CN115542070A - 一种配网线路故障定位方法及存储介质 - Google Patents

Abstract

本发明公开了一种配电网线路故障定位方法及存储介质，该方法包括配电网拓扑关系生成图谱数据、图节点和边特征选择、图卷积神经网络搭建、模型学习、进行故障定位等步骤，该方法结合了配电网结构的拓扑关系数据、SCADA系统和FTU采集的电气信息数据、知识图谱和图神经网络算法，能有效地提升故障定位的效率和准确性，为后续合理地安排故障抢修等工作提供全方位的技术支撑。

Description

一种配网线路故障定位方法及存储介质

技术领域

本发明涉及一种配电网线路故障定位方法及存储介质，具体涉及一种基于图卷积网络的配电网线路故障定位方法及存储介质。

背景技术

配电网是连接输电网和电力用户的重要纽带，深入配电网故障研判研究对于社会经济具有深远的意义。

现有配电网运维检修模式与电网规模、设备复杂程度、运检人力资源的矛盾日益突出，配电网故障处理能力与用户要求高供电可靠性的矛盾日益显著等问题，此外随着人们生活水平的提高，人们对电力能源的依赖也越来越高，相对于电能质量停电时间的要求也越来越高。

目前国内外都在积极规划、建设智能电网，其核心是实现电网的信息化、数字化、自动化和互动化。

配网故障定位是实现智能电网的第一步，通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术，建立实时电网管理，使发电、输电、配电、用电四方互动互通，实现配网的故障定位。

现有技术大多通过用户的报修/报障电话来下达抢修的通知，由于未对所投诉/报障地址的故障进行所有因素识别、判断、分析，而经常出现定位不精确、漏报、误报等问题。且目前停电故障定位工作由人工从多个系统中获取相关信息，再结合个人经验排查停电故障发生位置，导致故障停电准确率不高，研判效率低因此，需要设计自动化程度高，且效率高的配电网故障定位方法。

发明内容

本发明的提出正是为了解决故障发生时定位效率低和效果差的问题，通过将配电网抽象为图数据，提取配网节点和边两种特征的信息作为图卷积网络的样本数据，实现更加客观、准确快速的配电线路故障定位，减小故障损失，提高用户满意度。

为了实现上述目的，本发明提供如下技术方案：

一种配网线路故障定位方法，包括以下步骤：

步骤1，基于配电网拓扑关系构建图谱数据

将由源节点、分布式电源、开关FTU构成经典环状配电网结构图抽象为由节点和边构成的图数据，将源节点、分布式电源以及FTU之间负荷节点处理为图节点，将开关FTU处理为边，并根据以上信息构成图G＝(V,E),其中：V表示节点，E表示边，源节点和分布式电源统称为负荷节点；

步骤2，图特征选择

图特征分别由节点属性和边属性描述，所述节点属性包括正序、负序和零序的电压幅值，所述边属性包括正序、负序和零序的电流幅值；所述正序、负序、零序的电压和电流幅值是通过SCADA系统和FTU采集的数据获得的。

步骤3，图卷积神经网络设计

所述图神经网络包括输入层、隐藏层和输出层；

对于节点v，所述输入层包括将其邻居边的特征数据E₁、E₂合并至节点v的特征向量V；

对于节点v，所述隐藏层采用空域图卷积算法Spatial GCN提取节点v特征向量V的抽象特征；

对于节点v，所述输出层是将节点信息转化至边信息，包括：将隐藏层输出的V₁′和V₂′特征向量进行合并，将合并处理后的结果作为由节点v₁、v₂构成的边的特征向量E_1,2，计算公式如下：

E_1,2＝σ(W_1,2·concat(V₁,V₂))

其中：σ表示激活函数，W_1,2表示神经网络的权重矩阵，concat()为函数；

最终，将特征向量E_1,2通过激活函数softmax输出该线路对应故障类型的概率；

步骤4，图卷积神经网络学习

首先需要对配网线路分配故障类别进行标签化，并用one-hot方式表示，损失函数采用交叉熵误差，计算公式如下：

其中：loss表示真实值和预测值的log损失，y_i表示真实值，y_i′表示预测值，i表示节点序号，n表示节点的数量；

步骤5，进行配网线路故障自动定位

当进行故障定位时，将配电网结构转换为图数据，并提取图卷积神经网络故障定位模型输入特征，输出各线路发生不同类型故障的概率。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明所述的配网线路故障定位方法的步骤。

