CN113484693B - 基于图神经网络的变电站二次回路故障定位方法及系统 - Google Patents

基于图神经网络的变电站二次回路故障定位方法及系统 Download PDF

Info

Publication number
CN113484693B
CN113484693B CN202110878139.6A CN202110878139A CN113484693B CN 113484693 B CN113484693 B CN 113484693B CN 202110878139 A CN202110878139 A CN 202110878139A CN 113484693 B CN113484693 B CN 113484693B
Authority
CN
China
Prior art keywords
fault
graph
node
neural network
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110878139.6A
Other languages
English (en)
Other versions
CN113484693A (zh
Inventor
郑永康
张宸滔
董秀成
陈晓东
李梓玮
王海东
刘勇
赵以兵
张豪
杨伟
沈大千
赵梓宏
杨凯
张家兴
罗俊
陈桂芳
朱鑫
向贤明
郭泓达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202110878139.6A priority Critical patent/CN113484693B/zh
Publication of CN113484693A publication Critical patent/CN113484693A/zh
Application granted granted Critical
Publication of CN113484693B publication Critical patent/CN113484693B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于图神经网络的变电站二次回路故障定位方法及系统，其中方法包括：解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；利用历史数据库或故障涌现的方法制作训练集，离线训练图神经网络模型；用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；利用所述图神经网络模型预测得到所述关联故障设备的故障种类。本发明使用图神经网络搭建故障定位模型，使得模型在组网方式变更的情况下准确性增加。

