CN115879510A - 一种不完全信息的配电网高容错故障研判方法 - Google Patents

Abstract

本发明公开了一种不完全信息的配电网高容错故障研判方法，包括如下步骤：步骤1)：采集电网公司的网架信息与历史故障数据信息；步骤2)：根据步骤1)中的配电网的三相电压幅值信息，实行配电网拓扑结构变动检测的启动条件，对拓扑结构变动的关键性特征进行深入挖掘，实行三种研判数据，并采用模糊集理论进行三相电压幅值信息不完全情况下的配电网拓扑结构识别；步骤3)：将步骤1)中的故障三相电流信息处理生成健全数据集与不健全数据集，基于这两个数据集来训练具有信息补全功能的图神经网络；步骤4)：模型训练完毕后，输入配电网的实时故障数据进行故障诊断并根据完整信息进行故障研判，本发明的有益效果：对不完全信息下的配电网故障准确的研判。

Description

一种不完全信息的配电网高容错故障研判方法

技术领域

本发明属于配电网停电抢修和供电服务技术领域，具体涉及一种不完全信息的配电网高容错故障研判方法。

背景技术

配电网故障研判通过配电自动化等系统提供的故障信息判别配电网故障元件位置(区段)、类型。当配电网发生故障时，柱上开关处的故障检测信号通过通信接口及装置所配的通信设备以遥信信息形式传送到配电主站，经过配电主站的数据处理后完成故障研判。然而，由于馈线终端、配电自动化设备及通信网络的运行环境恶劣，信息往往并不完全，对配电网故障研判的准确性提出了更高的要求。目前配电网络故障诊断主要的科研方法有：统一矩阵算法、模糊集理论、贝叶斯算法、群体智能算法、最优化算法、人工神经网络算法。人工神经网络具有强大的非线性拟合与模式识别能力，鲁棒性和容错性强，在配电网故障研判方面获得了越来越广泛的应用。然而，传统的神经网络方法通常只针对拓扑不变的情况进行故障研判。实际上，在配电网运行过程中，拓扑结构会不断发生改变，只基于固定拓扑结构的神经网络模型难以应用到实际中。图神经网络因为其特殊结构，对图神经网络边的信息也比较敏感，可以有效的提取拓扑结构信息,从而可以做到在拓扑结构变化的情况下也能有效识别故障。但是,当在拓扑结构变化的情况下图神经网络信息缺失程度较大的时候，比如某类型信息完全缺失，或者图神经网络信息不缺失而拓扑结构信息不明确时，图神经网络的训练效果也较差。

因此，现阶段需设计一种考虑不完全信息的配电网高容错故障研判方法，来解决以上问题。

发明内容

本发明所要解决的技术问题是在拓扑结构变化的情况下图神经网络信息缺失程度较大而导致图神经网络的训练效果较差的技术问题，本发明的目的在于提供一种不完全信息的配电网高容错故障研判方法，解决了在拓扑结构变化的情况下图神经网络信息缺失程度较大而导致图神经网络的训练效果较差的技术问题。

本发明通过下述技术方案实现：

一种不完全信息的配电网高容错故障研判方法，包括如下步骤：

步骤1)：采集电网公司的网架信息与历史故障数据信息，所述网架信息与历史故障数据信息包括拓扑结构信息、开关信息、故障三相电流信息、三相电压幅值信息以及故障发生区段信息；

步骤2)：根据配电网的三相电压幅值信息，实行配电网的拓扑结构变动检测的启动条件，对拓扑结构变动的关键性特征进行深入挖掘，实行三种研判数据，并采用模糊集理论进行三相电压幅值信息不完全情况下的配电网拓扑结构识别；

步骤3)：将故障三相电流信息处理生成健全数据集与不健全数据集，基于这两个数据集来训练具有信息补全功能的图神经网络；

步骤4)：模型训练完毕后，输入配电网的实时故障数据进行故障诊断，当检测到信息不完全时，基于信息补全的图神经网络会首先补全信息，再根据完整信息进行故障研判。

具体的，在步骤1)中，调研和收集电网公司的所述网架信息与历史故障数据信息，采用数据预处理方式将部分冗余信息与错误信息进行剔除，对于不完全信息进行修正，提取出配电网的所述故障三相电流信息、三相电压幅值信息、拓扑结构信息和开关信息。

在步骤2)中，配电网的所述拓扑结构检测的启动条件为：所述开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网的拓扑结构变动检测，计算公式如下公式(1)-(2)所示：

