CN114157552B - 一种基于孪生时序图网络的配网故障检测方法 - Google Patents

Abstract

本发明公开了一种基于孪生时序图网络的配网故障检测方法，包括：采集配电网运行数据并转化为波形数据；将所述波形数据转化为时序图网络格式；利用定义的时序图网络卷积进行特征提取和映射；在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据所述判断结果进行早期故障辨识。本发明相比于其他方法，充分考虑了采样点之间的时空联系，且具备很强的迁移学习能力，为配电网早期故障辨识研究提供了一种全新的思路，且辨识准确率较高，可以应用于实际场景中。

Description

一种基于孪生时序图网络的配网故障检测方法

技术领域

本发明涉及故障辨识的技术领域，尤其涉及一种基于孪生时序图网络的配网故障检测方法。

背景技术

作为电力系统中分配电能的最后环节，配电网对于供电可靠性和电网经济效益的重要性不言而喻，配电网由线路、变压器、开关等设备组成，设备种类多、覆盖面广、结构复杂、替换成本低，因此目前主流的运维方式是事后抢修；但这也带来了配电网故障率高、相关故障辨识技术发展缓慢的问题。随着国家和用户对供电可靠性要求逐步提高，有关配电网故障预警技术的研究越来越多，但不少研究直接沿用主网故障辨识的思路，忽略了配电网故障独有的特点和运行环境。

研究表明，配网中设备绝缘故障在转变为永久性故障之前存在一段早期故障时期，这一类型早期故障会反复发生，其本质是绝缘状态恶化。不同类型设备发生早期故障的机理不同，如电缆对应的是各种应力下的绝缘老化过程，架空线路是树枝、动物等异物触线故障带来的绝缘损伤，而变压器则是受潮、超负荷运行、污损等因素带来的绝缘状态恶化。早期故障的核心特点是自恢复性和反复出现，自恢复性表明设备绝缘状态尚可，即仍处于绝缘恶化早期阶段，反复出现则体现了设备从完全良好状态到永久性故障之间的发展阶段。由于早期故障具备自恢复性，电网公司往往将其视作暂态扰动而忽略，但事实上，上述类型的故障波形蕴含了丰富的设备绝缘信息，如果能有效利用，可以很好地对配电网永久性故障进行预警，从而大幅提高供电可靠性。

配电网早期故障诊断方法研究一般分为两类：基于机理的物理模型和基于数据的数学模型。前者主要通过搭建故障线路的电路模型进行辨识，例如：(1)首先利用模态分析获得故障波形的主模态，然后利用主模态搭建线路暂态电路；(2)推导了电弧故障模型和非电弧故障模型，并基于这两种电路模型给出了电弧故障识别算法。后者主要通过数据推导波形和事件类别之间的数学关系，例如：提出了基于小波分解的线路早期故障判据；(3)提出了类人概念学习算法，即仿照人类认知分解波形，并计算分解结果属于各事件类型的概率。上述两类研究其实都存在一定的局限性，前者受网架结构复杂性和电弧随机性的影响较大，后者受样本量限制需要降低模型的数据依赖性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术存在一定的局限性，受网架结构复杂性和电弧随机性的影响较大，或受样本量限制需要降低模型的数据依赖性。

为解决上述技术问题，本发明提供如下技术方案：采集配电网运行数据并转化为波形数据；将所述波形数据转化为时序图网络格式；利用定义的时序图网络卷积进行特征提取和映射；在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据所述判断结果进行早期故障辨识。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：所述时序图网络的建立包括，依次连接同周期内的所有采样点；依次连接不同周期下的同一采样点。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：所述定义的时序图网络卷积包括，单个周期的图卷积网络：以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重W与采样得到的c维向量作内积获得输出结果，同时权重W与位置x无关。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：还包括，基于所述采样函数和权重矩阵将二维矩阵卷积扩展到图网络卷积；基于所述采样函数：定义图网络中的相邻节点B(v_ti)＝{v_tj|d(v_tj,v_ti)＜D}，即v_ti的相邻节点是与其距离不超过D的节点v_tj，其中最佳D值在实验中通过交叉验证获得，采样函数P为：