Description

基于图神经网络的变电站二次回路故障定位方法及系统
技术领域
本发明涉及智能变电站故障定位技术领域，具体涉及一种基于图神经网络的变电站二次回路故障定位方法及系统。
背景技术
随着智能变电站信息化技术的快速发展，智能变电站二次系统网络日趋复杂，故障定位技术作为智能变电站智能运维的核心一直是研究的热点。由于二次设备的互联性，二次回路故障存在着一定的关联，而二次回路故障定位则是需要依据告警信号的相互关系，从多个故障事件中定位故障源。在智能变电站二次系统中，网络拓扑中一个节点出现故障，往往会导致与其相连的其他节点也发生异常，进而产生大量告警使得故障源难以判断。
有关智能变电站二次系统故障定位的方法早有研究，传统方法主要采用Petri网、举证表等，难以应对大型的网络，而传统机器学习、深度学习的方法虽然能够增加定位精度，但是当二次系统网络中告警信号变化甚至网络结构变化时需要重新训练模型，难以应用在实际场景中。
发明内容
本发明所要解决的技术问题是传统机器学习、深度学习的方法虽然能够增加变电站二次回路故障定位精度，但是当二次系统网络中告警信号变化甚至网络结构变化时需要重新训练模型，难以应用在实际场景中，目的在于提供一种基于图神经网络的变电站二次回路故障定位方法及系统，解决了传统机器学习、深度学习的方法虽然能够增加变电站二次回路故障定位精度，但是当二次系统网络中告警信号变化甚至网络结构变化时需要重新训练模型，难以应用在实际场景中的技术问题。
本发明通过下述技术方案实现：
一种基于图神经网络的变电站二次回路故障定位方法，包括：
解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；
利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型，或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型；
提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；
利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
进一步，所述解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系，具体包括：
S1-1：利用Xpath解析变电站配置描述文件中的节点及属性，并根据父子节点之间的关系提取实体-关系-实体三元组；
S1-2：利用PhysConn节点下的Port与Cable属性建立二次设备的物理回路连接；利用ExtRef节点intAddr属性找到输入虚段子节点与端口号，根据daName、doName、ldInst、lnClass、iedName、lnInset、Prefix属性组成的外部虚段子引用路径找到输出虚段子，再根据物理连接关系匹配输出端口至输入端口的完整连接关系，将虚连接内容存储至对应边关系属性中；
S1-3：遍历所有二次设备节点及其三度连接关系，得到二次设备物理回路与虚回路关系图G(V，E)，其中V为二次回路图G中所有节点集合，E为连接所有节点的边的集合。
进一步，所述利用故障涌现的方法制作训练集，离线训练图神经网络模型，具体包括：
S2-1：根据二次设备物理回路与虚回路关系图G(V，E)，将外界影响因素输入二次系统，二次系统根据自身状态和输入的外界因素，产生二次回路故障图G(Vfault，Efault，Xfault)，其中Vfault为故障时二次设备节点集合，Efault故障时连接二次设备节点的边的集合，Xfault为故障时二次设备节点特征，经反复采样，获得二次回路故障图数据集Gfault；
S2-2：根据二次回路故障图数据集Gfault制作训练集，通过图神经网络模型利用训练集中的节点信息Xfault在故障图中的汇集来表征整个故障图的信息，将故障定位任务定义为图分类任务，图神经网络模型节点信息汇集过程如式(1)所示：
Figure BDA0003188664320000021
式中：hv l，hv l-1为中心节点l层和l-1层状态，Wl为中心节点权重矩阵，Wr为邻居节点信息权重矩阵，N(v)为节点v的邻居节点集合，σ(·)代表激活函数，比如ReLU(·)＝max(0，·)。
进一步，所述步骤S2-2还包括：根据二次回路故障图数据集Gfault制作验证集和测试集。
进一步，所述外界影响因素包括组件随机故障、网络拓扑调整和网络组件配置中的至少一项。
进一步，对所述告警信号进行预处理，具体包括：
S4-1：根据故障信息对二次设备故障断面进行如式(2)所示：
Figure BDA0003188664320000031
式中：
Figure BDA0003188664320000032
表示二次设备运行状态信息，
Figure BDA0003188664320000033
表示报文流量状态信息，
Figure BDA0003188664320000034
表示GOOSE/SV接收状态信息，N表示故障事件总数；
所述二次设备运行状态信息
Figure BDA0003188664320000035
包括该故障断面内所有设备的运行状态信息，如式(3)所示：
Figure BDA0003188664320000036
式中：
Figure BDA0003188664320000037
表示第k个故障设备的告警信号集合，包括装置总告警A、SV/GOOSE告警C及每个端口接收与发送功率告警Preceive，Pdeliver，NP为设备端口数量；
