基于图卷积网络的配电网无功优化

• 作者: 廖文龙 于贇 王煜森 陈洁婧
• 来源期刊: 电网技术
• 关键词: 配电网 无功优化 图卷积网络 深度学习 数据驱动
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 图计算、知识图谱、图机器学习在能源互联网中的应用|Application of Graph Computing, Knowledge Graph, Graph Machine Learning in Energy Internet
• 页码范围: 2150-2160
• 页数: 11页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2020.1593

摘要

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能.为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法.通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系.仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法,且求解时间远低于传统的启发式算法,可以满足配电网无功优化实时性的需求.