P(v_ti,D)＝v_tj

基于所述权重矩阵W：采用分组策略，即将集合B(v_ti)分为固定的K个组，组内元素权重一致，写为：

W(v_ti,v_tj)＝W′(l_ti(v_tj))

其中，W′∈R^K为分组后的权重向量，l_ti(v_tj)为分组函数，即将v_tj划分到K组中的其中一组，而这K组共同组成了v_ti的相邻节点集合。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：还包括，基于所述采样函数P和所述权重矩阵W获得图网络卷积方程：

其中，Z_ti(v_tj)为正则项，是与v_tj划分为同一组的点的个数，即：

Z_ti(v_tj)＝|{v_tk|l_ti(v_tk)＝l_ti(v_tj)}|

结合式P(v_ti,D)＝v_tj和式W(v_ti,v_tj)＝W′(l_ti(v_tj))，上式最终写为：

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：还包括，多个周期图网络卷积：由于时序图网络相比于图网络增加了不同周期间采样点的连接，因此相邻节点除了考虑同周期内节点外，还增加不同周期间节点，即：

其中，Γ为时序卷积核尺度；

基于单个周期的图网络卷积增加权重矩阵维度W′∈R^K×Γ，以及修改分组函数：

其中，v_tj为v_qj在周期t内的对应点，l_ti(v_tj)为单周期分组函数。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：利用孪生时序图网络在所述特征空间比较两组特征向量的相似性包括，所述孪生时序图网络的误差函数为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：根据所述距离阈值判断两组输入是否属于同类别，即在特征空间中，两组特征向量间距离未超过阈值m时属于同一类别，否则属于不同类别。

作为本发明所述的基于孪生时序图网络的配网故障检测方法的一种优选方案，其中：还包括，利用所述孪生时序图网络直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别即可：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。

本发明的有益效果：本发明相比于其他方法，充分考虑了采样点之间的时空联系，且具备很强的迁移学习能力，为配电网早期故障辨识研究提供了一种全新的思路，且辨识准确率较高，可以应用于实际场景中。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的时序图网络构建示意图；

图2为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的时序图网络卷积示意图；

图3为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的孪生时序图网络结构示意图；

图4为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的单周波早期故障波形示意图；

图5为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的多周波早期故障波形示意图；

图6为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的永久性故障波形示意图；

图7为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的暂态干扰波形示意图；

图8为本发明一个实施例提供的一种基于孪生时序图网络的配网故障检测方法的不同模型平均F1分数分布示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的一个实施例，提供了一种基于孪生时序图网络的配网故障检测方法，包括：

S1：采集配电网运行数据并转化为波形数据；

需要说明的是，运行数据包括现场运行数据和模拟仿真数据，采集具体为：利用仿真数据学习特征提取，再提取实际数据特征进行故障辨识。

S2：将波形数据转化为时序图网络格式；

需要说明的是，波形序列由每个周期的波形组成，本实施例用时序图网络(temporal graph)来层次化描述这一序列。即对于周期内采样长度为N，周期数为T的波形序列，采用无向时序图G＝(V,E)描述同一周期内不同采样点之间和同一采样点不同周期之间的联系。在这一图网络中，顶点集V＝{v_ti|t＝1,…,T,i＝1,…,N}包含波形序列中的所有点，对于每个顶点，其特征向量F(v_ti)为此刻的波形幅值，时序图网络构建方式如图1所示：首先依次连接同周期内的所有采样点，然后依次连接不同周期下的同一采样点，这一结构设计完全基于波形采样点间的关系，并且适用于不同采样频率、周期数的波形序列。边集E包含两类子集，即周期内不同点之间的连接E_S＝{v_tiv_t(i+1)}和同一点的不同周期间的连接E_F＝{v_tiv_(t+1)i}，E_F本质为同一个点在不同周期间的变化情况。