所述GOOSE/SV接收状态信息
Figure BDA0003188664320000038
包括信宿设备的报文接收状态信息，所述报文流量状态信息
Figure BDA0003188664320000039
包括交换机流量状态信息，如式(4)所示：
Figure BDA00031886643200000310
式中：messagen表示第n条报文的接收状态集合，其中包括了所有信宿节点的报文接收状态Rn，如果第a个节点接收到报文，则Rna＝1，否则Rna＝0，
Figure BDA00031886643200000311
表示第m台交换机的流量监测状态集合，其中包括了所有经过该交换机的报文流量状态Fm，如果交换机监测到第b条报文流量过低，Fmb＝1，否则Fmb＝0；
S4-2：利用故障断面特征对故障图G中的节点v的故障特征x进行如式(5)所示的表征，
Figure BDA00031886643200000312
式中，NET为故障设备种类编号，Encoding为故障设备独热编码，
Figure BDA0003188664320000041
为设备端口特征，Ru为节点v的报文接收状态集合，Fu为节点v的报文流量状态集合，Pu receivce，Pu deliver为节点v的端口接收与发送功率状态集合，NN(v)为节点v的邻居的设备种类编号。
进一步，所述利用所述图神经网络模型预测得到所述关联故障设备的故障种类之后，还包括：将故障发生时的告警信号、关联故障设备及故障种类录入所述历史数据库。
一种基于图神经网络的变电站二次回路故障定位系统，包括：
图数据库制作模块，用于解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；
模型训练模块，用于利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型，或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型；
解析模块，用于提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
预处理模块，用于利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；
预测模块，用于利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，改进了原有的告警信号表征方式，使用图神经网络搭建故障定位模型，能够将节点信息在神经网络中进行运算，使得模型在组网方式变更的情况下准确性增加，有效提高了智能变电站二次回路故障定位的准确率和鲁棒性，解决了传统机器学习、深度学习的方法虽然能够增加变电站二次回路故障定位精度，但是当二次系统网络中告警信号变化甚至网络结构变化时需要重新训练模型，难以应用在实际场景中的技术问题；
本发明提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，通过将故障定位任务转化为图分类任务，避免了对整个变电站二次系统进行建模；
本发明提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，通过对告警信号的预处理，能够使得模型能够应对设备端口变化、网络报文数目及订阅关系变化的情况。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为本发明基于图神经网络的变电站二次回路故障定位方法的流程图；
图2为本发明基于图神经网络的变电站二次回路故障定位方法中抽取的二次系统物理回路与虚回路的可视化结果图；
图3为本发明基于图神经网络的变电站二次回路故障定位方法中图神经网络模型的架构图；
图4为本发明基于图神经网络的变电站二次回路故障定位方法的故障定位原理示意图；
图5为本发明基于图神经网络的变电站二次回路故障定位系统的原理结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例一
请参考图1至图4，本发明实施例提供一种基于图神经网络的变电站二次回路故障定位方法，包括：
S1：解析智能变电站配置描述文件(substation configuration description，SCD)，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；
S2：利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型，或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型；
S3：提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
S4：利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；
S5：利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
本发明实施例所述的故障定位，指的是定位成什么种类的故障，即故障的种类定位，故障的种类包括但不限于装置自身的硬件故障、二次回路故障和光纤回路故障。