其中，i,j分别代表开关两端节点，ε代表电压幅值变化百分比阈值；

配电网的三相电压幅值信息进行配电网拓扑结构变动识别时，采用如下步骤：

步骤S1)：当开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网拓扑结构变动检测；

步骤S2)：提出三种研判数据，第一种研判数据为：当开关状态发生变化时，发生动作开关的两端节点的电压幅值变化，通过公式(3)：

ΔU_k＝|U_k，t-1-U_k，t|，k∈Ω^K(3)

其中，Ω^K表示所有开关两端临近节点(包括开关节点)的集合，k表示第k个节点,t-1表示前一时刻，t表示当前时刻；

计算出开关两端多个节点的节点电压幅值变化，再根据开关节点电压变化最大值所在的开关节点是否属于开关两端的节点来判断开关是否发生变动；

第二种研判数据为：当开关状态发生变化时，发生动作开关两端节点的电压幅值之差变化最大，通过公式(3)：ΔU_k＝|U_k，t-1-U_k，t|，k∈Ω^K，计算出两个时刻开关两端所有相邻开关节点的电压差值变化百分比，若开关两端节点电压差值百分比最大，则该开关发生了变动；

第三种研判数据为：当开关状态发生变化时，发生动作开关的两端节点与相邻开关节点的电压幅值趋势也发生变化，在分段开关断开前，开关两端节点为馈线的中间节点，相邻节点的电压幅值的趋势为从高到低，而在分段开关断开后，开关两端节点为馈线的端节点，相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻开关节点的电压幅值从低到高。

步骤S3)：采用模糊集理论进行配电网拓扑结构变动的校验，建立三种研判数据总的隶属度函数。

在步骤S3)中，三种研判数据总的隶属度函数的计算方式如下公式(4)，配电网不完全信息下的拓扑结构变动概率值的计算方式为公式(5)，公式(6)-(8)分别为第一种至第三种研判数据的拓扑结构变动概率计算公式：

u＝ω_au_a+ω_bu_b+ω_cu_c(4)

其中，u为三种研判数据总的隶属度函数值，ω_a、ω_b和ω_c分别代表判据第一种判据、第二种判据、第三种判据的隶属度函数权值，N表示采集到一个环网中开关两端相邻节点的电压幅值的数目，M表示信息比较完备时的环网节点电压幅值信息数目，e^N/M表示指数e的N/M次方。u_a、u_b和u_c分别代表第一种至第三种拓扑结构变动概率，ΔU_i,j为电压幅值变化的百分比。Ψ_t-1与Ψ_t分别表示前一时刻与后一时刻开关相邻节点的电压幅值趋势，Ψx表示一种相邻节点电压趋势：相邻节点的电压幅值从高到低。Ψy表示另一种相邻节点电压趋势：相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻节点电压幅值从低到高。根据三种隶属度函数的加权(ω_a、ω_b和ω_c)，最终得到配电网不完全信息下的拓扑结构变动的概率值。

在步骤3)中，先是建立完全信息下的图神经网络结构，基于健全数据集、配电网拓扑信息与开关信息，采用两层图卷积神经网络加两层全连接层的结构来进行配电网故障研判，将故障电流测量装置与配电网节点共同作为图神经网络的节点，图神经网络节点输入的特征向量为三相故障电流，将图神经网络节点之间的线路作为图神经网络的边。

所述图神经网络提取配电网的多源数据特征，并将该数据特征归纳到每一个图神经网络节点上，设每个图神经网络节点只提取一个特征，当状态信息经过双层图神经网络后，将得到一个N×1的Y矩阵，再将该矩阵降维成一维数组作为全连接层的输入，采用多个全连接层与softmax函数对矩阵进行信息提取，从而得到每条线路发生故障的概率值，图卷积神经网络的训练损失函数为所有区段发生故障的概率分布与实际故障区段标签的交叉熵。

在步骤3)中，将所述故障三相电流信息的机械能进行处理并生成所述健全数据集与不健全数据集，从缺失的信息补全出发，提出一种图神经网络训练框架，先利用拓扑结构捕获节点之间的关系来表示学习节点的先验知识H，将学习节点作为指导信息补全的所述先验知识H，再设V⁺为带有属性的节点集合，V^-为属性缺失节点的集合，利用获得的先验知识H，使用注意力机制计算缺失属性目标节点的一阶邻居节点的重要性程度，并根据重要性系数来聚合已有属性的一阶邻居节点的属性为目标节点进行属性补全，将带有属性的节点随机划分为