S3：利用定义的时序图网络卷积进行特征提取和映射；

具体的，首先讨论单个周期的图卷积网络，即对于周期τ，图网络中存在N个顶点，顶点间的连接为边集合E_S(τ)＝{v_τiv_τ(i+1)}，对于二维矩阵的卷积操作，通过选取合适的步长和填充方式，可以不改变特征图大小，即输出特征和输入特征的尺寸相等，以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重W与采样得到的c维向量作内积获得输出结果，同时权重W与位置x无关，即权重在不同位置共享，这是卷积操作的核心特征。

因此二维矩阵卷积扩展到图网络卷积可以从采样函数和权重矩阵两方面入手。首先是采样函数，参考二维矩阵中相邻位置的定义，可以定义图网络中的相邻节点B(v_ti)＝{v_tj|d(v_tj,v_ti)＜D}，即v_ti的相邻节点是与其距离不超过D的节点v_tj，采样函数P可写为，其中最佳D值在实验中可通过交叉验证获得：

P(v_ti,D)＝v_tj

权重矩阵W的定义关键在于如何使其通用化，相比于二维矩阵，图网络中不同节点的相邻节点数并不一致，如何实现权重共享成为设计难点，本发明采用分组策略，即将集合B(v_ti)分为固定的K个组，组内元素权重一致，可写为：

W(v_ti,v_tj)＝W′(l_ti(v_tj))

其中，W′∈R^K为分组后的权重向量，l_ti(v_tj)为分组函数，即将v_tj划分到K组中的其中一组，而这K组共同组成了v_ti的相邻节点集合。

结合上述两点可以获得图网络卷积方程：

其中，Z_ti(v_tj)为正则项，是与v_tj划分为同一组的点的个数，其作用为平衡不同个数的分组情况，即：

Z_ti(v_tj)＝|{v_tk|l_ti(v_tk)＝l_ti(v_tj)}|

结合式P(v_ti,D)＝v_tj和式W(v_ti,v_tj)＝W′(l_ti(v_tj))，上式最终写为：

可以注意到，如果将二维矩阵写作图网络的形式，式f_out(v_ti)可推导出式f_out(x)。

上述内容完成了单个周期的图网络卷积定义，下面讨论多个周期的情况，即时序图网络卷积，由于时序图网络相比于图网络增加了不同周期间采样点的连接，因此相邻节点除了考虑同周期内节点外，还需增加不同周期间节点，即：

其中，Γ为时序卷积核尺度，控制相邻节点与中心节点的周期差异，此时的采样函数P将采集不同周期间的相邻节点。

进一步的，权重矩阵W在时序图网络中的扩展较为简单，单个周期内相邻节点被分为K组，每组对应一个权重值，即W′∈R^K，现在有Γ个周期，只需增加权重矩阵维度W′∈R^K×Γ，以及修改分组函数：

其中，v_tj为v_qj在周期t内的对应点，l_ti(v_tj)为单周期分组函数。

如图2所示，给出了时序图网络卷积的示意图，即每个特征层中单一节点为前一特征层中相邻节点和卷积核作内积。

S4：在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据判断结果进行早期故障辨识。

需要说明的是，相比于其他模型，孪生网络受样本数量以及错误样本影响较小，适用于小样本学习，且其内部特征提取网络可以更换为任意类型，具有很强的通用性，本实施例即将内部特征提取网络更换为时序图网络。孪生网络的设计目的在于比较两个输入变量之间的相似性，并通过最大化同类别特征向量的相似性来不断优化特征提取网络。图3展示了孪生时序图网络的结构，即两组原始波形首先分别构建各自的时序图网络，然后利用时序图网络卷积获得两组特征向量，最后通过计算这两组特征向量之间的相似度判断两组输入波形属于同类别的概率，需要注意的是，两个时序图卷积网络权值共享。不难看出，两组原始波形提取出的特征越相似，其属于同一类别的概率越大。

孪生网络的误差函数选择对比误差(contrastive loss)，其核心思想是在特征空间中，减小同类样本之间的距离，增大不同类样本之间的距离，其计算公式为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

根据这一阈值也可以判断两组输入是否属于同类别，即在特征空间中，两组特征向量间距离未超过阈值m时属于同一类别，否则属于不同类别，即若特征向量的欧式距离小，则表示网络映射下同一类别的事件

除了判断两组输入是否属于同一类别，孪生网络也可以直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别即可：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。

