CN114779015A - 基于超分辨率和图神经网络的配电网故障诊断与定位方法 - Google Patents

Abstract

本发明涉及配电网故障诊断与定位技术，旨在提供一种基于超分辨率和图神经网络的配电网故障诊断与定位方法。包括：采集配电网中关键节点的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；利用该数据估值再继续使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。本发明将图神经网络应用到配电网故障诊断和定位领域，提高了配电网故障诊断和定位的有效性和准确性，能够提高配电网的运行稳定性和可靠性；本发明将超分辨率技术用于故障诊断定位前的配电网特征重构，有效减少了配电网智能采集设备的部署，大幅降低了配电网的建设成本。

Description

基于超分辨率和图神经网络的配电网故障诊断与定位方法

技术领域

本发明涉及配电网故障诊断与定位技术，具体涉及一种基于超分辨率和图神经网络的配电网故障诊断与定位方法。

背景技术

配电网的可靠性是保证用户供电安全稳定的关键。为了提高其的可靠性，系统运行人员必须及时处理故障。因此，如何在故障发生后立即对故障进行准确、快速的定位和清除尤为重要。而为便于操作员正确清除故障，准确地对故障进行分类也同样关键。

近年来，越来越多的分布式电源接入配电网，对传统的故障诊断和定位方法提出了挑战。随着人工智能技术的兴起，越来越多基于人工智能的方法被提出用于配电网故障诊断与定位，这些方法削弱了负荷变化的影响，避免了高频信号的注入，在该领域取得了一定成果。但这些基于人工智能的新方法大多是基于智能设备辅助的广域测量，将其用于智能采集设备部署的经济成本较高。并且，由于模型较为简单，很多基于传统机器学习模型方法的性能也不够好。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于超分辨率和图神经网络的配电网故障诊断与定位方法

为解决技术问题，本发明的解决方案是：

提供一种基于超分辨率和图神经网络的配电网故障诊断与定位方法，包括以下步骤：

(1)基于微型相量测量装置(μPMU)采集配电网中关键节点的故障特征数据；所述关键节点是指直接与外部电网和分布式电源连接的节点，或者是与至少三个其他节点直接相连的节点；

(2)基于采集到的故障特征数据，使用基于图卷积网络(GCN)的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；

(3)基于故障状态下的配电网全节点特征数据估值，使用基于图注意力网络(GAT)的故障诊断与定位模型得到配电网故障类型与故障节点位置。

作为本发明的优先方案，所述步骤(2)具体包括：

(2.1)获取配电网故障状态下的关键节点和全节点的特征数据，作为超分辨率模型训练的输入输出样本；

(2.2)搭建基于图卷积网络的超分辨率模型；

(2.3)使用梯度下降算法迭代训练模型，直到损失收敛；

(2.4)将配电网故障状态下的关键节点信息输入训练好的模型，得到配电网的全节点特征数据估值。

作为本发明的优先方案，所述步骤(3)具体包括：

(3.1)将配电网故障类型与位置标签和步骤(2)得到的故障状态下配电网全节点特征数据估值作为模型训练的输出和输入样本；

(3.2)搭建基于图注意力网络的故障诊断与定位模型，用于实现故障诊断和故障节点定位这两个功能；

(3.3)利用输入输出样本，分别就故障诊断和不同故障类型下的故障节点定位这两部分内容对模型进行训练；

(3.4)将故障状态下的配电网全节点特征数据估值输入训练好的故障诊断与定位模型，进行故障诊断后得到配电网故障类型；

(3.5)根据得到的故障类型，将故障状态下的配电网全节点特征数据估值再次输入故障诊断与定位模型，进行相应的故障节点定位，得到配电网故障节点位置。

与现有技术相比，本发明的有益效果是：

1、本发明将图神经网络应用到配电网故障诊断和定位领域，由于配电网拓扑就是图拓扑结构，基于图神经网络的方法十分契合该领域，本发明提高了配电网故障诊断和定位的有效性和准确性，能够提高配电网的运行稳定性和可靠性。

2、本发明将超分辨率技术引入到配电网故障诊断和定位领域，用于故障诊断定位前的配电网特征重构，使得本发明不同于现有大多数的人工智能方法需要进行配电网全节点的广域测量，仅需在一些关键节点安装智能采集设备，有效减少了配电网智能采集设备的部署，大幅降低了配电网的建设成本。

