1.一种基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，包括：搭建仿真电网，利用所述仿真电网进行仿真并记录各支路的量测数据，得到待辨识数据集；

对所述待辨识数据集进行预处理，得到处理后数据集；

根据所述仿真电网的拓扑结构构造邻接矩阵和多跳矩阵；

将所述处理后数据集、邻接矩阵和多跳矩阵输入到训练好的电网支路参数辨识模型：根据所述处理后数据集、邻接矩阵和多跳矩阵，通过自适应多跳图注意力网络模块进行特征聚合，得到电网支路特征集合；利用SE注意力模块对所述电网支路特征集合进行加权，得到电网支路加权特征集合；将所述电网支路加权特征集合输入到多层全连接层进行回归，得到预测电网支路参数；

所述通过自适应多跳图注意力网络模块进行特征聚合，包括：

将所述处理后数据集输入到多层自适应多跳图注意力网络层，将第 层自适应多跳图注意力网络层输出的电网支路特征集合，作为第 层自适应多跳图注意力网络层的输入，依次遍历所有自适应多跳图注意力网络层，得到电网支路特征集合；其中，当 时，第层自适应多跳图注意力网络层的输入为所述处理后数据集；

所述第 层自适应多跳图注意力网络层的数据处理流程包括：

将所述第 层自适应多跳图注意力网络层输出的电网支路特征集合，输入到第 层自适应多跳图注意力网络层的第一分支，利用全连接层和ReLU激活函数进行特征提取，得到第一分支特征集合；

将所述第 层自适应多跳图注意力网络层输出的电网支路特征集合和邻接矩阵，输入到第 层自适应多跳图注意力网络层的第二分支：对所述邻接矩阵添加自环，得到自环邻接矩阵；根据自环邻接矩阵获取每个节点的邻居节点，通过图注意力机制计算每个节点与其邻居节点的注意力得分，并对注意力得分进行归一化，得到聚合权重，根据聚合权重聚合邻居节点特征作为单注意力头的输出，将多个单注意力头的输出拼接或取平均值，得到第二分支特征集合；其中，若第 层为最后一层自适应多跳图注意力网络层，通过将多个单注意力头的输出取平均值得到所述第二分支特征集合；否则，通过将多个单注意力头的输出拼接得到所述第二分支特征集合；

将所述第 层自适应多跳图注意力网络层输出的电网支路特征集合和多跳矩阵，输入到第 层自适应多跳图注意力网络层的第三分支：对所述多跳矩阵添加自环，得到自环多跳矩阵；根据自环多跳矩阵获取每个节点的多跳邻居节点，通过图注意力机制计算每个节点与其多跳邻居节点的注意力得分，并对注意力得分进行归一化，得到多跳聚合权重，根据多跳聚合权重聚合多跳邻居节点特征作为单注意力头的输出，将多个单注意力头的输出拼接或取平均值，得到第三分支特征集合；其中，若第 层为最后一层自适应多跳图注意力网络层，通过将多个单注意力头的输出取平均值得到所述第三分支特征集合；否则，通过将多个单注意力头的输出拼接得到所述第三分支特征集合；

将所述第一分支特征集合、第二分支特征集合和第三分支特征集合输入到第 层自适应多跳图注意力网络层的自适应多跳信息门控融合模块：将所述第一分支特征集合、第二分支特征集合和第三分支特征集合拼接后，输入第一层全连接层，经过ReLU激活函数后输入第二层全连接层，并利用softmax函数进行归一化，得到归一化融合权重；利用归一化融合权重对所述第一分支特征集合、第二分支特征集合和第三分支特征集合进行加权融合，得到第 层自适应多跳图注意力网络层输出的电网支路特征集合。

2.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述利用所述仿真电网进行仿真并记录各支路的量测数据，得到待辨识数据集，包括：随机变化仿真电网中的负荷节点有功功率、负荷节点无功功率、发电机出力以及待辨识的支路电抗参数，每变化一次进行一次潮流计算，并记录各支路的量测数据，得到待辨识数据集。

