基于平行图神经网络的可再生电力系统在线继电器设置计算中高效极端运行条件搜索
机器学习
2025-06-25 v1
摘要
极端运行条件搜索(EOCS)是继电器设置计算中的关键问题，用于确保继电器设置值能够适应部署后电力系统一段时间内的变化运行条件。高比例的可再生能源和逆变器资源的广泛应用使得可再生电力系统的运行条件更为波动，这催生了在线继电器设置计算策略的需求。然而，基于局部枚举、启发式算法和数学规划的现有EOCS方法计算速度无法满足在线继电器设置计算的效率要求。为减少时间开销，本文首次提出一种适用于在线继电器设置计算的高效深度学习方法。首先，将电力系统信息表述为四层，即组件参数层、拓扑连接层、电气距离层和图距离层，并输入平行图神经网络(PGNN)模型进行特征提取。然后，将四个特征层对应每个节点的拼接和拉伸，然后输入决策网络以预测系统的极端运行条件。最后，在修改的IEEE 39-bus和118-bus测试系统上验证了所提出的PGNN方法，其中一些同步发电机被取代为可再生发电单元。在计算故障电流时，充分考虑了可再生能源的非线性故障特性。实验结果表明，所提出的PGNN方法在解决EOCS问题方面优于现有方法，具有更高的准确性。
引用
@article{arxiv.2506.19289,
title = {Efficient Extreme Operating Condition Search for Online Relay Setting Calculation in Renewable Power Systems Based on Parallel Graph Neural Network},
author = {Yan Li and Zengli Yang and Youhuai Wang and Jing Wang and Xiaoyu Han and Jingyu Wang and Dongyuan Shi},
journal= {arXiv preprint arXiv:2506.19289},
year = {2025}
}