本发明实施例提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，改进了原有的告警信号表征方式，使用图神经网络搭建故障定位模型，能够将节点信息在神经网络中进行运算，使得模型在组网方式变更的情况下准确性增加，有效提高了智能变电站二次回路故障定位的准确率和鲁棒性，解决了传统机器学习、深度学习的方法虽然能够增加变电站二次回路故障定位精度，但是当二次系统网络中告警信号变化甚至网络结构变化时需要重新训练模型，难以应用在实际场景中的技术问题；本发明实施例提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，通过将故障定位任务转化为图分类任务，避免了对整个变电站二次系统进行建模；本发明实施例提供的一种基于图神经网络的变电站二次回路故障定位方法及系统，通过对告警信号的预处理，能够使得模型能够应对设备端口变化、网络报文数目及订阅关系变化的情况。
本发明实施例中，提取并解析二次系统产生的不同告警信号以及网络拓扑信息之后，可以先尝试使用专家系统构建的规则判断故障原因，如果专家系统无法诊断出故障则进行后面的步骤。
作为具体实施方式，所述解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系，具体包括：
S1-1：利用Xpath解析变电站配置描述文件中的节点及属性，并根据父子节点之间的关系提取实体-关系-实体三元组；
S1-2：利用PhysConn节点下的Port与Cable属性建立二次设备的物理回路连接；利用ExtRef节点intAddr属性找到输入虚段子节点与端口号，根据daName、doName、ldInst、lnClass、iedName、lnInset、Prefix属性组成的外部虚段子引用路径找到输出虚段子，再根据物理连接关系匹配输出端口至输入端口的完整连接关系，将虚连接内容存储至对应边关系属性中；
S1-3：遍历所有二次设备节点及其三度连接关系，即所有“二次设备-端口-端口-二次设备”的连接，得到二次设备物理回路与虚回路关系图G(V，E)，其中V为二次回路图G中所有节点集合，E为连接所有节点的边的集合。
作为具体实施方式，所述利用故障涌现的方法制作训练集，离线训练图神经网络模型，具体包括：
S2-1：根据二次设备物理回路与虚回路关系图G(V，E)，将外界影响因素输入二次系统，二次系统根据自身状态和输入的外界因素，产生二次回路故障图G(Vfault，Efault，Xfault)，其中Vfault为故障时二次设备节点集合，Efault故障时连接二次设备节点的边的集合，Xfault为故障时二次设备节点特征，经反复采样，获得二次回路故障图数据集Gfault；
S2-2：根据二次回路故障图数据集Gfault制作训练集，通过图神经网络模型利用训练集中的节点信息Xfault在故障图中的汇集来表征整个故障图的信息，将故障定位任务定义为图分类任务，图神经网络模型节点信息汇集过程如式(1)所示：
Figure BDA0003188664320000071
式中：hv l，hv l-1为中心节点l层和l-1层状态，Wl为中心节点权重矩阵，Wr为邻居节点信息权重矩阵，N(v)为节点v的邻居节点集合，σ(·)代表激活函数，比如ReLU(·)＝max(0，·)。
作为具体实施方式，所述步骤S2-2还包括：根据二次回路故障图数据集Gfault制作验证集和测试集。模型的超参数由验证集确定。在具体的模型优化过程中，可以设置了不同深度、通道维数、聚合函数、学习率、训练批次、神经元丢弃率、全局池化(global pooling)函数来搜寻模型的最优超参数。训练完成后存储模型的参数。
作为具体实施方式，所述外界影响因素包括组件随机故障、网络拓扑调整和网络组件配置中的至少一项。
作为具体实施方式，对所述告警信号进行预处理，具体包括：
S4-1：根据故障信息对二次设备故障断面进行如式(2)所示：
Figure BDA0003188664320000072
式中：
Figure BDA0003188664320000073
表示二次设备运行状态信息，
Figure BDA0003188664320000074
表示报文流量状态信息，
Figure BDA0003188664320000075
表示GOOSE/SV接收状态信息，N表示故障事件总数；
所述二次设备运行状态信息
Figure BDA00031886643200000710
包括该故障断面内所有设备的运行状态信息，如式(3)所示：
Figure BDA0003188664320000076
式中：
Figure BDA0003188664320000077
表示第k个故障设备的告警信号集合，包括装置总告警A、SV/GOOSE告警C及每个端口接收与发送功率告警Preceive，Pdeliver，NP为设备端口数量；
所述GOOSE/SV接收状态信息
Figure BDA0003188664320000078
包括信宿设备的报文接收状态信息，所述报文流量状态信息
Figure BDA0003188664320000079
包括交换机流量状态信息，如式(4)所示：
Figure BDA0003188664320000081
式中：messagen表示第n条报文的接收状态集合，其中包括了所有信宿节点的报文接收状态Rn，如果第a个节点接收到报文，则Rna＝1，否则Rna＝0，
Figure BDA0003188664320000082
表示第m台交换机的流量监测状态集合，其中包括了所有经过该交换机的报文流量状态Fm，如果交换机监测到第b条报文流量过低，Fmb＝1，否则Fmb＝0；
