CN114646839A - 基于图卷积神经网络的配电网故障区段定位方法及装置 - Google Patents

基于图卷积神经网络的配电网故障区段定位方法及装置 Download PDF

Info

Publication number
CN114646839A
CN114646839A CN202210105777.9A CN202210105777A CN114646839A CN 114646839 A CN114646839 A CN 114646839A CN 202210105777 A CN202210105777 A CN 202210105777A CN 114646839 A CN114646839 A CN 114646839A
Authority
CN
China
Prior art keywords
distribution network
node
characteristic
power distribution
vector
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.)
Pending
Application number
CN202210105777.9A
Other languages
English (en)
Inventor
王光华
李晓影
宋秉睿
张沛
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.)
Tianjin Xianghe Electric Technology Co ltd
State Grid Corp of China SGCC
Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
Tianjin Xianghe Electric Technology Co ltd
State Grid Corp of China SGCC
Baoding Power Supply Co of State Grid Hebei 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 Tianjin Xianghe Electric Technology Co ltd, State Grid Corp of China SGCC, Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical Tianjin Xianghe Electric Technology Co ltd
Priority to CN202210105777.9A priority Critical patent/CN114646839A/zh
Publication of CN114646839A publication Critical patent/CN114646839A/zh
Pending legal-status Critical Current

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
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本发明提供了一种基于图卷积神经网络的配电网故障区段定位方法及装置，涉及电网故障定位的技术领域，包括：获取配电网络特征模型G＝(V,E)，并构建配电网定位网络模型，配电网定位网络模型包括输入层、隐藏层以及输出层，配电网络特征模型G＝(V,E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与开关；基于配电网络特征模型G＝(V,E)中的获取配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取节点特征数据；将节点特征数据传输至隐藏层；在隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量；输出层获取边特征向量并提取输出向量。通过本发明可以提高对于配电网中带有拓扑图结构的数据应用效果。