本发明的有益效果：

本发明有助于提高配网故障定位智能化水平，提高一线作业人员的检修效率。同时，降低了人工故障排查发生安全事故的风险，节约了人力成本等。

附图说明

图1为配电网结构示意图，图中的附图标记1-5分别表示负荷节点，其中1和5为源节点类型的负荷节点，4为分布式电源类型的负荷节点，其他为普通负荷节点。

图2为本发明的部分图谱数据。

图3为本发明的图卷积神经网络输入层示意图。

图4为本发明的图卷积神经网络输出层示意图。

图5为本发明的配网线路故障定位方法流程图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

一种配网线路故障定位方法，包括以下步骤：

步骤1，基于配电网拓扑关系构建图谱数据

图1为经典环状配电网结构图，有源节点、分布式电源、分段开关FTU构成。将结构图抽象为图数据，图数据由节点和边构成，则源节点、分布式电源以及FTU之间负荷节点可认为是图节点，FTU为边，正如图2所示，展示了图1配电网结构图抽象后的图谱数据，由5个节点和4个无向边组成，根据以上信息构成图G＝(V,E),V表示节点，E表示边，源节点和分布式电源统称为负荷节点。

步骤2，图特征选择

图特征分别由节点的属性和边的属性描述，对于配电网来说属性包括物理属性和电气量属性，物理属性阻抗、线路长度等定量作为图神经网络输入没有意义，因此选择电气量信息作为节点和边的属性。配电网中的电气量信息有三相电压幅值、三相相角，正序、负序、零序电压幅值、相角，中性点电压幅值、相角，三相线路通过功率幅值、相角、电流报警信息等。考虑考到完备性和维度，最终节点属性选择正序、负序和零序的电压幅值3个维度的电气量信息，相比于三相电压，序分量对于非对称故障定位更有帮助。发生故障时，往往会产生较大的故障电流，因此边属性选择正序、负序和零序的电流幅值。

步骤3，图卷积神经网络设计

图神经网络和普通神经网络的结构类似，也包括输入层、隐藏层和输出层。结构设计的难点是如何处理节点和边的信息输入网络和如何将节点分类转换为边分类任务。图3为输入层示意图，对于节点v，需将其邻居边的特征数据E₁、E₂合并至节点v的特征向量V。隐藏层提取节点v特征向量V的抽象特征，采用空域卷积算法Spatial GCN设计隐藏层。配网故障定位的目的是找出发生故障的线路，因此本质上是边的分类任务，而非节点分类。因此输出层需要将节点信息转化至边信息，输出层示意图如图4所示。首先将隐藏层输出的V₁′和V₂′特征向量进行合并，将合并处理后的结果作为由节点v₁、v₂构成的边的特征向量E_1,2，计算公式如下，σ表示激活函数，W_1,2表示神经网络的权重矩阵。最终，将特征向量E_1,2通过softmax输出该线路对应故障类型的概率。

E_1,2＝σ(W_1,2·concat(V₁,V₂))

步骤4，图卷积神经网络学习

首先需要对配网线路分配故障类别标签，并用one-hot方式表示，图神经网络分类也是有监督任务，损失函数采用交叉熵误差，计算公式如下：

步骤5，进行配网线路故障自动定位

当进行故障定位时，将配电网结构转换为图数据，并提取图卷积神经网络故障定位模型输入特征，输出各线路发生不同类型故障的概率。

实施例1

请参阅图5，本发明的一种配网线路故障定位方法，包括如下步骤：

1.基于配电网拓扑关系构建图谱数据

以Neo4J作为图数据库，解析SCADA系统采集到的电气信息数据，并结合配网线路拓扑关系，构建图数据。以图1的线路拓扑结构为例，构建的图谱实例如下：

(负荷节点1)-[:FTU1]-(负荷节点2)-[:FTU2]-(负荷节点3)-[:FTU3]-(负荷节点4)

(负荷节点2)-[:FTU4]-(负荷节点5)

2.图特征选择

将电气量信息作为属性值加入图数据中，得到一下图谱实例(以下节点直接用数字表示，正序电压用”pu”表示，负序电压用”nu”表示，零序电压用”zu”表示；正序电流用”pa”表示，负序电流用”na”表示，零序电流用”za”表示)：

(1{pu:u1，nu:u2，zu:u3})-[:FTU1{pa:a1，na:a2，za:a3}]-(2{pu:u4，nu:u5，zu:u6})-

\[:FTU2{pa:a4，na:a5，za:a6}]-(3{pu:a7，nu:a8，zu:a9})-

\[:FTU3{pa:a7，na:a8，za:a9}]-(4{pu:u10，nu:u11，zu:u12})

(2{pu:u4，nu:u5，zu:u6})-[:FTU4{pa:1，na:1，za:}]-(5{pu:u13，nu:u14，zu:u15})