S4-2：利用故障断面特征对故障图G中的节点v的故障特征x进行如式(5)所示的表征，
Figure BDA0003188664320000083
式中，NET为故障设备种类编号，Encoding为故障设备独热编码，
Figure BDA0003188664320000084
为设备端口特征，Ru为节点v的报文接收状态集合，Fu为节点v的报文流量状态集合，Pu receivce，Pu deliver为节点v的端口接收与发送功率状态集合，NN(v)为节点v的邻居的设备种类编号。
作为具体实施方式，所述利用所述图神经网络模型预测得到所述关联故障设备的故障种类之后，还包括：将故障发生时的告警信号、关联故障设备及故障种类录入所述历史数据库。
实施例二
请参考图1至图5，本发明实施例提供一种基于图神经网络的变电站二次回路故障定位系统，包括：
图数据库制作模块，用于解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；
模型训练模块，用于利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型，或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型；
解析模块，用于提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
预处理模块，用于利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；
预测模块，用于利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于图神经网络的变电站二次回路故障定位方法，其特征在于，包括：
解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；其中，建立对应关系的具体过程为：S1-1：利用Xpath解析变电站配置描述文件中的节点及属性，并根据父子节点之间的关系提取实体-关系-实体三元组；S1-2：利用PhysConn节点下的Port与Cable属性建立二次设备的物理回路连接；利用ExtRef节点intAddr属性找到输入虚段子节点与端口号，根据daName、doName、ldInst、lnClass、iedName、lnInset、Prefix属性组成的外部虚段子引用路径找到输出虚段子，再根据物理连接关系匹配输出端口至输入端口的完整连接关系，将虚连接内容存储至对应边关系属性中；S1-3：遍历所有二次设备节点及其三度连接关系，得到二次设备物理回路与虚回路关系图G(V,E)，其中V为二次回路图G中所有节点集合，E为连接所有节点的边的集合；
利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型；或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型，具体为：S2-1：根据二次设备物理回路与虚回路关系图G(V,E)，将外界影响因素输入二次系统，二次系统根据自身状态和输入的外界因素，产生二次回路故障图G(Vfault,Efault,Xfault)，其中Vfault为故障时二次设备节点集合，Efault故障时连接二次设备节点的边的集合，Xfault为故障时二次设备节点特征，经反复采样，获得二次回路故障图数据集Gfault；S2-2：根据二次回路故障图数据集Gfault制作训练集，通过图神经网络模型利用训练集中的节点信息Xfault在故障图中的汇集来表征整个故障图的信息，将故障定位任务定义为图分类任务，图神经网络模型节点信息汇集过程如式(1)所示：式中：hv l，hv l-1为中心节点l层和l-1层状态，Wl为中心节点权重矩阵，Wr为邻居节点信息权重矩阵，N(v)为节点v的邻居节点集合,σ(·)代表激活函数；
提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；其中，对所述告警信号进行预处理，具体包括：S4-1：根据故障信息对二次设备故障断面进行如式(2)所示： 式中：表示二次设备运行状态信息，表示报文流量状态信息，表示GOOSE/SV接收状态信息，N表示故障事件总数；所述二次设备运行状态信息包括该故障断面内所有设备的运行状态信息，如式(3)所示：
式中：表示第k个故障设备的告警信号集合，包括装置总告警A、SV/GOOSE告警C及每个端口接收与发送功率告警Preceive,Pdeliver，NP为设备端口数量；所述GOOSE/SV接收状态信息包括信宿设备的报文接收状态信息，所述报文流量状态信息包括交换机流量状态信息，如式(4)所示：
式中：messagen表示第n条报文的接收状态集合，其中包括了所有信宿节点的报文接收状态Rn，如果第a个节点接收到报文，则Rna＝1，否则Rna＝0，表示第m台交换机的流量监测状态集合，其中包括了所有经过该交换机的报文流量状态Fm，如果交换机监测到第b条报文流量过低，Fmb＝1，否则Fmb＝0；S4-2：利用故障断面特征对故障图G中的节点v的故障特征x进行如式(5)所示的表征，式中，NET为故障设备种类编号，Encoding为故障设备独热编码，为设备端口特征，Ru为节点v的报文接收状态集合，Fu为节点v的报文流量状态集合，Pu receivce,Pu deliver为节点v的端口接收与发送功率状态集合，NN(v)为节点v的邻居的设备种类编号；