附图说明

图1为本发明实现的简易流程图；

图2为IEEE37节点系统拓扑图；

图3为基于图卷积网络(GCN)的超分辨率模型结构图；

图4为基于图注意力网络(GAT)的故障诊断与定位统一模型结构图；

图5为故障诊断与定位流程图。

具体实施方式

首先需要说明的是，本发明涉及大数据和机器学习技术，是计算机技术在工业控制技术领域的一种应用。在本发明的实现过程中，会涉及到多个软件功能模块的应用。申请人认为，如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的软件编程技能实现本发明。前述软件功能模块包括但不限于：基于图卷积网络的超分辨率模型、基于图注意力网络的故障诊断与定位模型等，凡本发明申请文件提及的均属此范畴，申请人不再一一列举。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统的一部分及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合附图和具体实施方式对本发明作进一步的说明。示例的实施场景为IEEE37节点系统，系统故障数据均由OpenDSS软件进行模拟仿真生成。

本发明实施流程为：首先根据配电网关键节点特征数据，由基于图卷积网络(GCN)的超分辨率模型对全节点特征数据进行重构；基于重构得的配电网全节点特征数据估值，由故障诊断与定位模型首先判断其故障类型，再根据故障类型将全节点特征数据估值输入到故障诊断与定位模型中，获得对应的故障节点定位，所用的故障诊断和定位模型为基于图注意力网络(GAT)的统一模型。

实施例的具体步骤如下：

步骤1：在OpenDSS软件中搭建IEEE37节点系统模型，其拓扑结构如图2所示，根据关键节点的定义，关键节点数据测量来自安装在702、703、704、705、707、708、709、710、711、720、734、744、799节点上的μPMU。基于OpenDSS软件对IEEE37节点系统中所有节点进行故障模拟，默认故障电阻为10欧姆，负载级别在0.3和1之间随机选择。在故障期间测量电压、电流相量和功率，获得了用于特征重构和故障诊断定位的训练数据集和测试数据集。

本实施例以软件中搭建模型的方式进行故障模拟。在实际配电网运行环境中，是采用微型相量测量装置(μPMU)来采集配电网中关键节点的故障特征数据的。微型相量测量装置属现有技术，本发明不作特别要求；具体的数据采集方式属于本领域技术人员熟练掌握的技能，本发明也不再赘述。

定义故障类型包括单相接地故障(SLG)、两相短路故障(LL)和两相接地故障(LLG)三种，为每个节点上的每种故障类型和无故障类型分别生成50个数据样本。因此，整个数据集包含7400个数据样本，将其分为80％的训练集和20％的测试集。

步骤2：基于训练数据集分别搭建和训练基于图卷积网络(GCN)的超分辨率模型和基于图注意力网络(GAT)的故障诊断与定位模型。

步骤2.1：搭建并训练基于图卷积网络(GCN)的超分辨率模型，具体如下：

(1)搭建基于图卷积网络(GCN)的超分辨率模型，结构如图3所示，具体方法如下：

采用基于图卷积网络(GCN)的超分辨率模型进行配电网特征重构，其输入为包含配电网关键节点特征信息的输入矩阵X与配电网拓扑邻接矩阵A，表示为：

Input＝(X，A)

式中，X是由每个节点i的特征x_i组成的N×F维矩阵，N为节点数量，F为特征数量，其中关键节点的特征x_i由真实的测量数据填充，非关键节点的特征x_i由与其最接近的关键节点的特征填充；

超分辨率模型的输出标签为N×F维矩阵Y，由每个节点i的真实特征数据测量y_i组成；

(2)超分辨率模型由两个图卷积层和一个全连接层组成，每个图卷积层的表达式如下：

式中，H^(l+1)和H^(l)表示第l+1和第l个图卷积层的输出；

为权重矩阵，其中F_h为图卷积层输出维数；A为配电网拓扑的邻接矩阵；A＝A+I，I是单位矩阵；D是A的度矩阵；σ(.)是激活函数；

定义

则全连接层的输出表示为：

Z_i＝W^fσ(Aσ(AX_iW⁽¹⁾)W⁽²⁾)+b^f

式中，

和

分别为全连接层的权重矩阵和偏置矩阵；X_i为第i个节点的特征矩阵；W⁽¹⁾和W⁽²⁾分别为第1个和第2个图卷积层的权重矩阵；

上述激活函数σ(.)均采用LeakyReLU函数，其表达式如下：

σ(x)＝LeakyReLU(x，β)＝max(0，x)+β×min(0，x)