Description

基于图卷积神经网络的配电网故障区段定位方法及装置
技术领域
本发明涉及电网故障定位的技术领域，尤其是涉及一种基于图卷积神 经网络的配电网故障区段定位方法及装置。
背景技术
虽然近年来配电网自动化设备的投资比例逐渐加大，但由于缺乏有效 的分析手段，大量的配电网运行数据没有得到有效利用。且由于新能源的兴 起，配电网中加入了许多分布式电源，在配电网故障后无法简单依据传统故 障电流方向对故障位置进行确定，实际故障情况更加复杂多变，加大了故障 定位的难度。研究人员对于配电网故障定位进行了系统的研究，积累了一定 经验，但仍然存在实际应用的限制与诸多难以解决的问题。配电网故障后准 确的区段定位，对降低停电时间与损失，提高供电可靠性有着重大的意义
而现有技术中，具有如下几种技术方案：1)直接定段类算法常用图论 分析方法，将配电网拓扑图结构分为多个小段，结合终端采集的故障信息， 直接进行计算分析确定故障区段。此方法依赖上传的故障信息，对电气量应 用较少，受畸变信号影响较大；2)矩阵算法：根据馈线终端单元所上传的 故障数据，利用开关节点关系与故障信息特点，生成故障判别矩阵进行故障 定位但其过度依赖故障上传信息，对电气量信息利用较少，故障信息畸变影 响定位结果，容错性不够强，计算过程中大量矩阵运算速度较慢，不利于供 电可靠性的提高；3)过热弧搜寻法：此方法使用邻接矩阵输入配网拓扑结 构，将断路器作为顶点，馈线为弧，线路潮流方向为弧的方向，弧的负荷即 为馈线负荷，各弧段负荷规一化计算大于阈值即为过热弧，该弧所在位置确 定为故障区段过热弧搜索法在实际应用中可能使故障停电范围扩大，对于 某些特殊拓扑结构如分支线路的首级分段开关与耦合点很距离近等容易出 错，在实际应用中十分复杂。4)间接定段法相对于直接定段法计算速度较 慢，其相对来说可以灵活使用易获取的电气量信息，对畸变信号有相对较强 的容错能力。主要有遗传算法、专家系统法、神经网络法等。
现有传统故障区段定位算法都应用于分支较少的配电网中，在面对分 支较多的复杂配电网时定位容易出错，配电网中大量接入的分布式电源对 故障状态的影响较大，以及出现部分故障位于分支节点处加大了区段定位 的难度，传统故障区段定位算法的使用受到一定的制约。人工智能深度学习 在各领域都展现出强大能力，但其只适用于欧式空间中的规则图像数据，对 于配电网中带有拓扑图结构的数据应用效果较差。
发明内容
有鉴于此，本发明的目的在于提供一种基于图卷积神经网络的配电网 故障区段定位方法及装置，以提高对于配电网中带有拓扑图结构的数据应 用效果，缓解现有技术中神经网络算法在网络特征传递过程中不利于分辨 大量输入数据之间的内在联系的技术问题，充分利用配电网的电气量信息。
本发明提供了一种基于图卷积神经网络的配电网故障区段定位方法， 具体包括如下步骤：
S1：获取配电网络特征模型G＝(V,E)，并构建配电网定位网络模型，所 述配电网定位网络模型包括输入层、隐藏层以及输出层，所述配电网络特征 模型G＝(V,E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与 开关。
优选的，所述S1：获取配电网络特征模型G＝(V,E)，并构建配电网定 位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层，所 述配电网络特征模型G＝(V,E)中，V主要为负荷节点以及分布式电源节点， E为配电线路与开关的步骤之后，所述方法包括：
S2基于配电网络特征模型G＝(V,E)中的获取所述配电网络节点V，并 将所有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以 获取节点特征数据。
优选的，所述S2基于配电网络特征模型G＝(V,E)中的获取所述配电网 络节点V，并将所有节点V的邻边E的特征数据转换后合并至节点V特征 向量Nv上以获取节点特征数据步骤之后，所述方法包括：
S3：将所述节点特征数据传输至隐藏层。
优选的，所述S3：将所述节点特征数据传输至隐藏层的步骤之后，所 述方法包括：
S4：在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量。
优选的，所述S4：在所述隐藏层中采用GraphSAGE算法进行聚合并 输出边特征向量的步骤之后，所述方法还包括：
S5：所述输出层获取边特征向量并提取输出向量以对配电网故障区段 定位。
优选的，所述在所述隐藏层中采用GraphSAGE算法进行聚合并输出边 特征向量的步骤包括：
节点vi在l+1层的节点特征
Figure BDA0003493454320000031
聚合公式为：
Figure BDA0003493454320000032
Figure BDA0003493454320000033
N(vi)—邻居节点集合；
Figure BDA0003493454320000034
—第l层中节点vj的节点特征向量；
aggregatel+1(·)为第l+1层的可学习的聚合函数，
Figure BDA0003493454320000041
—对节点vi的邻居聚合后的结果向量，
concat(·)—拼接函数；
W—可学习的权重参数矩阵；
σ(·)—Relu激活函数。
优选的，采用均值聚合函数、LSTM以及池化聚合对所述聚合公式进求 解；
所述均值聚合函数为：
Figure BDA0003493454320000042
Mean用于求向量平均值；
Figure BDA0003493454320000043
为第l层节点u、v的特征向量。
所述LSTM聚合器的函数为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003493454320000044