利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
2.根据权利要求1所述的基于图神经网络的变电站二次回路故障定位方法，其特征在于，所述步骤S2-2还包括：根据二次回路故障图数据集Gfault制作验证集和测试集。
3.根据权利要求1所述的基于图神经网络的变电站二次回路故障定位方法，其特征在于，所述外界影响因素包括组件随机故障、网络拓扑调整和网络组件配置中的至少一项。
4.根据权利要求1所述的基于图神经网络的变电站二次回路故障定位方法，其特征在于，所述利用所述图神经网络模型预测得到所述关联故障设备的故障种类之后，还包括：将故障发生时的告警信号、关联故障设备及故障种类录入所述历史数据库。
5.基于图神经网络的变电站二次回路故障定位系统，其特征在于，包括：
图数据库制作模块，用于解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；其中建立对应关系的具体过程为：S1-1：利用Xpath解析变电站配置描述文件中的节点及属性，并根据父子节点之间的关系提取实体-关系-实体三元组；S1-2：利用PhysConn节点下的Port与Cable属性建立二次设备的物理回路连接；利用ExtRef节点intAddr属性找到输入虚段子节点与端口号，根据daName、doName、ldInst、lnClass、iedName、lnInset、Prefix属性组成的外部虚段子引用路径找到输出虚段子，再根据物理连接关系匹配输出端口至输入端口的完整连接关系，将虚连接内容存储至对应边关系属性中；S1-3：遍历所有二次设备节点及其三度连接关系，得到二次设备物理回路与虚回路关系图G(V,E)，其中V为二次回路图G中所有节点集合，E为连接所有节点的边的集合；
模型训练模块，用于利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型，或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型，具体为：S2-1：根据二次设备物理回路与虚回路关系图G(V,E)，将外界影响因素输入二次系统，二次系统根据自身状态和输入的外界因素，产生二次回路故障图G(Vfault,Efault,Xfault)，其中Vfault为故障时二次设备节点集合，Efault故障时连接二次设备节点的边的集合，Xfault为故障时二次设备节点特征，经反复采样，获得二次回路故障图数据集Gfault；S2-2：根据二次回路故障图数据集Gfault制作训练集，通过图神经网络模型利用训练集中的节点信息Xfault在故障图中的汇集来表征整个故障图的信息，将故障定位任务定义为图分类任务，图神经网络模型节点信息汇集过程如式(1)所示：式中：hv l，hv l-1为中心节点l层和l-1层状态，Wl为中心节点权重矩阵，Wr为邻居节点信息权重矩阵，N(v)为节点v的邻居节点集合,σ(·)代表激活函数；
解析模块，用于提取并解析二次系统产生的不同告警信号以及网络拓扑信息；
预处理模块，用于利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型，其中，对所述告警信号进行预处理，具体包括：S4-1：根据故障信息对二次设备故障断面进行如式(2)所示：式中：表示二次设备运行状态信息，表示报文流量状态信息，表示GOOSE/SV接收状态信息，N表示故障事件总数；所述二次设备运行状态信息包括该故障断面内所有设备的运行状态信息，如式(3)所示：
式中：表示第k个故障设备的告警信号集合，包括装置总告警A、SV/GOOSE告警C及每个端口接收与发送功率告警Preceive,Pdeliver，NP为设备端口数量；所述GOOSE/SV接收状态信息包括信宿设备的报文接收状态信息，所述报文流量状态信息包括交换机流量状态信息，如式(4)所示：
式中：messagen表示第n条报文的接收状态集合，其中包括了所有信宿节点的报文接收状态Rn，如果第a个节点接收到报文，则Rna＝1，否则Rna＝0，表示第m台交换机的流量监测状态集合，其中包括了所有经过该交换机的报文流量状态Fm，如果交换机监测到第b条报文流量过低，Fmb＝1，否则Fmb＝0；S4-2：利用故障断面特征对故障图G中的节点v的故障特征x进行如式(5)所示的表征，式中，NET为故障设备种类编号，Encoding为故障设备独热编码，为设备端口特征，Ru为节点v的报文接收状态集合，Fu为节点v的报文流量状态集合，Pu receivce,Pu deliver为节点v的端口接收与发送功率状态集合，NN(v)为节点v的邻居的设备种类编号；
预测模块，用于利用所述图神经网络模型预测得到所述关联故障设备的故障种类。
CN202110878139.6A 2021-07-30 2021-07-30 基于图神经网络的变电站二次回路故障定位方法及系统 Active CN113484693B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110878139.6A CN113484693B (zh) 2021-07-30 2021-07-30 基于图神经网络的变电站二次回路故障定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110878139.6A CN113484693B (zh) 2021-07-30 2021-07-30 基于图神经网络的变电站二次回路故障定位方法及系统