3.图卷积神经网络设计

节点和边的属性维度都为3，将节点信息输入图神经网络输入层，对于节点2，以图3所示输入层处理流程，首先将FTU1和FTU2进行一次全连接结算，得到结果FTU1′和FTU2′，结果相加仍然是3维，与节点2的属性特征向量进行concat(·)，得到6维向。对于只有一个邻居边的节点，不进行求和操作，其他保持一致。输入层的结果进入隐藏层采用SpatialGCN网络提取特征，得到节点2的特征提取结果V₂′。对于节点1，重复以上步骤，得到节点1的特征提取结果V₁′，以图4所示输出层加工后，即可得到节点1、2之间边(线路)的特征向量，并通过softmax输出该线路发生故障的概率。

4.图卷积神经网络学习

本实施样例中定义了三种单相接地故障类型，因此为线路分配的故障类型标签可用[0,0,1],[0,1,0],[1,0,0]的one-hot方式编码，1所处的位置表示相应的故障类型。分类任务重的损失函数一般选择交叉熵损失函数，优化器选用Adam，训练网络的其他核心参数如下：

参数名称	参数值
		weight_decay	5e<sup>-4</sup>
learning_rate	0.01
		epochs	10000

最终，将训练好的模型保存为model文件。

5.进行故障自动定位

在发生故障H时，SCADA系统会实时采集电气信息数据上传至相应系统，按照步骤1的方法构建图谱数据X’。读取步骤3生成的model文件，将X’输入模型，得到每条线路分别发生故障1、故障2和故障3的概率。

如下所示为发生一个故障时本发明方法的定位结果，其主要信息如下表所示：

经过本发明的配电网线路故障定位模型定位结果如下，表示FTU3处发生故障2，如下表所示：

本发明配电网线路故障定位模型的自动定位结果如上表所示，表中给出了每个位置发生不同类型故障的概率，如果概率大于0.5(该阈值可根据实际情况自行定义)则认为此处发生该类型故障。表中FTU3出发生故障2的概率为0.75，大于0.5，因此表示FTU3处发生故障2。

Claims (4)

1.一种配网线路故障定位方法，其特征在于，包括以下步骤：

步骤1，基于配电网拓扑关系构建图谱数据

将由源节点、分布式电源、开关FTU构成经典环状配电网结构图抽象为由节点和边构成的图数据，将源节点、分布式电源以及FTU之间负荷节点处理为图节点，将开关FTU处理为边，并根据以上信息构成图G＝(V,E),其中：V表示节点，E表示边，源节点和分布式电源统称为负荷节点；

步骤2，图特征选择

图特征分别由节点属性和边属性描述，所述节点属性包括正序、负序和零序的电压幅值，所述边属性包括正序、负序和零序的电流幅值；

步骤3，图卷积神经网络设计

所述图神经网络包括输入层、隐藏层和输出层；

对于节点v，所述输入层包括将其邻居边的特征数据E₁、E₂合并至节点v的特征向量V；

对于节点v，所述隐藏层提取节点v特征向量V的抽象特征；

对于节点v，所述输出层是将节点信息转化至边信息，包括：将隐藏层输出的V₁′和V₂′特征向量进行合并，将合并处理后的结果作为由节点v₁、v₂构成的边的特征向量E_1,2，计算公式如下：

E_1,2＝σ(W_1,2·concat(V₁,V₂))

其中：σ表示激活函数，W_1,2表示神经网络的权重矩阵，concat()为函数；

最终，将特征向量E_1,2通过激活函数softmax输出该线路对应故障类型的概率；

步骤4，图卷积神经网络学习

首先需要对配网线路分配故障类别进行标签化，并用one-hot方式表示，损失函数采用交叉熵误差，计算公式如下：

其中：loss表示真实值和预测值的log损失，y_i表示真实值，y_i′表示预测值，i表示节点序号，n表示节点的数量；

步骤5，进行配网线路故障自动定位

当进行故障定位时，将配电网结构转换为图数据，并提取图卷积神经网络故障定位模型输入特征，输出各线路发生不同类型故障的概率。

2.根据权利要求1所述的配网线路故障定位方法，其特征在于，在步骤(3)中，采用空域图卷积算法Spatial GCN提取节点v特征向量V的抽象特征。

3.根据权利要求1或2所述的配网线路故障定位方法，其特征在于，在步骤(2)中，

所述正序、负序、零序的电压和电流幅值是通过SCADA系统和FTU采集的数据获得的。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3任一项所述的配网线路故障定位方法的步骤。

Images