和/>

将/>

中节点的属性删除，采用属性补全机制来重构删除的属性，设计属性补全与图神经网络相结合，进行不完全信息下的故障研判。

计算所述属性的节点和重构删除的属性之间的欧氏距离得到所述属性补全的弱监督损失，如公式(9)：

其中，

表示第i个节点补全后的属性，X_i表示第i个节点的原始属性；

将完全带有属性节点集合的矩阵连同拓扑结构一同输入到图神经网络模型中，得到标签预测损失，计算方式如下公式(10)：

其中，A代表拓扑结构信息，X^new表示通过信息补全后的完整节点特征信息矩阵,

代表采用图神经网络进行故障研判的结果，Y代表实际的故障区段；

对属性补全机制是将标签预测损失和属性补全的弱监督损失组合，构建一种从一端到另一端的系统来进行联合优化的计算方法，即如下公式(11)：

其中,λ代表属性补全的损失的权重，即平衡损失系数。

在步骤4)中，输入配电网的实时故障数据到图神经网络模型进行故障诊断，当检测到的实时故障数据信息不完全时，图神经网络会首先补全信息，再根据完整的故障数据信息进行故障研判，将输出结果与检修人员上报的数据作对比，在线学习的增强图神经网络模型的精度。

本发明与现有技术相比，具有如下的优点和有益效果：

1.本发明是基于模糊集的拓扑识别方法采用多种研判数据，如两端节点的电压幅值变化、两端节点的电压幅值之差变化最大、相邻节点的电压幅值趋势，实现了信息的有效融合，能够在信息缺失度比较高的情况下仍具备良好的识别能力。图神经网络模型信息完全的条件下，相较于传统的BP神经网络，图神经网络由于其特殊的结构，在拓扑结构变动下仍然能够准确识别配电网故障区域，考虑到故障信息缺失的情况，采用一种基于信息补全的图神经网络，采用注意力机制进行信息补全，并将补全后的信息输入到故障研判GCN中进行故障研判，本发明可以有效提升不完全信息下的配电网故障研判准确度。

2.本发明将图神经网络应用于配电网故障研判，以适应不断变化的配电网拓扑结构。考虑到实际配电网中故障信息缺失，提出一种不完全信息的配电网高容错故障研判方法，该方法能够在信息缺失严重的情况下仍然具有高精度。考虑到拓扑结构信息缺失情况，提出一种基于模糊集理论的配电网拓扑结构变动方法以识别配电网拓扑结构，从而有效支撑故障研判工作，图神经网络模型整体结构简便，诊断速度快，精度高，具有较好的实用价值。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：

图1为本发明的配电网结构示意图。

图2为本发明的配电网图神经网络结构示意图。

图3为本发明的图卷积神经网络训练损失图。

图4为本发明的图卷积神经网络训练收敛图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

如图1-2所示，本实施例提出一种不完全信息的配电网高容错故障研判方法，包括以下步骤：

步骤1)：调研和采集电网公司的网架信息与历史故障数据信息，所述网架信息与历史故障数据信息包括拓扑结构信息、开关信息、故障三相电流信息、三相电压幅值信息以及故障发生区段信息；

步骤2)：根据配电网的三相电压幅值信息，实行配电网的拓扑结构变动检测的启动条件，对拓扑结构变动的关键性特征进行深入挖掘，实行三种研判数据，并采用模糊集理论进行三相电压幅值信息不完全情况下的配电网拓扑结构识别；

步骤3)：将故障三相电流信息处理生成健全数据集与不健全数据集，基于这两个数据集来训练具有信息补全功能的图神经网络；

步骤4)：模型训练完毕后，输入配电网的实时故障数据进行故障诊断，当检测到信息不完全时，基于信息补全的图神经网络会首先补全信息，再根据完整信息进行故障研判。

进一步的，在步骤1)中，调研收集某地电网公司的网架信息与历史故障数据信息，采用数据预处理方式将一些冗余信息与错误信息进行剔除，对于不完全信息进行修正，提取出配电网故障三相电流信息、三相电压历史数据信息、拓扑结构信息和开关信息。

进一步的，在步骤2)中，提出配电网拓扑结构变动检测的启动条件，即当开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网拓扑变动检测，如下公式(1)-(2)所示：

