輸入風險傳播預測模型進行訓練，直到模型達到設置的準確率要求；在訓練過程中，三層異質(zhì)耦合網(wǎng)絡的圖結構將根據(jù)采集的時刻數(shù)據(jù)進行自適應更新；

7、步驟五：當網(wǎng)絡中某節(jié)點發(fā)生故障時，利用訓練好的風險傳播預測模型對信息-電力-交通的三層異質(zhì)耦合網(wǎng)絡中的風險傳播路徑進行預測。

8、本發(fā)明的優(yōu)點與積極效果在于：

9、(1)本發(fā)明方法構建了信息-電力-交通三層異質(zhì)網(wǎng)絡模型，在復雜網(wǎng)絡結構中充分表征出節(jié)點間的耦合互動關系。本發(fā)明方法從規(guī)則的數(shù)據(jù)結構推廣到構建動態(tài)模型，實現(xiàn)在信息-電力-交通三層異質(zhì)復雜網(wǎng)絡結構中進行風險傳播動態(tài)預測。

10、(2)本發(fā)明方法使用多維時間序列基于stmgcn對信息-電力-交通三層異質(zhì)網(wǎng)絡的風險傳播路徑進行預測，用以達到預測故障節(jié)點以及檢測關鍵節(jié)點的目的。本發(fā)明的stmgcn在圖神經(jīng)網(wǎng)絡的基礎上引入時間序列特征，可以同時獲取特征數(shù)據(jù)在時間域和空間域中的關聯(lián)，適用于本發(fā)明節(jié)點特征隨時間變化的場景。對于每個圖，本發(fā)明預測模型分別采用圖卷積神經(jīng)網(wǎng)絡(gcn)、長短期記憶網(wǎng)絡(lstm)和注意力機制來捕獲時間和空間相關性，最后通過融合并行化的多圖時空隱藏信息，得到最終的預測結果。

11、(3)本發(fā)明方法將圖神經(jīng)網(wǎng)絡gnn用于在復雜網(wǎng)絡上對傳播動力學過程進行建模和預測，設計了訓練過程和一個適當?shù)膅nn架構，能夠用很少的假設表示廣泛的動態(tài)范圍。之前，圖神經(jīng)網(wǎng)絡gnn已被廣泛應用于生物網(wǎng)絡、社交網(wǎng)絡、推薦系統(tǒng)等各種領域。然而，這些模型僅限于靜態(tài)圖數(shù)據(jù)，圖結構固定不變。本發(fā)明方法充分利用時變圖數(shù)據(jù)，挖掘各種系統(tǒng)中除靜態(tài)拓撲以外的有價值的時序信息，通過時空圖神經(jīng)網(wǎng)絡框架，提取復雜的時空依賴關系，使得預測結果更加合理準確。

12、(4)本發(fā)明方法對各主體的決策目標與信息交互通過圖注意力機制全方位地分析各個網(wǎng)絡中節(jié)點之間的關聯(lián)強度，關注數(shù)據(jù)之間的時間關聯(lián)特性，以準確地反映實時的時空關系。