实施例2

参照图4～8为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于孪生时序图网络的配网故障检测方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案(随机森林、支持向量机、卷积神经网络)与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

现场运行数据由云南某地2020年9月到11月配电网10kV架空线路上故障检测装置采集，该系统采用小电流接地方式。故障检测装置采样频率为4kHz，每条记录长度为16个周波，包含4个周波的触发前信号和12个周波的触发后信号，触发方式为电压或电流波形幅值出现异常。图4～7给出了典型波形，可以看到早期故障为可恢复的瞬时故障，按故障持续时间可以划分为单周波早期故障和多周波早期故障，其中多周波早期故障表明设备的绝缘状态相较于单周波早期故障时更差；相比于早期故障，永久性故障无法自恢复，只能依靠继保装置动作，其持续时间取决于继保动作时间，还有一部分暂态扰动波形并非故障导致，其背后原因可能是操作或雷击产生的过电压。除了展示波形，这里给出各种事件类型对应的数量：单周波早期故障有49起，多周波早期故障有34起，永久性故障有64起，暂态干扰有51起，共计198起。

本实施例实验共使用两类数据：仿真数据和现场实际运行数据，其中仿真数据共240条，现场实际数据共198条，这里随机选取现场实际数据100条作为测试集，其余现场数据以及全部仿真数据作为训练集和开发集。为了消除事件类型分布可能带来的影响，实验重复进行10次，每次随机选取测试集。由于仿真数据和实际数据在分布上存在差异，直接使用仿真数据训练出的模型是否适用于实际数据需要验证，因此这里考虑了两种情形：(1)不使用仿真数据，直接使用实际数据训练模型；(2)使用仿真数据和实际数据共同训练模型。

上述两种情形对应模型训练方式存在一定差异。实验中通常面临的情况是情形一，此时模型训练过程没有任何改变。对于情形二，模型训练有两种方式：(1)数据混合，即直接将两种不同分布的数据混合，利用混合数据训练模型，此时模型将学习到混合数据的分布情况；(2)迁移学习，即利用其中一种数据学习特征提取方式，再利用该特征提取方式获得另一种数据的分布，此时模型只会学习到第二种数据的分布。由于测试集中的数据分布属于第二种数据分布，因此第二种训练方式往往效果更好，但这需要模型具备迁移学习能力，即模型结构需要一定的设计。本实施例使用的孪生网络就具备迁移学习功能，而一般的卷积神经网络并不具备此特性，这也是本发明所提方法的重要优势之一。

在分类任务中需要综合考虑准确率p和召回率r，因此通常使用F1分数评价模型性能，其定义如下：

其中，t_p表示分类正确的正样本，f_p表示分类错误的负样本，f_n表示分类错误的正样本，对于多分类问题，平均F1分数为各类别F1分数的平均。

孪生时序图网络模型训练流程如下：首先将原始波形数据转化为时序图网络格式，对于同一事件中的多个波形可以使用多个通道，即增加时序图网络中的节点向量维数，然后利用两组相同权重的时序图卷积对两组输入事件进行映射得到各自的特征向量，比较特征向量的相似度，并根据类别标签计算对比误差，利用误差反向传播更新时序图网络权重，最终得到最佳时序图卷积网络，在这一网络映射下同类别事件对应的特征向量欧氏距离最小，不同类别距离最大。

对于情形1，即只使用实际数据训练，不使用仿真数据，首先利用实验数据和标签训练模型，获得最佳时序图卷积网络，再将这部分实际数据输入网络得到各个事件类别在特征向量空间的分布，利用这一分布情况，可以对测试集数据进行分类，对于情形2，利用仿真数据和标签训练模型，获得最佳时序图卷积网络，再将实际数据输入网络得到各个事件类别在特征向量空间的分布，利用这一分布情况，可以对测试集数据进行分类。