式中x为函数输入；

超分辨率模型将采用监督方式训练，其损失函数由均方误差(MSE)和Kullback-Leibler散度损失(KLDivLoss)组成，表达式如下：

式中，L表示损失值，y_i为每个节点i的真实特征数据测量；z_i为每个节点i的模型输出特征；N为节点数量。

(3)利用训练数据集中配电网故障状态下的关键节点特征数据和全节点特征数据，将其作为模型训练的输入输出样本；

(4)使用梯度下降算法迭代训练超分辨率模型，直到损失收敛。

步骤2.2：搭建并训练基于图注意力网络(GAT)的故障诊断与定位模型，具体如下：

(1)搭建基于图注意力网络(GAT)的故障诊断与定位统一模型，用于实现故障诊断和故障节点定位这两个功能。模型的结构如图4所示，搭建具体方法如下：

采用基于图注意力网络(GAT)的模型进行故障诊断与定位，其输入为由配电网故障状态下全节点特征数据估值组成的输入矩阵X与配电网拓扑邻接矩阵A，表示为：

Input＝(X，A)

式中，X是由每个节点i的特征估值x_i组成的F×N维矩阵，N为节点数量，F为特征数量；

模型的输出标签包含两个部分，分别为故障类型标签Yc和故障位置标签Yl；

(2)所述故障诊断与定位模型是一个统一模型，能实现故障诊断和故障节点定位这两个功能的统一模型，各功能单元均两个图注意力层和一个全连接层组成，仅模型输出维度不同，每个图注意力层的表达式如下：

式中，h′表示全部节点的图注意力层的输出，

表示第i个节点的图注意力层的输出，||表示矩阵拼接；

为归一化的注意力系数，由第k个注意机制计算；

为相应的权重矩阵；

是节点i的全部邻居节点的集合；K是注意机制中头的数量；σ(.)是激活函数LeakyReLU；N为节点数量；

上述注意力机制为一个由权重向量

参数化的单层前馈神经网络，其表达式为：

式中，

为权重矩阵；soft max(.)为归一化指数函数；exp(.)为e为底的指数函数；

表示第i个节点的图注意力层的输出；

表示注意力机制网络的权重向量；

全连接层的输出(即故障诊断和定位模型的输出)由下式计算获得：

式中，

和

分别为第1个和第2个图形注意层的第i个节点的特征输出；σ(.)是激活函数；K₁和K₂分别是第1个和第2个图形注意层中注意机制中头的数量；

为第j个节点的特征输入；

和

分别为第1个和第2个图形注意层的归一化注意力系数；

和

分别为第1个和第2个图形注意层的权重矩阵，其中F_h为图注意层的输出维数；Z是全连接层的输出；N为节点数量；

和

为全连接层的权重矩阵和偏置矩阵，其中N_o为全连接层的输出维数；

(3)故障诊断与定位模型将采用监督方式训练，其损失函数采用交叉熵损失，表达式如下：

式中，onehot(.)表示独热向量化函数，L为损失值，y_i为故障类型或位置标签，z_i为故障诊断和定位模型的输出。

(4)将全节点特征数据估值与训练数据集中对应的配电网故障类型标签作为模型训练的输入输出样本，使用梯度下降算法迭代训练模型，直到损失收敛；

(5)将全节点特征数据估值与训练数据集中对应的配电网故障位置标签作为模型训练的输入输出样本，分别针对不同故障类型下的故障定位对模型进行训练，使用梯度下降算法迭代训练，直到损失收敛。

步骤3：获取测试数据集中配电网故障状态下的关键节点特征数据，输入到步骤2.1中训练完成的超分辨率模型，得到重构的配电网故障状态下全节点特征数据估值。

步骤4：根据图5所示故障诊断与定位流程，将得到的配电网故障状态下全节点特征数据估值输入到步骤2.2中训练完成的故障诊断与定位模型中，得到配电网故障类型。然后根据故障类型，将全节点特征数据估值再次输入故障诊断与定位模型中，进行相应的故障节点定位，即可得到准确的配电网故障节点位置。

Claims (5)

1.一种基于超分辨率和图神经网络的配电网故障诊断与定位方法，其特征在于，包括以下步骤：

(1)基于微型相量测量装置采集配电网中关键节点的故障特征数据；所述关键节点是指直接与外部电网和分布式电源连接的节点，或者是与至少三个其他节点直接相连的节点；

(2)基于采集到的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；

(3)基于故障状态下的配电网全节点特征数据估值，使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。

2.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：

(2.1)获取配电网故障状态下的关键节点和全节点的特征数据，作为超分辨率模型训练的输入输出样本；

(2.2)搭建基于图卷积网络的超分辨率模型；

(2.3)使用梯度下降算法迭代训练模型，直到损失收敛；

(2.4)将配电网故障状态下的关键节点信息输入训练好的模型，得到配电网的全节点特征数据估值。

3.根据权利要求2所述方法，其特征在于，所述步骤(2.2)具体包括：

(2.2.1)以包含配电网关键节点特征信息的输入矩阵X与配电网拓扑邻接矩阵A作为所述超分辨率模型的输入，表示为：

Input＝(X，A)