Figure RE-GDA0003631184870000046
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot⊙tanh(Ct)
ft＝σ(Wf·[ht-1,xt]+bf)
ht—上一时刻传出的隐藏状态值；
xt—本次新的输入向量；
Figure BDA0003493454320000047
—序列状态向量；
ft—遗忘门参数；
ot—输出门参数；
所述池化聚合计算公式如下：
Figure BDA0003493454320000048
Wpool—系数矩阵；
Figure BDA0003493454320000051
—第l层节点u的特征向量；
b—偏置值；
优选的，所述输出层获取边特征向量并提取输出向量以对配电网故障 区段定位的步骤包括包括：
获取边特征向量并对所述边特征向量极性全连接；
采用如下公式：
Figure BDA0003493454320000052
O(E)—图中所有边的特征向量的集合；
Wi,j—对应各特征向量的参数矩阵，
y—最分类任务的输出向量；
Figure BDA0003493454320000053
X—输入向量；
xi—向量X中的各个元素；
yi—输出向量y的对应元素。
另一方面，本发明提供了一种基于图卷积神经网络的配电网故障区段 定位装置，包括：
模型构建模块：用于获取配电网络特征模型G＝(V,E)，并构建配电网 定位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层， 所述配电网络特征模型G＝(V,E)中，V主要为负荷节点以及分布式电源节点， E为配电线路与开关；
节点特征数据获取模块：用于基于配电网络特征模型G＝(V,E)中的获取 所述配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至 节点V特征向量Nv上以获取节点特征数据；
节点特征数据传递模块：用于将所述节点特征数据传输至隐藏层；
边特征向量获取模块：用于在所述隐藏层中采用GraphSAGE算法进行 聚合并输出边特征向量；
故障定位模块：用于所述输出层获取边特征向量并提取输出向量以对 配电网故障区段定位。
本发明实施例带来了以下有益效果：本发明提供了一种基于图卷积神 经网络的配电网故障区段定位方法及装置，涉及电网故障定位的技术领域， 包括：获取配电网络特征模型G＝(V,E)，并构建配电网定位网络模型，配 电网定位网络模型包括输入层、隐藏层以及输出层，配电网络特征模型 G＝(V,E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与开关； 基于配电网络特征模型G＝(V,E)中的获取配电网络节点V，并将所有节点V 的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取节点特征数 据；将节点特征数据传输至隐藏层；在隐藏层中采用GraphSAGE算法进行 聚合并输出边特征向量；输出层获取边特征向量并提取输出向量。通过本发 明可以提高对于配电网中带有拓扑图结构的数据应用效果，缓解现有技术 中神经网络算法在网络特征传递过程中不利于分辨大量输入数据之间的内 在联系的技术问题，充分利用配电网的电气量信息。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说 明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优 点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施 例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，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 他的附图。
图1为本发明实施例提供的一种基于图卷积神经网络的配电网故障区 段定位方法流程图；
图2为本发明实施例提供的一种基于图卷积神经网络的配电网故障区 段定位方法输入层示意图；
图3为本发明实施例提供的一种基于图卷积神经网络的配电网故障区 段定位方法LSTM聚合器
图4为本发明实施例提供的一种基于图卷积神经网络的配电网故障区 段定位方法卷积神经网络特征传递图；
图5为本发明实施例提供的一种基于图卷积神经网络的配电网故障区 段定位方法输出层示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图 对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发 明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术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，都属 于本发明保护的范围。
目前，现有传统故障区段定位算法都应用于分支较少的配电网中，在面 对分支较多的复杂配电网时定位容易出错，配电网中大量接入的分布式电 源对故障状态的影响较大，以及出现部分故障位于分支节点处加大了区段 定位的难度，传统故障区段定位算法的使用受到一定的制约。人工智能深度 学习在各领域都展现出强大能力，但其只适用于欧式空间中的规则图像数 据，对于配电网中带有拓扑图结构的数据应用效果较差，基于此，本发明实 施例提供的一种基于图卷积神经网络的配电网故障区段定位方法及装置， 可以提高对于配电网中带有拓扑图结构的数据应用效果，缓解现有技术中 神经网络算法在网络特征传递过程中不利于分辨大量输入数据之间的内在 联系的技术问题，充分利用配电网的电气量信息。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于 图卷积神经网络的配电网故障区段定位方法进行详细介绍。