利用开发集选定了超参数，即将除测试集以外的数据分为训练集和开发集，训练模型时直接使用训练集，然后将开发集数据输入训练好的模型得到分类结果，比较不同超参数下的分类效果，选择效果最好的超参数，情形1中训练集和开发集均为实际数据，数量比例为3：1。情形2中训练集为仿真数据，开发集为实际数据，数量比例为240：98，该模型中超参数包含时序图卷积网络层数、相邻节点距离阈值、相邻节点分组数、相邻节点分组策略、时序卷积核尺度、不同类样本特征向量间距离阈值。

表1：不同模型F1分数对比表。

表1给出了孪生时序图网络的性能，可以看到该模型适用于各种故障类型，这是因为时序图网络考虑了同一周期内不同采样点间和同一采样点不同周期间的联系，这些联系使得模型很容易发现不同故障类型对应波形的区别；同时，孪生网络的结构使得该模型具备迁移学习能力，能够处理仿真数据和现场实际数据之间的分布差异问题，使得模型能专注于通用特征，即发掘两种数据的共同点，从而减少对训练样本的需求，解决配电网故障识别中小样本学习这一关键问题。

本实施例对比了其余三种常用的分类模型：随机森林(Random Forest)、支持向量机(Support Vector Machine)和卷积神经网络(Convolution Neural Network)。随机森林模型是决策树模型的扩展，决策树模型本质是从给定实例中推理出一组树形分类规则，随机森林则是随机选择样本和特征生成多颗决策树，通过投票表决获得最终分类结果；支持向量机模型的本质是通过核函数将样本映射至特征空间，在该空间中不同类别数据线性可分，通过最大化类别间隔可以找到分类超平面；卷积神经网络模型是一种深层前馈神经网络，神经网络模型通过线性加权和激活函数可以模拟各种非线性函数，而卷积神经网络则是利用卷积核减少参数量，从而增加网络深度、提升模型拟合性能。

各模型具体设置如下：随机森林采用CART分类树，支持向量机采用多项式核函数。由于原始波形数据维度过高，随机森林和支持向量机都无法直接处理，需要先提取波形特征，将特征作为模型输入。这里首先利用3层db4小波基函数对波形进行分解，提取近似系数和细节系数的每个周期内最大幅值作为输入特征，CART分类树和多项式核函数的具体参数通过训练可以获得，超参数如每颗树包含的属性数、最大深度、森林中树的棵数、核函数类型通过开发集确定。需要说明的是，由于这两种模型都不具备迁移学习能力，对于情形2，采用数据混合的训练模式。

卷积神经网络结构如下：整个网络包含3层卷积层和2层全连接层，输入层尺寸为1×N×6(N为采样长度)，第一层卷积核尺寸为1×41，步长为20，数目为40；第二层卷积核尺寸为1×20，步长为10，数目为20；第三层卷积核尺寸为1×10，步长为5，数目为10。全连接层包含神经元数目分别为512和4。同样地，该卷积神经网络不具备迁移学习能力，在情形2中采用数据混合训练模式。

表1给出了不同模型的F1分数对比，可以看到，孪生时序图网络模型的分类准确率远高于其余三种模型。这是因为该模型考虑了采样点间的联系，并使用合理结构，即时序图网络，对其进行建模，而其余几种模型未考虑输入点之间的关系，只是单纯将其视作不同输入属性；其次，情形2中孪生时序图网络的性能较情形1有明显提升，但其余三种模型提升微弱。这说明本发明所提模型具备迁移学习能力，即有效使用外来数据帮助模型学习；具备迁移学习能力的模型学习内容是输入到特征的映射，而特征到输出的映射是通过对特征进行聚类实现的，与之对应，不具备迁移学习能力的模型学习内容是输入到输出的映射，对于不同来源的数据，输入到输出的映射不同，但输入到特征之间的映射往往可以迁移。

不同模型的平均F1分数分布情况如图8所示，其中模型名称后的数字代表前文提到的两种情形，这一结果体现了模型的性能稳定性，即事件分布对模型性能的影响程度，可以看到，孪生时序图网络的分类准确率在平均值附近波动，较为稳定，相比之下，卷积神经网络参数量高、数据需求大，其准确率受数据类型分布影响大，随机森林和支持向量机的准确率整体水平较低，无法应用于实际场景中，因此，本发明所提方法最适合在配网故障辨识这一场景中使用。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于孪生时序图网络的配网故障检测方法，其特征在于，包括：

