CN117609824B - 有源配电网拓扑识别和故障诊断分析方法、装置及设备 - Google Patents
有源配电网拓扑识别和故障诊断分析方法、装置及设备 Download PDFInfo
- Publication number
- CN117609824B CN117609824B CN202311488197.3A CN202311488197A CN117609824B CN 117609824 B CN117609824 B CN 117609824B CN 202311488197 A CN202311488197 A CN 202311488197A CN 117609824 B CN117609824 B CN 117609824B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- node
- graph
- matrix
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 191
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- 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 Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种有源配电网拓扑识别和故障诊断分析方法、装置及设备，涉及配电网故障诊断领域，该方法包括基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取；结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析。本申请能够实现在配电网重构与分布式能源接入等场景下的故障精准定位。
Description
技术领域
本申请涉及配电网故障诊断领域，具体涉及一种有源配电网拓扑识别和故障诊断分析方法、装置及设备。
背景技术
新能源技术的发展是能源转型的必然要求，以光伏与风电为代表的分布式能源装机容量快速增长，然而，大量分布式能源的接入对配电网的安全稳定运行有着严重影响。在传统配电网中，系统潮流的方向单一，由台变流向负荷端点，而分布式能源的接入改变了有源配电网的局部潮流方向。在此背景下，一旦配电网发生故障，短路电流的大小与方向均会发生改变，传统的配电网故障诊断与定位方法很可能产生误判。因此，研究适用于有源配电网的故障诊断分析方法有着重要的意义。
目前，针对配电网故障诊断分析方法大多采用Adaboost(一种机器学习方法)、支持向量机、人工神经网络等机器学习算法，其本质上并未充分挖掘配电网天然的图拓扑结构信息。少数研究提出了基于图卷积神经网络的方法，采用图卷积神经网络捕捉配电网特征信息，并采用多层感知机进行故障预测。然而，该技术未考虑分布式能源接入的影响。此外，由于配电网故障诊断模型的训练非常依赖样本质量，而故障样本的数量远低于正常样本，这将导致模型训练中无法专注于故障场景的特征，模型的故障诊断准确性将受到影响。
发明内容
本申请提供一种有源配电网拓扑识别和故障诊断分析方法、装置及设备，能够实现在配电网重构与分布式能源接入等场景下的故障精准定位。
第一方面，本申请实施例提供一种有源配电网拓扑识别和故障诊断分析方法，所述有源配电网拓扑识别和故障诊断分析方法包括：
基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；
基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取；
结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析。
结合第一方面，在一种实施方式中，所述基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体步骤包括：
基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流。
结合第一方面，在一种实施方式中，所述基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取，具体步骤包括：
对每个节点均增加一条自连接，得到自循环邻接矩阵，具体为：
A'＝A+I
其中，A'表示自循环邻接矩阵，I表示单位矩阵；
对自循环邻接矩阵进行规范化操作，得到规范化邻接矩阵，具体为：
其中，A”表示规范化邻接矩阵，D表示自循环邻接矩阵A'的度矩阵；
对规范化邻接矩阵A”和特征矩阵X进行图卷积，得到每个图卷积层的输出Hi+1，最终得到高维特征Z，实现配电网的扑结构和节点信息的特征提取，具体的：
Hj+1＝f(Hj,A”)
其中，j表示图卷积层数，当j等于0时，H0即为特征矩阵X，f()表示激活函数。
结合第一方面，在一种实施方式中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于敏感分类惩罚机制，具体为：
定义不同类别样本的分类惩罚系数，
其中，ξi表示第i类样本的分类惩罚系数，ni表示第i类样本的数量，C表示样本总的类别数，nC表示第C类样本的数量；
得到敏感分类惩罚机制下的损失函数，
其中，L表示损失函数，N表示样本数量，p(xi)表示对输入变量xi的实际分布，q(xi)表示对输入变量xi的预测分布。
结合第一方面，在一种实施方式中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于多头注意力机制，具体为：
对所有相邻节点的相关度进行统一归一化处理，得到权重系数，具体的：
其中，eij表示相邻节点i和节点j的相关度，αij表示权重系数，softmax表示归一化函数，vk∈N(vi)表示节点k是节点i的相邻节点，W表示权重参数矩阵，S()表示非线性激活函数LeakyRelu，a()表示节点相关度函数，exp表示以自然常数e为底的指数函数，hi表示节点i的权重，hj表示节点j的权重，hk表示节点k的权重；
将多注意力头的输出进行拼接或者取平均操作，得到每个节点新的特征向量。
结合第一方面，在一种实施方式中，所述将多注意力头的输出进行拼接或者取平均操作，其中，对于拼接操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，||表示拼接操作，σ()表示激活函数。
