ELECTRIC DRIVE 2024Vol.54No.3电气传动2024年第54卷第3期基金项目：国网江苏省电力有限公司科技项目（J2019124）作者简介：黄光磊（1994—），男，硕士，工程师，Email ：基于图卷积神经网络和格拉姆角场的电能质量扰动分类黄光磊1，田启东1，林志贤1，郑炜楠1，徐特1，李冰然2（1.深圳供电局有限公司，广东深圳310030；2.国家电网江苏省电力有限公司，江苏苏州215000）摘要：由于新能源系统的广泛加入，系统中的电能质量扰动数量和种类也相应增加，而传统电能质量扰动（PQD ）分类方法存在准确率和效率不高的问题，难以适应现有包含高新能源渗透率的电力系统的电能质量管理。
因此，提出了一种基于图卷积神经网络（GCNNs ）和格拉姆角场（GAF ）的电能质量扰动分类方法。
首先，对原始的PQD 信号进行归一化和极坐标转化处理；然后采用GAF 对不同种类的PQD 一维信号进行图形化转换，生成包含不同PQD 特征的二维图片；最后，采用GCNNs 对不同种类的PQD 图片进行训练和分类，实现不同PQD 的分类。
实验部分采用IEEE -39节点系统仿真并模拟不同种类的PQD 曲线，对所提方法进行验证。
实验结果表明，所提方法可以自动地进行特征的提取和优化，满足PQD 识别和分类的高效性和准确性。
关键词：电能质量扰动；图卷积神经网络；格拉姆角场；扰动分类中图分类号：TM346文献标识码：ADOI ：10.19457/j.1001-2095.dqcd24578Power Quality Disturbance Classification Based on Graph ConvolutionalNeural Networks and Gramian Angular FieldHUANG Guanglei 1，TIAN Qidong 1，LIN Zhixian 1，ZHENG Weinan 1，XU Te 1，LI Bingran 2（1.Shenzhen Power Supply Bureau Co.，Ltd.，Shenzhen 310030，Guangdong ，China ；2.State Grid Jiangsu Electric Power Co.，Ltd.，Suzhou 215000，Jiangsu ，China ）Abstract ：Due to the extensive addition of new energy systems ，the number and types of power quality disturbances in the system are also increased accordingly.However ，the traditional power quality disturbance （PQD ）classification method has the problem of low accuracy and efficiency ，and it is difficult to adapt to the existing power quality management of power systems with high new energy penetration.Therefore ，a PQD classification method based on graph convolutional neural networks （GCNNs ）and Gramian angular field （GAF ）was proposed.First ，the original PQD signal was normalized and polar coordinate transformation was processed ，then GAF was used to graphically transform different kinds of PQD one-dimensional signals to generate two-dimensional images containing different PQD features ，and finally ，GCNNs were used to train and classify the different kinds of PQD images to achieve the classification of different PQDs.In the experiment part ，the IEEE-39node system was used to simulate and simulate different types of PQD curves ，and the method proposed was used for verification.The experiment results show that the proposed method can automatically extract and optimize the features ，and meet the high efficiency and accuracy of PQD identification and classification.Key words ：power quality disturbance （PQD ）；graph convolutional neural networks （GCNNs ）；Gramian angular field （GAF ）；disturbance classification随着双碳政策的推行，电力系统中发电侧新能源的渗透率不断提高，在用电侧电动汽车充电、集中化供暖、电气化铁路等都会使系统中的电能质量问题日益突出，对电网的安全运行造成严重威胁。
212 科技与企业科技基于matpower的电力系统连锁故障特征分析前言在研究如何描述电力系统自组织临界性时，人们发现尽管造成电力系统中大停电事故的原因很复杂，但是负荷与重大停电事故(尤其是连锁性故障)的发生往往关系密切，同时负荷又是电力系统中最重要的变量之一。
一旦这些元件无法承担新增加的负荷而退出工作，就会引起新一轮负荷的重新分配，这将引发连锁性的过负荷，并最终导致电网的大面积停电事故。
本文基于matpower在matlab环境下对IEEE39节点电网进行仿真，模拟停电事故的发生，并探索其故障特征。
1.实验模型及程序实现SOC模型是模拟电力系统在各元件的潮流极限相对固定不变的时间段内，发生一次停电事故的演化过程，模型的具体描述及其程序实现如下:(1)首先读入电网参数及各线路元件的潮流极限，确定发电机的最大出力和负荷需求。
(2)随机地选择一个节点，使其负荷增加一个△p(模拟沙堆模型加沙的过程)，通过求解式 确定线路潮流。
(3)检查是否有线路潮流超过潮流极限，即是否有线路上的潮流己经不能满足;若有，则进入步骤(4)，否则返回步骤(2);(4)将潮流超过潮流极限的线路断开，并判断是否有因隐藏故障造成的其他线路断开，进入步骤(5)。
(5)如果系统被切成2个以上的孤岛，首先处理孤岛问题;如果没有孤岛问题，则判断是否有负荷被切除，如果有则进入步骤(6)，若没有则修改网络拓扑结构后，返回步骤(2)。
(6)统计总的切除负荷，本次停电事故演化过程结束。
在停电事故演化过程结束后系统可能切除的若干线路和负载，为衡量停电事故的规模，用系统在停电事故演化过程中损失的负荷总量SLC(Sumof load curtailment)来描述。
2.实验结果及分析2.1实验结果采集(1)对IEEE39节点系统利用SOC模型对其进行了500次故障模拟；得到500次故障损失负荷数据，对其按大小进行排序，如图2.1；图2.1横坐标：事故序列号 纵坐标：丢失负荷总量图2.1：按实验结果出现先后顺序排列马懿 李海涛 于渤海(2)对故障损失额度及其频率均取常对数，如图2.2：图2.2：对图2.1图取双对数坐标，观察得到事故序列曲线中前期近似为直线(3)重新整理事故损失数据，对故障损失幅度及对应该幅度出现频度取双对数坐标作图；如图2.3；图2.3：横坐标：事故幅度M（定义为该次故障丢失的负荷数），以200MW为间隔；纵坐标：事故频度F（对应于相应的事故幅度的故障共出现次数）(4)对图2.3中部分点做一次逼近，得到拟合直线log F=-0.9129logM+5.2859；如图2.4；图2.4 对图2.3的直线拟合2.2实验结果分析通过本次实验得到的数据及图形表明，电力系统具备自组织临界特性，表现在受到随机扰动时，电网潮流的改变不断累加，在负载率达到某一临界值时，进入自组织状态，最后导致线路过载断开，引发的潮流大范围转移而导致更多的线路过载断开，从而网络解列，造成大停电事故；而事故的分布满足幂律特性，这是自组织临界性的表征。