3.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述预处理包括对所述待辨识数据集进行Z‑Score标准化，得到处理后数据集；

所述Z‑Score标准化的计算公式为：

，其中， 表示处理后数据集的特征， 表示待辨识数据集的特征， 表示待辨识数据集中各特征的平均值集合， 表示表示待辨识数据集中各特征的标准差集合。

4.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述根据所述仿真电网的拓扑结构构造邻接矩阵和多跳矩阵，包括：根据所述仿真电网的拓扑结构，构造为以支路为节点、以支路间的相邻关系作为边的图 ；其中， 表示图， 表示节点集合， 表示边集合；

根据所述图 中节点之间的相邻关系构建邻接矩阵 ；其中，邻接矩阵的对角线元素为0， ， 表示第 个节点和第 个节点之间存在边， 表示第 个节点和第 个节点之间没有边， 表示实数，N为图节点的数量；

根据所述邻接矩阵 ，计算中间矩阵 ；

将所述中间矩阵 中大于等于1的元素设置为1，并将对角线元素设置为0，得到多跳矩阵 。

5.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述第一分支特征集合通过如下公式得到：，

其中， 表示第 层自适应多跳图注意力网络层的第一分支特征集合， 表示 中第 个节点的特征， 表示 中第 个节点的特征， 表示 中第 个节点的特征， 表示 中第 个节点的特征， 表示第 层自适应多跳图注意力网络层输出的电网支路特征集合中第 个节点的特征， 表示ReLU激活函数，表示第 层自适应多跳图注意力网络层的第一分支的全连接层；

对所述邻接矩阵添加自环通过如下公式实现：

，

其中， 表示邻接矩阵， 表示自环邻接矩阵，表示单位矩阵；

所述通过图注意力机制计算每个节点与其邻居节点的注意力得分通过如下公式实现：，

其中， 表示第二分支中第 个节点与第 个节点的注意力得分， 表示LeakyReLU激活函数， 表示第二分支中图注意力机制的权重参数， 表示转置，表示第二分支中的权重矩阵， 表示第 层自适应多跳图注意力网络层输出的电网支路特征集合中第 个节点的特征，表示拼接操作；

所述对注意力得分进行归一化通过如下公式实现：

，

其中， 表示第二分支中第 个节点与第 个节点的聚合权重， 表示softmax激活函数， 表示根据 得到的第 个节点的邻居节点集合， 表示第二分支中第 个节点与第 个节点的注意力得分， 表示自然指数函数；

所述将多个单注意力头的输出拼接得到第二分支特征集合通过如下公式实现：，

其中， 表示第二分支特征集合， 表示 中第 个节点的特征， 表示中第 个节点的特征， 表示 中第 个节点的特征， 表示 中第个节点的特征， 表示第二分支中注意力头数量，表示注意力头序号， 表示ELU激活函数；

所述将多个单注意力头的输出取平均值得到第二分支特征集合通过如下公式实现：；

所述第 层自适应多跳图注意力网络层输出的电网支路特征集合通过如下公式得到：，

其中， 表示第三分支特征集合中第 个节点的特征， 表示第一层全连接层， 表示第二层全连接层， 表示第 个节点第一分支特征的融合权重，表示第 个节点第二分支特征的融合权重， 表示第 个节点第三分支特征的融合权重，表示第 层自适应多跳图注意力网络层输出的电网支路特征集合， 表示 中第 个节点的特征， 表示 中第 个节点的特征， 表示 中第 个节点的特征，表示 中第 个节点的特征， 为拼接函数。

6.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述利用SE注意力模块对所述电网支路特征集合进行加权，包括：将所述电网支路特征集合输入到图卷积层，经过ReLU激活函数后得到各节点在各个通道的注意力得分；