实施例一：
本发明提供了一种基于图卷积神经网络的配电网故障区段定位方法， 包括：
获取配电网络特征模型G＝(V,E)，并构建配电网定位网络模型，所述 配电网定位网络模型包括输入层、隐藏层以及输出层；
进一步的，配电网的节点V主要为负荷节点以及分布式电源节点，终 端所上传的故障电气量数据信息有三相分别产生/消耗的有功/无功功率信 息，三相的电压幅值、相角等信息，以及中性点电位信息，但是由于有些节 点为角形连接的方式，可能并不实际存在中性点，也无法获得中性点电位信 息，且量测装置可能不具备量测中性点电压功能。在接地故障时，为了能够 体现三相电压以及中性点电位的关系，可以将三相电压分解为正序、负序、 零序电压与相角作为输入，由于接地点故障处负序、零序电压较高，三序电 压更有利于配电网故障的定位；
配电网的边E主要为配电线路与开关，线路固有参数有三相线路阻抗 以及线路长度等数据，但由于其为定值，不会随配电网状态变化而变化，故 作为图神经网络的输入意义不大；电气量信息有线路流过FTU终端的三相 电流数据，以及通过的三相功率数据，由于许多配电网的FTU可能并不具 备实上传电流、功率数据的能力，或者其线路电流数据信息在故障时会无法 上传，因此可能也无法获得故障时的线路电流与功率数据；在配电网出现故 障时，往往会通过较大的故障电流，FTU通常会上传故障过电流报警信息， 在单辐射配电网中有：状态0，正常；状态1，通过正方向的故障过电流。 在含有分布式电源的配电网中，还会有状态-1，代表通过反方向的故障过电 流；
基于配电网络特征模型G＝(V,E)中的获取所述配电网络节点V，并将所 有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取 节点特征数据；
进一步的，采用如下步骤将节点v与其邻居之间的所有边的特征数据 转换并合并至节点v特征向量NV上：
1)根据边的特征向量维度de，为每条边构造一个单层全连接神经网络， 每个神经网络都为de个输入，de个输出，并添加偏置；
2)将每条边的边特征数据输入与该边相对应的神经网络中，得到同样 维度的输出值；
3)将所有边的神经网络输出向量求和，得到同样维度的和向量ESUM；
4)将节点向量NV与边求和向量ESUM通过Concat(NV,ESUM)操作合并 为新的向量作为输出NV′。
将所述节点特征数据传输至隐藏层；
在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量；
所述输出层获取边特征向量并提取输出向量。
优选的，在配电网大多数的节点都支路组的中间节点，其度值均为2， 个别节点的度也最多3到5，对少数邻居的采样反而可能引起数据重复或丢 失，因此本文不推荐在配电网相关问题中应用近邻采样。聚合函数定义了邻 居节点对目标节点的影响方式，可以类比成频域图卷积中设计卷积核来提 取目标节点的局部信息，增强了模型的泛化能力
进一步的，所述在所述隐藏层中采用GraphSAGE算法进行聚合并输出 边特征向量的步骤包括：
节点vi在l+1层的节点特征
Figure BDA0003493454320000101
聚合公式为：
Figure BDA0003493454320000102
Figure BDA0003493454320000103
N(vi)—邻居节点集合；
Figure BDA0003493454320000104
—第l层中节点vj的节点特征向量；
aggregatel+1(·)为第l+1层的可学习的聚合函数，
Figure BDA0003493454320000105
—对节点vi的邻居聚合后的结果向量，
concat(·)—拼接函数；
W—可学习的权重参数矩阵；
σ(·)—Relu激活函数。
在本发明提供的实施例中，采用均值聚合函数、LSTM以及池化聚合对 所述聚合公式进求解；
均值聚合函数对自身以及邻居节点特征值取平均再经过全连接层，是 频域卷积GCN方法的一个线性的近似表达，在物理上形成了一个类似于跳 跃连接的效果，它使得模型获得了巨大的提升；
所述均值聚合函数为：
Figure BDA0003493454320000106
与均值聚合器相比，LSTM聚合器有更强的表达能力，可以学习到更 多输入的分布特征，相关节点输入复杂的聚合器长短时记忆网络，并把输 出作为聚合结果，LSTM聚合器如图3所示：
所述LSTM聚合器的函数为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003493454320000111
Figure RE-GDA0003631184870000112
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot⊙tanh(Ct)
ft＝σ(Wf·[ht-1,xt]+bf)
ht—上一时刻传出的隐藏状态值；
xt—本次新的输入向量；
Figure BDA0003493454320000114
—序列状态向量；
ft—遗忘门参数；
ot—输出门参数；
所述池化聚合计算公式如下：
Figure BDA0003493454320000115
Wpool—系数矩阵；
Figure BDA0003493454320000116
—第l层节点u的特征向量；
b—偏置值；
