作者：宋雨林
（图片来源于网络）
研究背景
由于电力系统的隐私和安全性问题，获取到真实的电网结构数据十分困难，尤其是在公开数据集方面。现有的大多数研究集中在负荷预测、稳定性评估、故障检测等领域，主要依赖于时间序列数据、文本数据或图像数据，较少关注电网结构数据的生成与分析。
为了弥补这一空缺，目前有一些研究致力于生成模拟电网数据，提供相应的数据集以支持人工智能（AI）在电网结构学习中的应用。然而，现有的方法在电网结构的多样性和可视化表现方面仍存在不足。具体来说，现有的数据集要么规模较小，缺乏多样化的操作场景，无法充分支持AI的训练；要么规模较大，但在可视化方面存在挑战，难以直观地展示电网的结构特征。因此，如何生成既具有多样性又能有效可视化的电网结构数据，成为了当前研究中的重要问题。
研究方法
本文提出了一种全新的LLM辅助合成电网生成框架以及电网细节结构生成框架，旨在解决现有方法在电网结构数据集粒度和可视化方面的不足。该框架包含四个主要步骤：
图1：可视化电网数据集生成框架
【电网结构生成】
首先，本文提出了一种用户自定义的电网结构生成方法，允许用户根据具体需求灵活调整电网的规模和结构。例如，用户可以选择生成一个仅包含配电网的电网，或者生成一个同时包含配电网和传输网的组合结构。电网的节点数量可以在25到100之间调整，子网的数量可以在3到9之间选择。通过这种方式，用户可以根据不同的应用场景生成合适的电网结构模型。生成的电网结构通过一系列预定义的约束条件进行评估，如发电机与负荷的比例、节点的连通性等，确保生成的电网结构质量能够与真实电网相匹配。
【电网结构评估】
在生成电网结构后，本文使用了多种图论标准对生成的电网进行评估，包括平均最短路径长度、聚类系数、节点平均度和接近中心性等。通过这些标准，本文能够评估生成电网的连通性、聚集性和复杂性，并进一步与真实电网结构进行对比。具体来说，本文通过计算生成电网与真实电网的余弦相似度，来判断生成电网的质量。当相似度低于0.5时，认为生成结果不符合要求，并进行再生成。这一评估过程确保了生成电网在拓扑特性上与真实电网具有较高的相似性。
【细节结构生成】
LLM代理和RAG技术被用于生成电网中不同类型的节点和边缘的详细描述。例如，用户可能希望看到配电网络中负荷节点与发电机节点的具体连接方式，或者传输网络中发电机节点之间的连接特点。通过RAG技术，LLM代理能够为每种类型的节点生成相应的细节描述，这些描述包括节点的颜色标注、连接的方向和边缘的属性等。这些生成的描述信息随后被用于图像生成过程，最终生成的电网图像不仅包含了电网的拓扑结构，还通过不同的颜色和图例详细展示了电网中不同节点的功能、连接方式和层次关系。这些详细的图像极大地提升了电网结构的可读性和可解释性，便于人类专家进行深入分析。
图2：基于RAG的电网结构图细节结构增强方法
【图像生成】
为了直观呈现生成的电网结构，本文采用了两种不同的可视化方法。第一种方法是使用Kamada-Kawai力导向布局生成电网的结构图，这种方法可以有效地最小化边缘交叉并均匀分布节点，生成的图像清晰直观。第二种方法是利用大语言模型生成类似IEEE标准的电网示意图，这种图像更具行业风格，并包含详细的电网元件和连接信息。通过这两种可视化方法，本文能够以不同的方式展示电网的结构特征，满足不同用户的需求。
图3：合成电网多模态数据集
研究结果
1. 统计特性评估
生成的电网结构在多个统计指标上与真实电网高度相似，包括节点类型比例（发电机与负荷节点的合理分布）、连接类型比例（发电机与负荷的主要连接模式）、节点度和连通性等。这表明生成的电网在拓扑特性上与真实电网一致，确保了生成电网的可靠性。
图4：合成电网指标
2. 应用与用户界面
设计的交互式网页界面允许用户自定义电网生成参数，并即时生成对应的电网图像，提升了用户操作的便利性。
图5：用户网页设计
参考文献
T. J. Birchfield, Overbye and others., “Statistical considerations in the creation of realistic synthetic power grids for geomagnetic disturbance studies,” IEEE Transactions on Power Systems, vol. 32, no. 2, pp. 1502– 1510, 2016
写在最后
我们的文章可以转载了呢~欢迎转载与转发呦
想了解更多前沿科技与资讯？
长按二维码关注我们！
欢迎点击右上方分享到朋友圈
香港中文大学（深圳）
网络通信与经济实验室
微信号 : ncel_cuhk