利用softmax函数对各个通道中各节点的注意力得分进行归一化，并利用归一化后的注意力得分进行加权池化，得到代表各个通道的压缩信息；

利用两层全连接层对各个通道的压缩信息进行激励，得到各个通道的权重；

利用各个通道的权重对所述电网支路特征集合进行通道权重相乘，得到电网支路加权特征集合。

7.根据权利要求6所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述各节点在各个通道的注意力得分通过如下公式得到：，

其中， 表示各节点在第 个通道的注意力得分， 表示ReLU激活函数， 表示图卷积层， 表示电网支路特征集合的第 个通道， 表示邻接矩阵， 表示自环邻接矩阵， 表示 的度矩阵， 表示第 个通道对应的图卷积层的权重参数；

所述各个通道的压缩信息通过如下公式得到：

，

其中，表示各个通道的压缩信息， 表示第1个通道的压缩信息， 表示第2个通道的压缩信息， 表示第 个通道的压缩信息， 表示第 个通道的压缩信息， 表示SE注意力模块中的通道总数， 表示各节点在第 个通道的归一化后的注意力得分， 表示第个节点在第 个通道的归一化后的注意力得分， 表示电网支路特征集合中第 个节点的第 个通道， 表示第 个节点在第 个通道的注意力得分， 表示第 个节点在第个通道的注意力得分， 表示第 个节点在第 个通道的注意力得分， 表示第 个节点在第 个通道的归一化后的注意力得分， 表示第 个节点在第 个通道的归一化后的注意力得分， 表示第 个节点在第 个通道的归一化后的注意力得分；

所述各个通道的权重通过如下公式得到：

，

其中， 表示各个通道的权重， 表示Sigmoid激活函数， 表示SE注意力模块中第1个全连接层， 表示SE注意力模块中第2个全连接层；

所述电网支路加权特征集合通过如下公式得到：

，

其中， 表示电网支路加权特征集合， 表示第1个通道的权重， 表示第2个通道的权重， 表示第 个通道的权重， 表示电网支路特征集合的第1个通道，表示电网支路特征集合的第2个通道， 表示电网支路特征集合的第 个通道。

8.根据权利要求1所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，其特征在于，所述电网支路参数辨识模型的训练过程，包括：获取电网支路参数和电网支路量测数据，以电网支路量测数据为特征，以支路参数为标签，构造训练集和验证集；

搭建电网支路参数辨识模型，利用所述训练集对电网支路参数辨识模型进行前向传播，得到预测电网支路参数；根据预测电网支路参数和训练集的标签，利用MSE损失函数计算训练损失，并根据训练损失进行反向传播，利用Adam优化器更新模型参数；

利用验证集对电网支路参数辨识模型进行验证，选取验证集指标最优的模型权重，得到训练好的电网支路参数辨识模型；

所述MSE损失函数的表达式为：

，

其中， 表示训练损失， 表示训练集的样本数量， 表示第 个样本的标签，表示第 个样本的预测电网支路参数。

9.一种基于自适应多跳图注意力网络的电网支路参数辨识系统，其特征在于，用于实现权利要求1 8任一项所述的基于自适应多跳图注意力网络的电网支路参数辨识方法，包~括：

数据获取模块，用于：搭建仿真电网，利用所述仿真电网进行仿真并记录各支路的量测数据，得到待辨识数据集；

预处理模块，用于：对所述待辨识数据集进行预处理，得到处理后数据集；

矩阵构建模块，用于：根据所述仿真电网的拓扑结构构造邻接矩阵和多跳矩阵；

自适应多跳图注意力网络模块，用于：根据所述处理后数据集、邻接矩阵和多跳矩阵，通过自适应多跳图注意力网络模块进行特征聚合，得到电网支路特征集合；

SE注意力模块，用于：对所述电网支路特征集合进行加权，得到电网支路加权特征集合；

回归模块，用于：将所述电网支路加权特征集合输入到多层全连接层进行回归，得到预测电网支路参数。