如上式(1)-(2)所示，i,j代表开关两端节点，ε代表电压幅值变化百分比阈值，一般取4％。

根据配电网三相电压幅值信息进行配电网拓扑结构变动的识别，采用如下步骤：

步骤S1)：当开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网拓扑变动检测。

步骤S2)：提出三种研判数据，第一种研判数据：当开关状态发生变化时，发生动作开关的两端节点的电压幅值变化，利用公式(3)：

ΔU_k＝|U_k，t-1-U_k，t|，k∈Ω^K (3)

其中，Ω^K表示所有开关两端临近节点(包括开关节点)的集合，k表示第k个节点,t-1表示前一时刻，t表示当前时刻；

计算开关两端多个节点的节点电压幅值变化，再根据节点电压变化最大值所在节点是否属于开关两端节点来判断开关是否发生变动；

第二种研判数据：当开关状态发生变化时，发生动作开关的两端节点的电压幅值之差变化最大，通过公式利用公式(3)计算两个时刻开关两端所有相邻节点电压差值变化百分比，若开关两端节点电压差值百分比最大，则该开关发生了变动；

第二种研判数据：：当开关状态发生变化时，发生动作开关的两端节点与相邻节点的电压幅值趋势也发生变化，在分段开关断开前，开关两端节点为馈线的中间节点，相邻节点的电压幅值的趋势为从高到低，而在分段开关断开后，开关两端节点为馈线的端节点，相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻节点电压幅值从低到高；

步骤S3)：采用模糊集理论进行配电网拓扑结构变动的校验，建立三种研判数据的隶属度函数。

三种研判数据总的隶属度函数的计算方式如下公式(4)，配电网不完全信息下的拓扑结构变动概率值的计算方式为公式(5)，公式(6)-(8)分别为第一种至第三种研判数据的拓扑结构变动概率计算公式：

u＝ω_au_a+ω_bu_b+ω_cu_c (4)

其中，u为三种研判数据总的隶属度函数值，ω_a、ω_b和ω_c分别代表判据第一种判据、第二种判据、第三种判据的隶属度函数权值，N表示采集到一个环网中开关两端相邻节点的电压幅值的数目，M表示信息比较完备时的环网节点电压幅值信息数目，e^N/M表示指数e的N/M次方。u_a、u_b和u_c分别代表第一种至第三种拓扑结构变动概率，ΔU_i,j为电压幅值变化的百分比。Ψ_t-1与Ψ_t分别表示前一时刻与后一时刻开关相邻节点的电压幅值趋势，Ψx表示一种相邻节点电压趋势：相邻节点的电压幅值从高到低。Ψy表示另一种相邻节点电压趋势：相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻节点电压幅值从低到高。根据三种隶属度函数的加权(ω_a、ω_b和ω_c)，最终得到配电网不完全信息下的拓扑结构变动的概率值。

进一步的，在步骤3)中，对首先建立完全信息下的图神经网络结构，如图2所示，基于健全数据集、配电网拓扑信息与开关信息，采用两层图卷积神经网络加两层全连接层的结构来进行配电网故障研判，若简单的将配电网的负荷节点作为图神经网络节点，根据线路拓扑情况建立图神经网络边邻接矩阵，那么故障三相电流等信息将无法与节点相匹配，并且无法反映线路是否发生故障。因此，根据配电网故障研判任务独有的特征，将故障电流测量装置与原配电网节点共同作为图神经网络的节点，节点输入的特征向量为三相故障电流，将这些节点之间的线路作为图神经网络的边。

图神经网络可以很好的提取配电网多源数据的特征，并将特征归纳到每一个节点上。设每个节点只提取一个特征，当状态信息经过双层图神经网络后，将得到一个N×1的Y矩阵，再将矩阵降维成一维数组作为全连接层的输入。最后，采用多个全连接层与softmax函数对该矩阵进行信息提取，从而得到每条线路发生故障的概率值。值得注意的是，图卷积神经网络的训练损失函数为所有区段发生故障的概率分布与实际故障区段标签的交叉熵。

进一步的，在步骤3)中，将历史故障三相电流信息机械能处理生成健全数据集与不健全数据集。从缺失信息补全的思路出发，提出一种图神经网络训练框架，该框架主要由四部分组成。首先，利用拓扑结构捕获节点之间关系的学习节点来先验知识H，并将其作为指导信息补全的先验知识H。其次，设V⁺为带有属性的节点集合，V^-为属性缺失节点的集合。利用上述获得的先验知识H，使用注意力机制计算缺失属性的目标节点的一阶邻居节点对其的重要性程度，并根据重要性系数来聚合已有属性的一阶邻居节点(V⁺中的结点)的属性，为目标节点(V^-中的节点)进行属性补全。然后，将带有原始属性的节点随机划分为