采集配电网运行数据并转化为波形数据；

将所述波形数据转化为时序图网络格式；

利用定义的时序图网络卷积进行特征提取和映射；

在特征空间比较两组特征向量的相似性，判断两组输入波形是否属于同一类别，根据判断结果进行早期故障辨识；

所述时序图网络的建立包括，

依次连接同周期内的所有采样点；

依次连接不同周期下的同一采样点；

所述定义的时序图网络卷积包括，

单个周期的图卷积网络：

以f_in表示通道数为c的输入特征，经过尺寸为K×K的卷积核，位置x处的单通道输出特征f_out可表示为：

其中，利用采样函数P获得位置x周围h×w范围的特征值，权重矩阵W与采样得到的c维向量作内积获得输出结果，同时权重矩阵W与位置x无关；

多个周期图网络卷积：

由于时序图网络相比于图网络增加了不同周期间采样点的连接，因此相邻节点除了考虑同周期内节点外，还增加不同周期间节点，即：

其中，Γ为时序卷积核尺度，B(v_ti)为图网络中v_ti的相邻节点，d(v_tj,v_ti)为v_tj节点到v_ti节点的距离，D为交叉验证获得最佳距离D值；

基于单个周期的图网络卷积增加权重矩阵维度W′∈R^K×Γ，以及修改分组函数：

其中，v_tj为v_qj在周期t内的对应点，l_ti(v_tj)为单周期分组函数。

2.如权利要求1所述的基于孪生时序图网络的配网故障检测方法，其特征在于：还包括，

基于所述采样函数和权重矩阵W将二维矩阵卷积扩展到图网络卷积；

基于所述采样函数：定义图网络中的相邻节点B(v_ti)＝{v_tj|d(v_tj,v_ti)＜D}，即v_ti的相邻节点是与其距离不超过D的节点v_tj，其中最佳D值在实验中通过交叉验证获得，采样函数P为：

P(v_ti,D)＝v_tj

基于所述权重矩阵W：采用分组策略，即将集合B(v_ti)分为固定的K个组，组内元素权重一致，写为：

W(v_ti,v_tj)＝W′(l_ti(v_tj))

其中，W′∈R^K为分组后的权重向量，l_ti(v_tj)为分组函数，即将v_tj划分到K组中的其中一组，而这K组共同组成了v_ti的相邻节点集合。

3.如权利要求2所述的基于孪生时序图网络的配网故障检测方法，其特征在于：还包括，

基于所述采样函数P和所述权重矩阵W获得图网络卷积方程：

其中，Z_ti(v_tj)为正则项，是与v_tj划分为同一组的点的个数，即：

Z_ti(v_tj)＝|{v_tk|l_ti(v_tk)＝l_ti(v_tj)}|

结合式P(v_ti,D)＝v_tj和式W(v_ti,v_tj)＝W′(l_ti(v_tj))，上式最终写为：

4.如权利要求3所述的基于孪生时序图网络的配网故障检测方法，其特征在于：利用孪生时序图网络在所述特征空间比较两组特征向量的相似性包括，

所述孪生时序图网络的误差函数为：

其中，N为样本数，d＝|f₁-f₂|为两个特征向量之间的欧氏距离，指示变量y(f₁,f₂)在特征向量f₁和f₂属于同一类时等于1，否则等于0，m为不同类样本之间的距离阈值，即当两个不同类样本的特征向量距离超过m时损失为0，否则损失为(m-d)²。

5.如权利要求4所述的基于孪生时序图网络的配网故障检测方法，其特征在于：根据所述距离阈值判断两组输入是否属于同类别，即在特征空间中，两组特征向量间距离未超过阈值m时属于同一类别，否则属于不同类别。

6.如权利要求5所述的基于孪生时序图网络的配网故障检测方法，其特征在于：还包括，

利用所述孪生时序图网络直接预测输入类别，对于未知类别输入w_x，计算其特征向量f_x到每个类别的平均距离，将其归为最近距离类别即可：

其中，n_i表示类别i中已知样本数量，k为w_x的类别预测结果。