配电网故障定位目的是找到发生故障的线路，这就要求图卷积神经网 络在配电网单一故障定位任务时应输出故障线路的标签。因此，配电网故障 定位任务本质上是边的分类任务，而非节点分类任务。隐藏层的传递所采用 的GraphSAGE算法是节点特征向量的逐层传递，其最终输出也为节点的特 征向量，计算公式为：
E1，2＝σ(W1,2·Concat(V1,V2))
其中V1、V2为边(v1,v2)两端点的节点特征向量，由隐藏层传入，E1,2为经过处理输出的边(v1,v2)的特征向量，其计算公式为：
优选的，所述输出层获取聚合结果并提取输出向量的步骤包括：
获取边特征向量并对所述边特征向量极性全连接；
在此引入softmax作为激活函数已提取输出向量，
采用如下公式：
Figure BDA0003493454320000121
O(E)—图中所有边的特征向量的集合；
Wi,j—对应各特征向量的参数矩阵，
y—最分类任务的输出向量；
进一步的，softmax的计算公式为：
Figure BDA0003493454320000122
X—输入向量；
xi—向量X中的各个元素；
yi—输出向量y的对应元素。
全连接层的输出数量即为配电网故障识别任务的分类数量，即配电网 中线路的数量，经过softmax函数，输出向量中的各个值代表了对应线路故 障的概率，所有值的总和为1。
执行分类任务时的标签数据T为one-hot编码方式，损失函数采用交叉 熵误差进行计算，其公式为：
Figure BDA0003493454320000123
其中解标签ti∈T。
在本发明提供的实施例中，还需要对所述构建配电网定位网络模型进 行训练，具体包括：
获取标签数据：所述标签数据为故障配电网的电气信息数据，所述故障 配电网的电气信息数据包括线路电流值、线路功率以及节点的电压，标签量 为故障所在位置；
将获取的标签数据输入至配电网定位网络模型中，基于输出结果与所 述标签量获取损失函数的值，基于损失函数的值对所述配电网定位网络模 型的参数进行更新。
在本发明提供的实施例中是基于有标签数据进行训练的，有标签数据 为大量故障配电网的电气信息数据，主要为各线路电流、功率以及节点的电 压，标签量为故障所在位置，将一批配电网电气数据作为输入，经过图卷积 神经网络逐层特征提取后输出，再利用输出结果与标签量计算本批次训练 数据的损失函数，最后根据损失函数的值，采用误差反向传递的方式对神经 网络参数进行更新。至此则完成了一批训练数据的训练，而模型最终训练成 熟需要大量数据，则分批依次进行训练。
模型训练完毕后，则可以用这一模型对配电网故障进行定位，应用时则 将未知故障地点的配电网电气数据作为输入，节点与边特征值经过训练好 的图卷积神经网络传递后，将输出最终的分类结果，该结果即为本模型分析 得到的配电网故障点所在位置。
实施例二：
本发明实施例二提供了一种基于图卷积神经网络的配电网故障区段定 位装置，包括：
模型构建模块：用于获取配电网络特征模型G＝(V,E)，并构建配电网 定位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层， 所述配电网络特征模型G＝(V,E)中，V主要为负荷节点以及分布式电源节点， E为配电线路与开关；
节点特征数据获取模块：用于基于配电网络特征模型G＝(V,E)中的获取 所述配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至 节点V特征向量Nv上以获取节点特征数据；
节点特征数据传递模块：用于将所述节点特征数据传输至隐藏层；
边特征向量获取模块：用于在所述隐藏层中采用GraphSAGE算法进行 聚合并输出边特征向量；
故障定位模块：用于所述输出层获取边特征向量并提取输出向量以对 配电网故障区段定位。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描 述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程， 在此不再赘述。
另外，在本发明实施例的描述中，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，也可以是可 拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接 相连，也可以通过中间媒介间接相连，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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、 “右”、“竖直”、“水平”、“内”、“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”、“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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以 说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此， 尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其 依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或 者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使 相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖 在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保 护范围为准。