和/>

将/>

中节点的属性删除，并采用属性补全机制来重构删除的属性。最后，设计属性补全与图神经网络相结合，进行不完全信息下的故障研判。

损失函数为：

通过计算带有属性的节点和重构属性的节点之间的欧氏距离得到属性补全的弱监督损失：如公式(9)：

其中，

表示第i个节点补全后的属性，X_i表示第i个节点的原始属性；

将完全带有属性节点集合的矩阵连同拓扑结构一同输入到图神经网络模型中，得到标签预测损失，计算方式如下公式(10)：

其中，A代表拓扑结构信息，X^new表示通过信息补全后的完整节点特征信息矩阵,

代表采用图神经网络进行故障研判的结果，Y代表实际的故障区段；

对属性补全机制是将标签预测损失和属性补全的弱监督损失组合，构建一种从一端到另一端的系统来进行联合优化的计算方法，即如下公式(11)：

其中,λ代表属性补全的损失的权重，即平衡损失系数。

进一步的，在步骤4)中，输入配电网实时故障数据进行故障诊断，当检测到信息不完全时，基于信息补全的图神经网络会首先补全信息，再根据完整信息进行故障研判，将输出结果与检修人员上报的数据作对比，在线学习的增强图神经网络模型的精度。

实施例2

案例分析：

如图1-2所示，采用某地区配电网系统进行案例分析，该系统共有两根母线、四根线路、四台变压器以及三个供用电区域。首先，对所提基于模糊集的拓扑变动识别方法进行验证，选取开关两端节点、以及4个临近节点的电压幅值信息作为数据源。分别设置了80％、60％、40％信息完整度的几个案例，其中特别考虑了开关两端电压信息是否完整，其结果如下表1所示：

表1

从表2中可见，当开关两端电压信息保持完整时，所提的方法在40％的信息不完整度下仍具备良好的拓扑结构识别能力。而当开关两端信息不完整时，在60％的信息不完整度下仍然能够正确识别。可见，基于模糊集理论融合了多个判据，能够在不完全信息下有效识别拓扑结构变动，有力地支撑了配电网故障研判工作。但同样可见，本文所提的方法尽管涉及了多个节点的电压信息，但仍比较依赖于开关两端的信息。

图神经网络采用GCN网络进行故障研判，并在训练时采用dropout，以提升图神经网络的性能，在验证时则不采用dropout。所提取的异质图神经网络也是基于GCN，采用了多头注意力机制，本文设置为4个。训练的mini batch为32和64，学习率为0.0005，总共epoch数为200，每1个epoch验证一次，验证时随机从验证集选取500条数据。训练损失与训练过程中的准确率如图3与图4所示。从图1中可以看出，当minibatch为32时，所提神经网络可以在第80个epoch时收敛；当minibatch为64时，所提的图神经网络可以在第70个Epoch时收敛，花费的时间也最少。将BP神经网络与所提的GCN网络进行对比，其结果如下表2所示。

表2

从表2中可以看出，当固定一种拓扑结构时，BP神经网络与图卷积神经网络都能够达到100％的准确率，且BP神经网络的训练时长比图卷积神经网络的训练时长更短。而当考虑到拓扑结构变动时，BP神经网络的故障研判准确度下降了15.5％，而所提的图卷积神经网络尽管会增加训练时长，但仍然能够保证准确率不下降。

最后，在不完全信息情况下，分别设置了三个场景，故障信息完整度分别为75％、62.5％、50％。需要指出的是，在训练时仍然分别完全信息进行训练，而在验证时采用不完全信息进行验证。分别采用BP神经网络、图卷积神经网络、基于信息补全的图卷积神经网络进行故障研判，其结果如下表3所示。结果表明，当信息缺失程度很高时，所提的基于信息补全的图神经网络仍然能够具有82％的准确率，而BP神经网络与图神经网络分别只有45.27％、55.25％，且其结果十分不稳定。