式中，X是由每个节点i的特征x_i组成的N×F维矩阵，N为节点数量，F为特征数量，其中关键节点的特征x_i由真实的测量数据填充，非关键节点的特征x_i由与其最接近的关键节点的特征填充；

超分辨率模型的输出标签为N×F维矩阵Y，由每个节点i的真实特征数据测量y_i组成；

(2.2.2)超分辨率模型由两个图卷积层和一个全连接层组成，每个图卷积层的表达式如下：

式中，H^(l+1)和H^(l)表示第l+1和第l个图卷积层的输出；

为权重矩阵，其中F_h为图卷积层输出维数；A为配电网拓扑的邻接矩阵；A＝A+I，I是单位矩阵；D是A的度矩阵；σ(.)是激活函数；

定义

则全连接层的输出表示为：

Z_i＝W^fσ(Aσ(AX_iW⁽¹⁾)W⁽²⁾)+b^f

式中，

和

分别为全连接层的权重矩阵和偏置矩阵；X_i为第i个节点的特征矩阵；W⁽¹⁾和W⁽²⁾分别为第1个和第2个图卷积层的权重矩阵；

上述激活函数σ(.)均采用LeakyReLU函数，其表达式如下：

σ(x)＝LeakyReLU(x，β)＝max(0，x)+β×min(0，x)

式中x为函数输入；

(2.2.3)所述超分辨率模型将采用监督方式训练，其损失函数由均方误差和Kullback-Leibler散度损失组成，表达式如下：

式中，L表示损失值，y_i为每个节点i的真实特征数据测量；z_i为每个节点i的模型输出特征；N为节点数量。

4.根据权利要求书1所述的方法，其特征在于，所述步骤(3)具体包括：

(3.1)将配电网故障类型与位置标签和步骤(2)得到的故障状态下配电网全节点特征数据估值作为模型训练的输出和输入样本；

(3.2)搭建基于图注意力网络的故障诊断与定位模型，用于实现故障诊断和故障节点定位这两个功能；

(3.3)利用输入输出样本，分别就故障诊断和不同故障类型下的故障节点定位这两部分内容对模型进行训练；

(3.4)将故障状态下的配电网全节点特征数据估值输入训练好的故障诊断与定位模型，进行故障诊断后得到配电网故障类型；

(3.5)根据得到的故障类型，将故障状态下的配电网全节点特征数据估值再次输入故障诊断与定位模型，进行相应的故障节点定位，得到配电网故障节点位置。

5.根据权利要求4所述方法，其特征在于，所述步骤(3.2)具体包括：

(3.2.1)以配电网故障状态下的全节点特征数据估值组成的输入矩阵X与配电网拓扑邻接矩阵A作为所述故障诊断与定位模型的输入，表示为：

Input＝(X，A)

式中，X是由每个节点i的特征估值x_i组成的F×N维矩阵，N为节点数量，F为特征数量；

模型的输出标签包含两个部分，分别为故障类型标签Yc和故障位置标签Yl；

(3.2.2)所述故障诊断与定位模型是一个能实现故障诊断和故障节点定位这两个功能的统一模型，各功能单元均由两个图注意力层和一个全连接层组成，仅模型输出维度不同，每个图注意力层的表达式如下：

式中，h′表示全部节点的图注意力层的输出，

表示第i个节点的图注意力层的输出，||表示矩阵拼接；

为归一化的注意力系数，由第k个注意机制计算；

为相应的权重矩阵；

是节点i的全部邻居节点的集合；K是注意机制中头的数量；σ(.)是激活函数LeakyReLU；N为节点数量；

上述注意力机制为一个由权重向量

参数化的单层前馈神经网络，其表达式为：

式中，

为权重矩阵；softmax(.)为归一化指数函数；exp(.)为e为底的指数函数；

表示第i个节点的图注意力层的输出；

表示注意力机制网络的权重向量；

(3.2.3)全连接层的输出由下式计算获得：

式中，

和

分别为第1个和第2个图形注意层的第i个节点的特征输出；σ(.)是激活函数；K₁和K₂分别是第1个和第2个图形注意层中注意机制中头的数量；

为第j个节点的特征输入；

和

分别为第1个和第2个图形注意层的归一化注意力系数；

和

分别为第1个和第2个图形注意层的权重矩阵，其中F_h为图注意层的输出维数；Z是全连接层的输出；N为节点数量；

和

为全连接层的权重矩阵和偏置矩阵，其中N_o为全连接层的输出维数；

(3.2.4)所述故障诊断与定位模型将采用监督方式训练，其损失函数采用交叉熵损失，表达式如下：

式中，onehot(.)表示独热向量化函数，L为损失值，y_i为故障类型或位置标签，z_i为故障诊断和定位模型的输出。

Images