Claims (11)

1.一种基于图卷积神经网络的配电网故障区段定位方法，其特征在于，具体包括如下步骤：
S1：获取配电网络特征模型G＝(V，E)，并构建配电网定位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层，所述配电网络特征模型G＝(V，E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与开关。
2.根据权利要求1所述的方法，其特征在于，所述S1：获取配电网络特征模型G＝(V，E)，并构建配电网定位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层，所述配电网络特征模型G＝(V，E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与开关的步骤之后，所述方法包括：
S2基于配电网络特征模型G＝(V，E)中的获取所述配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取节点特征数据。
3.根据权利要求1所述的方法，其特征在于，所述S2基于配电网络特征模型G＝(V，E)中的获取所述配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取节点特征数据步骤之后，所述方法包括：
S3：将所述节点特征数据传输至隐藏层。
4.根据权利要求1所述的方法，其特征在于，所述S3：将所述节点特征数据传输至隐藏层的步骤之后，所述方法包括：
S4：在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量。
5.根据权利要求1所述的方法，其特征在于，所述S4：在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量的步骤之后，所述方法还包括：
S5：所述输出层获取边特征向量并提取输出向量以对配电网故障区段定位。
6.根据权利要求4所述的方法，其特征在于，所述在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量的步骤包括：
节点vi在l+1层的节点特征
Figure RE-FDA0003631184860000021
聚合公式为：
Figure RE-FDA0003631184860000022
Figure RE-FDA0003631184860000023
N(vi)-邻居节点集合；
Figure RE-FDA0003631184860000024
-第l层中节点vj的节点特征向量；
aggregatel+1(·)为第l+1层的可学习的聚合函数，
Figure RE-FDA0003631184860000025
-对节点vi的邻居聚合后的结果向量，
concat(·)-拼接函数；
W-可学习的权重参数矩阵；
σ(·)-Relu激活函数。
7.根据权利要求6所述的方法，其特征在于，采用均值聚合函数、LSTM以及池化聚合对所述聚合公式进求解；
所述均值聚合函数为：
Figure RE-FDA0003631184860000031
Mean用于求向量平均值；
Figure RE-FDA0003631184860000032
为第l层节点u、v的特征向量。
所述LSTM聚合器的函数为：
it＝σ(Wi·[ht-1，xt]+bi)
Figure RE-FDA0003631184860000033
Figure RE-FDA0003631184860000034
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot⊙tanh(Ct)
ft＝σ(Wf·[ht-1，xt]+bf)
ht-上一时刻传出的隐藏状态值；
xt-本次新的输入向量；
Figure RE-FDA0003631184860000035
-序列状态向量；
ft-遗忘门参数；
ot-输出门参数；
所述池化聚合计算公式如下：
Figure RE-FDA0003631184860000036
Wpool-系数矩阵；
Figure RE-FDA0003631184860000037
-第l层节点u的特征向量；
b-偏置值。
8.根据权利要求5所述的方法，其特征在于，所述输出层获取边特征向量并提取输出向量以对配电网故障区段定位的步骤包括包括：
获取边特征向量并对所述边特征向量极性全连接；
采用如下公式：
Figure RE-FDA0003631184860000041
O(E)-图中所有边的特征向量的集合；
Wi，j-对应各特征向量的参数矩阵，
y-最分类任务的输出向量；
Figure RE-FDA0003631184860000042
X-输入向量；
xi-向量X中的各个元素；
yi-输出向量y的对应元素。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述构建配电网定位网络模型进行训练，所述对所述构建配电网定位网络模型进行训练的步骤包括：
获取标签数据：所述标签数据为故障配电网的电气信息数据，所述故障配电网的电气信息数据包括线路电流值、线路功率以及节点的电压，标签量为故障所在位置。
10.根据权利要求1所述的方法，所述获取标签数据的步骤之后，所述步骤还包括：
将获取的标签数据输入至配电网定位网络模型中，基于输出结果与所述标签量获取损失函数的值，基于损失函数的值对所述配电网定位网络模型的参数进行更新。
11.一种基于图卷积神经网络的配电网故障区段定位装置，其特征在于，包括：
模型构建模块：用于获取配电网络特征模型G＝(V，E)，并构建配电网定位网络模型，所述配电网定位网络模型包括输入层、隐藏层以及输出层，所述配电网络特征模型G＝(V，E)中，V主要为负荷节点以及分布式电源节点，E为配电线路与开关；
节点特征数据获取模块：用于基于配电网络特征模型G＝(V，E)中的获取所述配电网络节点V，并将所有节点V的邻边E的特征数据转换后合并至节点V特征向量Nv上以获取节点特征数据；
节点特征数据传递模块：用于将所述节点特征数据传输至隐藏层；
边特征向量获取模块：用于在所述隐藏层中采用GraphSAGE算法进行聚合并输出边特征向量；
故障定位模块：用于所述输出层获取边特征向量并提取输出向量以对配电网故障区段定位。
CN202210105777.9A 2022-01-28 2022-01-28 基于图卷积神经网络的配电网故障区段定位方法及装置 Pending CN114646839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210105777.9A CN114646839A (zh) 2022-01-28 2022-01-28 基于图卷积神经网络的配电网故障区段定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210105777.9A CN114646839A (zh) 2022-01-28 2022-01-28 基于图卷积神经网络的配电网故障区段定位方法及装置

Publications (1)

Publication Number Publication Date
CN114646839A true CN114646839A (zh) 2022-06-21

Family

ID=81993764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210105777.9A Pending CN114646839A (zh) 2022-01-28 2022-01-28 基于图卷积神经网络的配电网故障区段定位方法及装置

Country Status (1)

Country Link
CN (1) CN114646839A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166415A (zh) * 2022-06-27 2022-10-11 山东华科信息技术有限公司 一种自适应图卷积神经网络的配电网故障诊断方法及系统
CN115242679A (zh) * 2022-07-30 2022-10-25 北京理工大学 一种通信网络中节点宕机的检测方法
CN115879510A (zh) * 2022-11-30 2023-03-31 国网四川省电力公司电力科学研究院 一种不完全信息的配电网高容错故障研判方法
CN115905546A (zh) * 2023-01-06 2023-04-04 之江实验室 基于阻变存储器的图卷积网络文献识别装置与方法
CN116381406A (zh) * 2023-03-16 2023-07-04 武汉船舶职业技术学院 船舶电网故障定位方法、装置、设备及可读存储介质
CN116381406B (zh) * 2023-03-16 2024-06-04 武汉船舶职业技术学院 船舶电网故障定位方法、装置、设备及可读存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115166415A (zh) * 2022-06-27 2022-10-11 山东华科信息技术有限公司 一种自适应图卷积神经网络的配电网故障诊断方法及系统
CN115242679A (zh) * 2022-07-30 2022-10-25 北京理工大学 一种通信网络中节点宕机的检测方法
CN115879510A (zh) * 2022-11-30 2023-03-31 国网四川省电力公司电力科学研究院 一种不完全信息的配电网高容错故障研判方法
CN115879510B (zh) * 2022-11-30 2023-09-26 国网四川省电力公司电力科学研究院 一种不完全信息的配电网高容错故障研判方法
CN115905546A (zh) * 2023-01-06 2023-04-04 之江实验室 基于阻变存储器的图卷积网络文献识别装置与方法
CN116381406A (zh) * 2023-03-16 2023-07-04 武汉船舶职业技术学院 船舶电网故障定位方法、装置、设备及可读存储介质
CN116381406B (zh) * 2023-03-16 2024-06-04 武汉船舶职业技术学院 船舶电网故障定位方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN114646839A (zh) 基于图卷积神经网络的配电网故障区段定位方法及装置
Owerko et al. Optimal power flow using graph neural networks
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
Ali et al. Load forecasting through estimated parametrized based fuzzy inference system in smart grids
Zhao et al. Full-scale distribution system topology identification using Markov random field
Li et al. An integrated missing-data tolerant model for probabilistic PV power generation forecasting
Narayanaswamy et al. Connection topology optimization in photovoltaic arrays using neural networks
CN111880044A (zh) 一种含分布式电源配电网在线故障定位方法
Zhao et al. Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration
Hajji et al. Fault detection and diagnosis in grid-connected PV systems under irradiance variations
Huang et al. Resilient power network structure for stable operation of energy systems: A transfer learning approach
CN116484740A (zh) 一种基于挖掘电网空间拓扑特征的线路参数辨识方法
Yu et al. Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems
Zhang et al. Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet
CN116401610A (zh) 基于深度残差网络和联合分布的逆变器参数故障诊断方法
CN116248472A (zh) 基于神经霍克斯过程的云边端系统故障预测方法
CN116401572A (zh) 一种基于cnn-lstm的输电线路故障诊断方法及系统
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
El-Sharkawi et al. Development of genetic algorithm embedded Kohonen neural network for dynamic security assessment
Dutta et al. Machine Learning‐Based Intelligent Power Systems
CN104598919A (zh) 用于相似度智能匹配的模糊识别器及方法
CN116979532B (zh) 一种电力系统动态状态估计可观性评估方法和系统
CN115879510B (zh) 一种不完全信息的配电网高容错故障研判方法
CN115935262B (zh) 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质
Zaben et al. Machine Learning Methods for Fault Diagnosis in AC Microgrids: A Systematic Review

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