表3

由此案例可见，本方法具有以下优点：

(1)所提基于模糊集的拓扑识别方法采用多种判据，如两端节点的电压幅值变化、两端节点的电压幅值之差变化最大、相邻节点的电压幅值趋势，实现了信息的有效融合，能够在信息缺失度比较高的情况下仍具备良好的识别能力。

(2)在图神经网络完全信息下，相较于传统的BP神经网络，图神经网络由于其特殊的结构，在拓扑结构变动下仍然能够准确识别配电网故障区域。

(3)考虑到故障信息缺失的情况，提出一种基于信息补全的图神经网络，采用注意力机制进行信息补全，并将补全后的信息输入到故障研判图卷积神经网络中进行故障研判，该方式可以有效提升不完全信息下的配电网故障研判准确度。

本发明将图神经网络应用于配电网故障研判，以适应不断变化的配电网拓扑结构。考虑到实际配电网中故障信息缺失，提出一种不完全信息的配电网高容错故障研判方法，该方法能够在信息缺失严重的情况下仍然具有高精度。考虑到拓扑结构信息缺失情况，提出一种基于模糊集理论的配电网拓扑结构变动方法以识别配电网拓扑结构，从而有效支撑故障研判工作，图神经网络模型整体结构简便，诊断速度快，精度高，具有较好的实用价值。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种不完全信息的配电网高容错故障研判方法，其特征在于，包括如下步骤：

步骤1)：采集电网公司的网架信息与历史故障数据信息，所述网架信息与历史故障数据信息包括拓扑结构信息、开关信息、故障三相电流信息、三相电压幅值信息以及故障发生区段信息；

步骤2)：根据配电网的三相电压幅值信息，实行配电网的拓扑结构变动检测的启动条件，对拓扑结构变动的关键性特征进行深入挖掘，实行三种研判数据，并采用模糊集理论进行三相电压幅值信息不完全情况下的配电网拓扑结构识别；

步骤3)：将故障三相电流信息处理生成健全数据集与不健全数据集，基于这两个数据集来训练具有信息补全功能的图神经网络；

步骤4)：模型训练完毕后，输入配电网的实时故障数据进行故障诊断，当检测到信息不完全时，基于信息补全的图神经网络会首先补全信息，再根据完整信息进行故障研判。

2.根据权利要求1所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤1)中，调研和收集电网公司的所述网架信息与历史故障数据信息，采用数据预处理方式将部分冗余信息与错误信息进行剔除，对于不完全信息进行修正，提取出配电网的所述故障三相电流信息、三相电压幅值信息、拓扑结构信息和开关信息。

3.根据权利要求1所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤2)中，配电网的所述拓扑结构检测的启动条件为：所述开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网的拓扑结构变动检测，计算公式如下公式(1)-(2)所示：

其中，i,j分别代表开关两端节点，ε代表电压幅值变化百分比阈值。

4.根据权利要求3所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，配电网的所述三相电压幅值信息进行配电网拓扑结构变动识别时，采用如下步骤：

步骤S1)：当所述开关两端节点的电压幅值的变化百分比大于给定的阈值时，启动配电网拓扑结构变动检测；

步骤S2)：提出三种研判数据，第一种研判数据为：当开关状态发生变化时，发生动作开关的两端节点的电压幅值变化，通过公式(3)：

ΔU_k＝|U_k，t-1-U_k，t|，k∈Ω^K(3)

其中，Ω^K表示所有开关两端临近节点的集合，k表示第k个节点,t-1表示前一时刻，t表示当前时刻；

计算出开关两端多个节点的节点电压幅值变化，再根据开关节点电压变化最大值所在的开关节点是否属于开关两端的节点来判断开关是否发生变动；

第二种研判数据为：当开关状态发生变化时，发生动作开关两端节点的电压幅值之差变化最大，通过公式(3)：ΔU_k＝|U_k，t-1-U_k，t|，k∈Ω^K，计算出两个时刻开关两端所有相邻开关节点的电压差值变化百分比，若开关两端节点电压差值百分比最大，则该开关发生了变动；

第三种研判数据为：当开关状态发生变化时，发生动作开关的两端节点与相邻开关节点的电压幅值趋势也发生变化，在分段开关断开前，开关两端节点为馈线的中间节点，相邻节点的电压幅值的趋势为从高到低，而在分段开关断开后，开关两端节点为馈线的端节点，相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻开关节点的电压幅值从低到高；