Publications (2)

Publication Number Publication Date
CN113484693A CN113484693A (zh) 2021-10-08
CN113484693B true CN113484693B (zh) 2023-04-07

Family

ID=77945033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110878139.6A Active CN113484693B (zh) 2021-07-30 2021-07-30 基于图神经网络的变电站二次回路故障定位方法及系统

Country Status (1)

Country Link
CN (1) CN113484693B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114089118B (zh) * 2021-11-24 2022-08-05 重庆大学 基于门控循环单元网络的智能变电站故障定位方法
CN116381419B (zh) * 2023-06-05 2023-11-07 中国南方电网有限责任公司超高压输电公司广州局 输电线路故障处理方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491047A (zh) * 2020-11-25 2021-03-12 国网湖北省电力有限公司咸宁供电公司 一种变电站二次设备的故障定位方法、装置及设备
CN112632978A (zh) * 2020-12-23 2021-04-09 国网安徽省电力有限公司检修分公司 基于端到端的变电站多元事件关系抽取的方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2066756A1 (en) * 1989-09-20 1991-03-21 Dwayne Westenskow Device and method for neural network breathing alarm
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
US7783349B2 (en) * 2006-04-10 2010-08-24 Cardiac Pacemakers, Inc. System and method for closed-loop neural stimulation
CN103630244B (zh) * 2013-12-18 2016-03-09 重庆大学 电力系统设备故障诊断方法及系统
CN109633369B (zh) * 2018-12-08 2020-12-04 国网山东省电力公司德州供电公司 一种基于多维数据相似性匹配的电网故障诊断方法
CN109829916A (zh) * 2019-03-04 2019-05-31 国网内蒙古东部电力有限公司 一种基于cnn的变压器故障诊断方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
CN110596485B (zh) * 2019-08-22 2022-11-04 国网安徽省电力有限公司 一种数模一体化测试仪及其数模同步输出方法
CN110674189B (zh) * 2019-09-27 2022-05-17 国网四川省电力公司电力科学研究院 一种智能变电站二次状态监测与故障定位的方法
CN111060304A (zh) * 2020-02-03 2020-04-24 国网江苏省电力有限公司宿迁供电分公司 基于神经网络的断路器故障诊断方法
CN111612128A (zh) * 2020-05-14 2020-09-01 国网江苏省电力有限公司电力科学研究院 一种sf6高压断路器状态主动预警方法及装置
US11640295B2 (en) * 2020-06-26 2023-05-02 Intel Corporation System to analyze and enhance software based on graph attention networks
CN112749509B (zh) * 2020-12-30 2022-06-10 西华大学 一种基于lstm神经网络的智能变电站故障诊断方法
CN113766544A (zh) * 2021-09-18 2021-12-07 国网河南省电力公司信息通信公司 一种基于多边缘协同的电力物联网切片优化方法
CN114089118B (zh) * 2021-11-24 2022-08-05 重庆大学 基于门控循环单元网络的智能变电站故障定位方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491047A (zh) * 2020-11-25 2021-03-12 国网湖北省电力有限公司咸宁供电公司 一种变电站二次设备的故障定位方法、装置及设备
CN112632978A (zh) * 2020-12-23 2021-04-09 国网安徽省电力有限公司检修分公司 基于端到端的变电站多元事件关系抽取的方法

Also Published As

Publication number Publication date
CN113484693A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Cai et al. Bayesian networks in fault diagnosis
CN113484693B (zh) 基于图神经网络的变电站二次回路故障定位方法及系统
Maier et al. Anomaly detection in production plants using timed automata-automated learning of models from observations
CN110210512A (zh) 一种自动化日志异常检测方法及系统
CN107370732B (zh) 基于神经网络和最优推荐的工控系统异常行为发现系统
CN111930592A (zh) 一种实时检测日志序列异常的方法和系统
CN102684902B (zh) 基于探针预测的网络故障定位方法
CN113746663B (zh) 机理数据双驱动结合的性能劣化故障根因定位方法
CN112367303B (zh) 分布式自学习异常流量协同检测方法及系统
CN114579407B (zh) 一种因果关系检验和微服务指标预测报警方法
CN106096789A (zh) 一种基于机器学习技术的可自感知异常的工控安全防护与报警系统
CN113033772A (zh) 一种基于联邦学习的多设备状态监测方法
CN115237717A (zh) 一种微服务异常检测方法和系统
CN114296975A (zh) 一种分布式系统调用链和日志融合异常检测方法
CN113987001A (zh) 轨道交通信号系统故障分析方法、装置及电子设备
CN110188837A (zh) 一种基于模糊神经的mvb网络故障诊断方法
Ren et al. Research on fault location of process-level communication networks in smart substation based on deep neural networks
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN106933097A (zh) 一种基于多层优化pcc‑sdg的化工过程故障诊断方法
CN116827658B (zh) 一种ai智能应用安全态势感知预测系统及方法
CN117521498A (zh) 一种充电桩引导式故障诊断预测方法及系统
CN112803587A (zh) 一种基于诊断决策库的自动化设备状态智能巡视方法
CN107454089A (zh) 一种基于多节点关联性的网络安全态势诊断方法
Shi et al. Machine Learning‐Based Time‐Series Data Analysis in Edge‐Cloud‐Assisted Oil Industrial IoT System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant