CN115456109A - 电网故障元件辨识方法、系统、计算机设备及存储介质 - Google Patents
电网故障元件辨识方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115456109A CN115456109A CN202211214212.0A CN202211214212A CN115456109A CN 115456109 A CN115456109 A CN 115456109A CN 202211214212 A CN202211214212 A CN 202211214212A CN 115456109 A CN115456109 A CN 115456109A
- Authority
- CN
- China
- Prior art keywords
- node
- power grid
- fault
- fault element
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 231100000279 safety data Toxicity 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力自动化领域,公开了一种电网故障元件辨识方法、系统、计算机设备及存储介质,包括获取电网各节点的节点序号以及节点特征量,根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中节点状态标签根据节点与故障元件的物理距离分阶设置;根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。针对电网故障元件辨识准确率低的问题,将节点状态标签根据节点与故障元件的物理距离分阶设置的设计,从而可以利用这些高阶的故障节点分类结果来验证故障节点的判别,有效提高电网故障元件的辨识准确度,帮助电网调度运行人员进行故障辨识工作,提升故障处置的效率。
Description
技术领域
本发明属于电力自动化领域,涉及一种电网故障元件辨识方法、系统、计算机设备及存储介质。
背景技术
随着电网的互联程度越来越高,电网故障若处理不及时,越来越容易发展成连锁故障,故障的波及面大幅提升,给经济生产与社会发展带来严重危害。因此,电网发生故障时,需要及时对故障元件进行辨别并进行妥当处置。现有基于开关量的电网故障诊断模型,受限于保护或断路器的信息传递,当保护或断路器的信息不完备或者出现误动、拒动时,将对故障的辨识结果产生很大影响。而电气量信息相对于开关量来说具备天然的优势,其本身就蕴含着很丰富的电网运行状态信息。因此,通过电气量的信息挖掘,将其与电网的运行状态相关联,可有效提升故障元件的判别效率。
中国专利申请CN110398663A,公开了一种基于卷积神经网络的柔性直流电网故障识别方法。该方法包括:构建含有分支结构的卷积神经网络模型;仿真获取故障安全数据并训练模型与调整模型参数;保存训练验证中识别准确率高、损失函数小的模型结构与参数;设备故障检测识别启动判据,并启动故障识别程序,在采样信号检测点以2ms采样数据窗,采集实际工况线路正负极电压、电流;数据归一化处理,并通过模型识别实际故障类型。该方法充分利用2ms采样窗内信息,模型的分支结构实现多种不同量纲故障特征的综合利用,提高柔直电网区内外故障识别的准确度,提高耐过渡电阻能力,满足故障识别速动性、选择性、灵敏性的要求。同时,还有学者提出了一种基于图注意力网络的配电网故障定位方法。将配电网的电气节点和线路映射为图注意力网络中图的顶点和边,根据相邻顶点之间故障特征的相似度计算注意力系统,把顶点特征之间的相关性更好地融入到故障定位模型中,提高了故障定位模型对拓扑变化的适应能力。
但是,上述的现有方法中,基于开关量的故障辨识技术,受限于断路器和保护开关信号传递的准确性,容易出现误判和漏判。而基于电气量的故障辨识方法,如上面所提到的基于卷积神经网络的方法,忽略了网络节点间的连接关系,对于电网拓扑发生变化时,卷积网络的迁移适用性不强。而利用图神经网络进行故障定位的方法,只是单纯地利用了图注意力网络,或图卷积神经网络,虽然加入了对于网络节点间关联关系的表述机制,但是单一的网络结构,在数据噪声和数据缺失的条件下,故障辨识的准确性会大幅下降。综上,目前在电网故障辨识中,仍然存在电网故障定位准确率较低的问题。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种电网故障元件辨识方法、系统、计算机设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
本发明第一方面,提供一种电网故障元件辨识方法,包括:获取电网各节点的节点序号以及节点特征量;根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置;根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
可选的,所述节点特征量包括下述中的一种或几种:故障前电压的幅值与相角、故障后电压幅值与相角、电压幅值变化量、节点注入有功以及节点注入无功;所述节点状态标签包括:正常节点、故障节点以及一阶故障节点至T阶故障节点;其中,T为不小于2的整数。
可选的,所述故障元件定位图神经网络模型包括依次连接的图注意力神经网络层、第一图卷积神经网络层、ReLu激活层、第二图卷积神经网络层以及全连接层。
可选的,所述图注意力神经网络层通过下式计算节点i和节点i的邻居节点j之间的注意力权重eij:
eij=LeakyReLu(a[Whi||Whj])
其中,W为预设共享权重,LeakyReLu()为第一激活函数,hi为节点i的节点特征量,hj为节点i的邻居节点j的节点特征量。
并通过下式对注意力权重eij进行归一化:
其中,aij为注意力权重eij的归一化结果,Ni为节点i的邻居节点的集合。
以及通过下式融合邻居节点的信息,得到节点i的更新节点特征量hi':
其中,σ()为第二激活函数。
所述第一图卷积神经网络层、ReLu激活层以及第二图卷积神经网络层,通过下式对节点i的更新节点特征量hi'进行处理:
所述全连接层通过下式对第二图卷积神经网络层的输出进行处理:
可选的,所述故障元件定位图神经网络模型在训练时的损失函数为:
其中,Loss为损失函数值,t为训练样本数量,N为电网拓扑的节点集合,Yli为实际情况下第l个训练样本中节点i的节点状态标签,为利用故障元件定位图神经网络模型得到的第l个训练样本中节点i的节点状态标签。
可选的,所述根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签包括:根据电网各节点的节点序号以及节点特征量,组成电网的节点特征矩阵;获取电网的邻接矩阵和度矩阵;将电网的节点特征矩阵、邻接矩阵和度矩阵,输入预设的故障元件定位图神经网络模型中,得到电网内各节点的节点状态标签。
可选的,所述根据电网内各节点的节点状态标签,得到电网故障元件辨识结果包括:根据预设的分阶设置规则,验证各节点的节点状态标签;当各节点的节点状态标签验证通过时,将相邻两故障节点之间的元件辨识为电网故障元件。
本发明第二方面,提供一种电网故障元件辨识系统,包括:数据获取模块,用于获取电网各节点的节点序号以及节点特征量;调用模块,用于根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置;辨识模块,用于根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
本发明第三方面,提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述电网故障元件辨识方法的步骤。
本发明第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述电网故障元件辨识方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明电网故障元件辨识方法,充分利用各节点的节点特征量信息,基于故障元件定位图神经网络模型实现各节点的节点状态标签的判别,通过故障元件定位图神经网络模型内的图注意力网络层和图卷积神经网络层,增强了每个节点的状态信息,保证判别结果的准确率,并提升了图神经网络对于电力拓扑的自适应性和迁移性。同时,节点状态标签根据节点与故障元件的物理距离分阶设置,不是简单的划分为故障与正常,而是根据与故障元件的远近程度分阶设置,从而可以利用这些高阶的故障节点分类结果来验证故障节点的判别,进而有效提高电网故障元件的辨识准确度,提升故障处置的效率。
附图说明
图1为本发明实施例的电网故障元件辨识方法流程图。
图2为本发明实施例的电网故障元件辨识系统结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,介绍本发明实施例中涉及的相关术语:
图:用顶点和边建立相应关系的拓扑图。如社交关系、蛋白质结构、信息网络以及交通路线等。
注意力机制:源于人类视觉的研究。在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息。这种机制称为注意力机制。主要有两个方面,一是决定需要关注输入的哪部分,二是分配有限的信息处理资源给重要的部分。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明一实施例中,提供一种电网故障元件辨识方法。该电网故障元件辨识方法,基于电网的拓扑结构与节点的电气量量测信息,以及电网与图结构的天然契合度,设计一种图神经网络模型,即故障元件定位图神经网络模型,用于对故障元件进行辨识,充分利用电气量量测信息中蕴含的电网状态信息,探寻电气量量测信息与电网故障间的关联关系,对电网保护及综合智能告警装置形成信息补充,在故障发生后,帮助调度运行人员在故障发生后更好地识别出故障元件,提升故障处置的效率,提升其对电网运行状态的整体把控能力。
具体的,该电网故障元件辨识方法包括以下步骤:
S1:获取电网各节点的节点序号以及节点特征量。
S2:根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置。
S3:根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
综上所述,本发明电网故障元件辨识方法,充分利用各节点的节点特征量信息,基于故障元件定位图神经网络模型实现各节点的节点状态标签的判别,通过故障元件定位图神经网络模型内的图注意力网络层和图卷积神经网络层,增强了每个节点的状态信息,保证判别结果的准确率,并提升了图神经网络对于电力拓扑的自适应性和迁移性。同时,节点状态标签根据节点与故障元件的物理距离分阶设置,不是简单的划分为故障与正常,而是根据与故障元件的远近程度分阶设置,从而可以利用这些高阶的故障节点分类结果来验证故障节点的判别,进而有效提高电网故障元件的辨识准确度,进一步帮助电网调度运行人员进行故障辨识工作,提升故障处置的效率。
在一种可能的实施方式中,以节点序号以及节点特征量作为一个节点用于故障辨识的特征数据。其中,节点序号为提前对节点进行编排的序号,节点特征量一般包括能指征节点运行状态的特征数据。
本实施方式中,选取故障前电压的幅值与相角、故障后电压幅值与相角、电压幅值变化量、节点注入有功以及节点注入无功作为节点特征量。
可选的,节点状态标签根据节点与故障元件的物理距离设置为分阶标签,一般分为正常节点、故障节点以及一阶故障节点至T阶故障节点。
本实施方式中,节点状态标签包括正常节点、故障节点、一阶故障节点、二阶故障节点以及三阶故障节点,当然,也可以按照实际需要设置四阶故障节点、五阶故障节点等。其中,故障节点为与故障线路直接相连接的节点,一阶故障节点为与故障节点相连接的节点,二阶故障节点为与一阶故障节点相连接的节点,而三阶故障节点即为与二阶故障节点相连接的节点,依此类推。根据网络的拓扑体量,可动态调节节点标签的阶数,在本实施方式中,考虑到故障特征的传播范围只涉及到三阶故障节点,因此设置了一阶故障节点至三阶故障节点,其余节点的节点状态标签可标注为正常节点。
可选的,为了便于实现数据的处理,将节点状态标签进行one-hot处理。其中,one-hot处理是N位状态寄存器为N个状态进行编码的方式,即把离散的特征的每一种取值都看成一种状态。具体的,经过one-hot处理后,节点状态标签为正常节点时为[0 0 0 0 1],节点状态标签为故障节点时为[0 0 0 1 0],节点状态标签为正一阶故障节点时为[0 0 1 00],节点状态标签为二阶故障节点时为[0 1 0 0 0],节点状态标签为三阶故障节点对应时为[1 0 0 0 0]。
在一种可能的实施方式中,所述故障元件定位图神经网络模型主要包括三部分,一部分为基于注意力机制的图注意力神经网络层,一部分为对网络运行状态进行特征提取功能的图卷积网络层,最后为全连接层,对节点进行分类。基于这样的设计,该网络模型能够对电网拓扑具有较强的自适应性,并且能够在故障发生时,对故障节点进行辨识,进而有利于调控人员对故障元件的聚焦判别。
本实施方式中,所述故障元件定位图神经网络模型包括依次连接的图注意力神经网络层、第一图卷积神经网络层、ReLu激活层、第二图卷积神经网络层以及全连接层。具体的,首先依据图注意力机制,建立图注意力神经网络层,基于电网拓扑关系,对电网节点的特征信息进行特征融合,形成含有相邻节点信息的节点特征矩阵。然后,利用更新节点特征向量构成更新节点特征矩阵,然后将更新节点特征矩阵输入两层图卷积神经网络,并在两层图卷积神经网络之间包含一个ReLu激活层进行激活处理,增强模型的非线性同时缓解梯度消失的问题,最后连接全连接层,通过全连接层输出电网故障元件辨识结果。
可选的,所述图注意力神经网络层通过下式计算节点i和节点i的邻居节点j之间的注意力权重eij:
eij=Leaky ReLu(a[Whi||Whj])
其中,W为预设共享权重,Leaky ReLu()为第一激活函数,hi为节点i的节点特征量,hi=[Vi1,θvi1,Vi2,θvi2,ΔVi,Pi,Qi],Vi1和Vi2分别为节点i的故障前电压幅值和故障后电压幅值,θvi1和θvi2分别为节点i的故障前电压相角和故障后电压相角,ΔVi为节点i故障前后电压幅值差,Pi和Qi分别为节点i的注入有功和注入无功,hj为节点i的邻居节点j的节点特征量。
并通过下式对注意力权重eij进行归一化:
其中,aij为注意力权重eij的归一化结果,Ni为节点i的邻居节点的集合。
以及通过下式融合邻居节点的信息,得到节点i的更新节点特征量hi':
其中,σ()为第二激活函数。
所述第一图卷积神经网络层、ReLu激活层以及第二图卷积神经网络层,通过下式对节点i的更新节点特征量hi'进行处理:
所述全连接层通过下式对第二图卷积神经网络层的输出进行处理:
在一种可能的实施方式中,所述故障元件定位图神经网络模型在训练时,将神经网络的输出与标签值进行比较,以两者的交叉熵作为损失函数。可选的,所述故障元件定位图神经网络模型在训练时的损失函数为:
其中,Loss为损失函数值,t为训练样本数量,N为电网拓扑的节点集合,Yli为实际情况下第l个训练样本中节点i的节点状态标签,为利用故障元件定位图神经网络模型得到的第l个训练样本中节点i的节点状态标签。
在训练时,将预先准备的故障仿真数据文件划分为两分部,一部分为训练数据文件,一部分为验证数据文件,训练故障元件定位图神经网络模型时,每次读入一个训练数据文件,通过上述损失函数计算损失值,并通过随机梯度下降算法对故障元件定位图神经网络模型进行训练,最后利用验证数据文件对故障元件定位图神经网络模型的性能进行验证,最终通过训练调整故障元件定位图神经网络模型的参数至满足预设要求,完成故障元件定位图神经网络模型的训练。
其中,可以通过选取一定拓扑结构的电网模型作为仿真算例,并以此为基础,对于每个时间断面,仿真各个元件的故障,进而生成故障仿真数据文件。本实施方式中,障仿真数据文件可以采用如下形式表示:
其中,n为电网拓扑的节点数,Vn1,Vn2分别表示节点n的故障前电压幅值和故障后电压幅值,θvn1,θvn2分别表示节点n的故障前电压相角和故障后电压相角,ΔVn为故障前后电压幅值差,Pn,Qn分别为节点n的注入有功和注入无功。
在一种可能的实施方式中,所述根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网故障元件辨识结果包括:根据电网各节点的节点序号以及节点特征量,组成电网的节点特征矩阵;获取电网的邻接矩阵和度矩阵;将电网的节点特征矩阵、邻接矩阵和度矩阵,输入预设的故障元件定位图神经网络模型中,得到电网内各节点的节点状态标签。
其中,邻接矩阵和度矩阵的阶数均为n×n。邻接矩阵为A,其表示节点与节点之间的连接关系,若节点i和节点j之间有连接,则对应的邻接矩阵元素Aij=1,否则为0,邻接矩阵的对角元素设置为0。而度矩阵是一个对角矩阵,对角线上的元素值表征与该节点连接的电网支路总数。
在一种可能的实施方式中,所述根据电网内各节点的节点状态标签,得到电网故障元件辨识结果包括:根据预设的分阶设置规则,验证各节点的节点状态标签;当各节点的节点状态标签验证通过时,将相邻两故障节点之间的元件辨识为电网故障元件。
具体的,基于故障元件定位图神经网络模型,将对每个节点的运行状态进行分类。而因神经网络具有一定的错误率,但通过增加一阶故障节点、二阶故障节点以及三阶故障节点的设置后,可利用这些节点的判别结果对故障节点进行验证,有助于故障节点的查找与聚焦,可有效提高辨识准确度。最终,通过验证的两个故障节点之间的元件即对应着故障元件。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未披露的细节,请参照本发明方法实施例。
参见图2,本发明再一实施例中,提供一种电网故障元件辨识系统,能够用于实现上述的电网故障元件辨识方法,具体的,该电网故障元件辨识系统包括数据获取模块、调用模块以及辨识模块。
其中,数据获取模块用于获取电网各节点的节点序号以及节点特征量;调用模块用于根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置;辨识模块用于根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
在一种可能的实施方式中,所述节点特征量包括下述中的一种或几种:故障前电压的幅值与相角、故障后电压幅值与相角、电压幅值变化量、节点注入有功以及节点注入无功;所述节点状态标签包括:正常节点、故障节点以及一阶故障节点至T阶故障节点;其中,T为不小于2的整数。
在一种可能的实施方式中,所述故障元件定位图神经网络模型包括依次连接的图注意力神经网络层、第一图卷积神经网络层、ReLu激活层、第二图卷积神经网络层以及全连接层。
在一种可能的实施方式中,所述图注意力神经网络层通过下式计算节点i和节点i的邻居节点j之间的注意力权重eij:
eij=Leaky ReLu(a[Whi||Whj])
其中,W为预设共享权重,Leaky ReLu()为第一激活函数,hi为节点i的节点特征量,hj为节点i的邻居节点j的节点特征量。
并通过下式对注意力权重eij进行归一化:
其中,aij为注意力权重eij的归一化结果,Ni为节点i的邻居节点的集合。
以及通过下式融合邻居节点的信息,得到节点i的更新节点特征量hi':
其中,σ()为第二激活函数。
所述第一图卷积神经网络层、ReLu激活层以及第二图卷积神经网络层,通过下式对节点i的更新节点特征量hi'进行处理:
所述全连接层通过下式对第二图卷积神经网络层的输出进行处理:
在一种可能的实施方式中,所述故障元件定位图神经网络模型在训练时的损失函数为:
其中,Loss为损失函数值,t为训练样本数量,N为电网拓扑的节点集合,Yli为实际情况下第l个训练样本中节点i的节点状态标签,为利用故障元件定位图神经网络模型得到的第l个训练样本中节点i的节点状态标签。
在一种可能的实施方式中,所述根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签包括:根据电网各节点的节点序号以及节点特征量,组成电网的节点特征矩阵;获取电网的邻接矩阵和度矩阵;将电网的节点特征矩阵、邻接矩阵和度矩阵,输入预设的故障元件定位图神经网络模型中,得到电网内各节点的节点状态标签。
在一种可能的实施方式中,所述根据电网内各节点的节点状态标签,得到电网故障元件辨识结果包括:根据预设的分阶设置规则,验证各节点的节点状态标签;当各节点的节点状态标签验证通过时,将相邻两故障节点之间的元件辨识为电网故障元件。
前述的电网故障元件辨识方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的电网故障元件辨识系统所对应的功能模块的功能描述,在此不再赘述。
本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本发明各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于电网故障元件辨识方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关电网故障元件辨识方法的相应步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电网故障元件辨识方法,其特征在于,包括:
获取电网各节点的节点序号以及节点特征量;
根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置;
根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
2.根据权利要求1所述的电网故障元件辨识方法,其特征在于,所述节点特征量包括下述中的一种或几种:故障前电压的幅值与相角、故障后电压幅值与相角、电压幅值变化量、节点注入有功以及节点注入无功;
所述节点状态标签包括:正常节点、故障节点以及一阶故障节点至T阶故障节点;其中,T为不小于2的整数。
3.根据权利要求1所述的电网故障元件辨识方法,其特征在于,所述故障元件定位图神经网络模型包括依次连接的图注意力神经网络层、第一图卷积神经网络层、ReLu激活层、第二图卷积神经网络层以及全连接层。
4.根据权利要求3所述的电网故障元件辨识方法,其特征在于,所述图注意力神经网络层通过下式计算节点i和节点i的邻居节点j之间的注意力权重eij:
eij=LeakyReLu(a[Whi||Whj])
其中,W为预设共享权重,LeakyReLu()为第一激活函数,hi为节点i的节点特征量,hj为节点i的邻居节点j的节点特征量;
并通过下式对注意力权重eij进行归一化:
其中,aij为注意力权重eij的归一化结果,Ni为节点i的邻居节点的集合;
以及通过下式融合邻居节点的信息,得到节点i的更新节点特征量h′i:
其中,σ()为第二激活函数;
所述第一图卷积神经网络层、ReLu激活层以及第二图卷积神经网络层,通过下式对节点i的更新节点特征量h′i进行处理:
所述全连接层通过下式对第二图卷积神经网络层的输出进行处理:
6.根据权利要求1所述的电网故障元件辨识方法,其特征在于,所述根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签包括:
根据电网各节点的节点序号以及节点特征量,组成电网的节点特征矩阵;
获取电网的邻接矩阵和度矩阵;
将电网的节点特征矩阵、邻接矩阵和度矩阵,输入预设的故障元件定位图神经网络模型中,得到电网内各节点的节点状态标签。
7.根据权利要求1所述的电网故障元件辨识方法,其特征在于,所述根据电网内各节点的节点状态标签,得到电网故障元件辨识结果包括:
根据预设的分阶设置规则,验证各节点的节点状态标签;
当各节点的节点状态标签验证通过时,将相邻两故障节点之间的元件辨识为电网故障元件。
8.一种电网故障元件辨识系统,其特征在于,包括:
数据获取模块,用于获取电网各节点的节点序号以及节点特征量;
调用模块,用于根据电网各节点的节点序号以及节点特征量,调用预设的故障元件定位图神经网络模型,得到电网内各节点的节点状态标签;其中,节点状态标签根据节点与故障元件的物理距离分阶设置;
辨识模块,用于根据电网内各节点的节点状态标签,得到电网故障元件辨识结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电网故障元件辨识方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电网故障元件辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211214212.0A CN115456109B (zh) | 2022-09-30 | 2022-09-30 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211214212.0A CN115456109B (zh) | 2022-09-30 | 2022-09-30 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115456109A true CN115456109A (zh) | 2022-12-09 |
CN115456109B CN115456109B (zh) | 2023-11-24 |
Family
ID=84307952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211214212.0A Active CN115456109B (zh) | 2022-09-30 | 2022-09-30 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456109B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039889A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于图注意网络的中压配电网拓扑辨识方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200068364A1 (en) * | 2018-08-21 | 2020-02-27 | John Calvin Oswald | Electric Fence Monitoring Method, Electric Fence Monitor |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
CN112766500A (zh) * | 2021-02-07 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 图神经网络的训练方法及装置 |
CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
CN114077811A (zh) * | 2022-01-19 | 2022-02-22 | 华东交通大学 | 一种基于图神经网络的电力物联网设备异常检测方法 |
-
2022
- 2022-09-30 CN CN202211214212.0A patent/CN115456109B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200068364A1 (en) * | 2018-08-21 | 2020-02-27 | John Calvin Oswald | Electric Fence Monitoring Method, Electric Fence Monitor |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
CN112766500A (zh) * | 2021-02-07 | 2021-05-07 | 支付宝(杭州)信息技术有限公司 | 图神经网络的训练方法及装置 |
CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
CN114077811A (zh) * | 2022-01-19 | 2022-02-22 | 华东交通大学 | 一种基于图神经网络的电力物联网设备异常检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039889A (zh) * | 2023-10-08 | 2023-11-10 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于图注意网络的中压配电网拓扑辨识方法和系统 |
CN117039889B (zh) * | 2023-10-08 | 2024-01-23 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于图注意网络的中压配电网拓扑辨识方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115456109B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | A fault diagnosis method of power systems based on improved objective function and genetic algorithm-tabu search | |
CN103001216B (zh) | 一种含分布式电源的配电网快速供电恢复方法 | |
CN104331837B (zh) | 电力系统暂态稳定最优切机控制策略搜索的简化方法 | |
CN103778467A (zh) | 一种选择电力系统暂态稳定评估输入特征量的方法 | |
CN109241169A (zh) | 配电网运行信息多源异构数据融合数据库集成方法 | |
CN104750878A (zh) | 一种基于混合搜索策略的拓扑故障诊断方法 | |
CN104934968A (zh) | 基于多智能体的配网应灾恢复协调控制方法及装置 | |
CN103308824A (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN109066659B (zh) | 微电网孤岛运行可靠性评估方法及终端设备 | |
Othman et al. | Rough-set-and-genetic-algorithm based data mining and rule quality measure to hypothesize distance protective relay operation characteristics from relay event report | |
CN104103019A (zh) | 含分布式电源的配电网运行风险评估方法及评估系统 | |
CN106655169A (zh) | 一种基于路径描述的配电网n‑1安全校验方法 | |
CN107944705A (zh) | 一种基于模块度划分通信社团的全端可靠性计算方法 | |
CN104112076A (zh) | 基于模糊数学的运行风险评估方法及评估系统 | |
CN104166940A (zh) | 配电网运行风险评估方法及评估系统 | |
CN106324429A (zh) | 一种基于rs‑ia数据挖掘的配电网故障定位方法 | |
CN115456109B (zh) | 电网故障元件辨识方法、系统、计算机设备及存储介质 | |
CN109586281B (zh) | 基于节点优化编号的配电网可靠性评估方法、装置与介质 | |
CN109683036B (zh) | 一种用于数据中心的配电系统故障模拟方法及系统 | |
CN109932617B (zh) | 一种基于深度学习的自适应电网故障诊断方法 | |
Montenegro et al. | An iterative method for detecting and localizing islands within sparse matrixes using DSSim-RT | |
CN110391935B (zh) | 计及信息物理耦合特性和信息扰动的量测度评估方法及系统 | |
CN114386222A (zh) | 一种基于信息物理系统的配电网协同故障恢复方法和系统 | |
CN113589079A (zh) | 配电网自愈系统的测试方法、电子设备及存储介质 |
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 |