步骤S3)：采用模糊集理论进行配电网拓扑结构变动的校验，建立三种研判数据总的隶属度函数。

5.根据权利要求4所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤S3)中，所述三种研判数据总的隶属度函数的计算方式如下公式(4)，配电网不完全信息下的拓扑结构变动概率值的计算方式为公式(5)，公式(6)-(8)分别为第一种至第三种研判数据的拓扑结构变动概率计算公式：

u＝ω_au_a+ω_bu_b+ω_cu_c (4)

其中，u为三种研判数据总的隶属度函数值，ω_a、ω_b和ω_c分别代表判据第一种判据、第二种判据、第三种判据的隶属度函数权值，N表示采集到一个环网中开关两端相邻节点的电压幅值的数目，M表示信息比较完备时的环网节点电压幅值信息数目，e^N/M表示指数e的N/M次方，u_a、u_b和u_c分别代表第一种至第三种拓扑结构变动概率，ΔU_i,j为电压幅值变化的百分比，Ψ_t-1与Ψ_t分别表示前一时刻与后一时刻开关相邻节点的电压幅值趋势，Ψx表示一种相邻节点电压趋势：相邻节点的电压幅值从高到低，Ψy表示另一种相邻节点电压趋势：相邻节点电压幅值的趋势为开关两端节点电压幅值最低，其余相邻节点电压幅值从低到高，根据三种隶属度函数的加权即ω_a、ω_b和ω_c，最终得到配电网不完全信息下的拓扑结构变动的概率值。

6.根据权利要求1所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤3)中，先是建立完全信息下的图神经网络结构，基于健全数据集、配电网拓扑信息与开关信息，采用两层图卷积神经网络加两层全连接层的结构来进行配电网故障研判，将故障电流测量装置与配电网节点共同作为图神经网络的节点，图神经网络节点输入的特征向量为三相故障电流，将图神经网络节点之间的线路作为图神经网络的边。

7.根据权利要求6所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，所述图神经网络提取配电网的多源数据特征，并将该数据特征归纳到每一个图神经网络节点上，设每个图神经网络节点只提取一个特征，当状态信息经过双层图神经网络后，将得到一个N×1的Y矩阵，再将该矩阵降维成一维数组作为全连接层的输入，采用多个全连接层与softmax函数对矩阵进行信息提取，从而得到每条线路发生故障的概率值，图卷积神经网络的训练损失函数为所有区段发生故障的概率分布与实际故障区段标签的交叉熵。

8.根据权利要求1所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤3)中，将所述故障三相电流信息的机械能进行处理并生成所述健全数据集与不健全数据集，从缺失的信息补全出发，提出一种图神经网络训练框架，先利用拓扑结构捕获节点之间的关系来表示学习节点的先验知识H，将学习节点作为指导信息补全的所述先验知识H，再设V⁺为带有属性的节点集合，V^-为属性缺失节点的集合，利用获得的先验知识H，使用注意力机制计算缺失属性目标节点的一阶邻居节点的重要性程度，并根据重要性系数来聚合已有属性的一阶邻居节点的属性为目标节点进行属性补全，将带有属性的节点随机划分为

和/>

将/>

中节点的属性删除，采用属性补全机制来重构删除的属性，设计属性补全与图神经网络相结合，进行不完全信息下的故障研判。

9.根据权利要求8所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，

计算所述属性的节点和重构删除的属性之间的欧氏距离得到所述属性补全的弱监督损失，如公式(9)：

其中，X_i ^C表示第i个节点补全后的属性，X_i表示第i个节点的原始属性；

将完全带有属性节点集合的矩阵连同拓扑结构一同输入到图神经网络模型中，得到标签预测损失，计算方式如下公式(10)：

其中，A代表拓扑结构信息，X^new表示通过信息补全后的完整节点特征信息矩阵,Y代表采用图神经网络进行故障研判的结果，Y代表实际的故障区段；

对属性补全机制是将标签预测损失和属性补全的弱监督损失组合，构建一种从一端到另一端的系统来进行联合优化的计算方法，即如下公式(11)：

其中,λ代表属性补全的损失的权重，即平衡损失系数。

10.根据权利要求1所述的一种不完全信息的配电网高容错故障研判方法，其特征在于，在所述步骤4)中，输入配电网的实时故障数据到图神经网络模型进行故障诊断，当检测到的实时故障数据信息不完全时，图神经网络会首先补全信息，再根据完整的故障数据信息进行故障研判，将输出结果与检修人员上报的数据作对比，在线学习的增强图神经网络模型的精度。

Images