结合第一方面，在一种实施方式中，所述将多注意力头的输出进行拼接或者取平均操作，其中，对于取平均操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，σ()表示激活函数。
第二方面，本申请实施例提供一种有源配电网拓扑识别和故障诊断分析装置，所述装置包括：
识别模块，其用于基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；
提取模块，其用于基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取；
诊断模块，其用于结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析。
结合第二方面，在一种实施方式中，所述基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体过程包括：
基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流。
第三方面，本申请实施例提供一种有源配电网拓扑识别和故障诊断分析设备，所述有源配电网拓扑识别和故障诊断分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的有源配电网拓扑识别和故障诊断分析程序，其中所述有源配电网拓扑识别和故障诊断分析程序被所述处理器执行时，实现上述所述的有源配电网拓扑识别和故障诊断分析方法的步骤。
本申请实施例提供的技术方案带来的有益效果包括：
(1)本申请将配电网的节点抽象为图的顶点，将架构线路或电缆抽象为图的边，从而更好的挖掘配电网节点特征与线路特征；
(2)不同于Adaboost与支撑向量机等机器学习方法，本申请所采用基于深度学习技术的图卷积神经网络进行配电网的故障诊断训练，极大提高了模型的实时性；
(3)本申请以图卷积神经网络为基础，融合敏感分类惩罚与多头注意力机制，提出了一种图注意力模型，增强模型对故障样本的关注程度，提高模型针对不同故障场景的识别准确性。
附图说明
图1为本申请一种有源配电网拓扑识别和故障诊断分析方法的流程图；
图2为本申请中混合C-GAT模型训练的流程图；
图3为IEEE 33节点系统拓扑示意图；
图4为GCN、GAT与混合C-GAT模型在不同场景下的测试结果；
图5为本申请一种有源配电网拓扑识别和故障诊断分析装置的结构示意图；
图6为有源配电网拓扑识别和故障诊断分析设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
第一方面，本申请实施例提供一种有源配电网拓扑识别和故障诊断分析方法，实现对有源配电网的故障诊断分析，能够解决深度学习训练样本极不平衡的问题，实现在配电网重构与分布式能源接入等场景下的故障精准定位。
一实施例中，参照图1，图1为本申请一种有源配电网拓扑识别和故障诊断分析方法的流程示意图。如图1所示，有源配电网拓扑识别和故障诊断分析方法包括：
S1：基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；
在有源的配电网运行中，大规模分布式能源的接入将影响故障状态下的电压分布与短路电流，传统故障诊断与定位模型的准确性无法保证。本申请从图论视角出发，将配电网建立为图结构模型，并进而引入深度学习算法进行训练识别。
具体的，在一实施例中，基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体步骤包括：
S101：基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
S102：基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流。
在图论中，图由顶点和连接顶点的边组成，而配电网大多为辐射状，具有天然的图结构属性，因此，本申请将配电网的节点抽象为图的顶点，将架构线路或电缆抽象为图的边，即得到图结构的配电网拓扑模型。
S2：基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取；
进一步的，在一实施例中，基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取，具体步骤包括：
S201：对每个节点均增加一条自连接，得到自循环邻接矩阵，具体为：
A'＝A+I
其中，A'表示自循环邻接矩阵，I表示单位矩阵；
即为了使节点自身的信息参与卷积，对每个节点均增加一条自连接，得到自循环邻接矩阵A'。
S202：对自循环邻接矩阵进行规范化操作，得到规范化邻接矩阵，具体为：
其中，A”表示规范化邻接矩阵，D表示自循环邻接矩阵A'的度矩阵；
即为了保证特征向量尺度的一致性，对自循环邻接矩阵A'进行规范化操作，得到规范化邻接矩阵A”。
S203：对规范化邻接矩阵A”和特征矩阵X进行图卷积，得到每个图卷积层的输出Hi +1，最终得到高维特征Z，实现配电网的扑结构和节点信息的特征提取，具体的：
Hj+1＝f(Hj,A”)
其中，j表示图卷积层数，当j等于0时，H0即为特征矩阵X，f()表示激活函数。
通过上述操作，可以整合配电网局部邻域内的节点信息，实现对局部子结构信息的聚合，最终完成整个配电网系统的拓扑结构及节点信息的提取与融合。
S3：结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，记为混合C-GAT模型，并基于所述图注意力模型进行配电网的故障诊断分析。GAT，全称GraphAttention Networks，即图注意力神经网络。
本申请的混合C-GAT模型在图卷积网络基础上引入了敏感分类惩罚机制和多头注意力机制，能够有效解决故障样本与非故障样本比例失衡的问题，将配电网故障场景下的节点特征融入故障诊断模型中，实现高准确性的故障定位。
在模型训练过程中，非故障样本数据比例远远大于故障样本，这将导致模型无法更关注于故障场景，在实际应用中可能出现部分故障无法识别的情况。为此，本申请提出了一种敏感分类惩罚机制，以提高模型对故障样本的关注程度。
具体的，结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于敏感分类惩罚机制，具体为：
S301：定义不同类别样本的分类惩罚系数，
其中，ξi表示第i类样本的分类惩罚系数，ni表示第i类样本的数量，C表示样本总的类别数，nC表示第C类样本的数量；
S302：得到敏感分类惩罚机制下的损失函数，
其中，L表示损失函数，N表示样本数量，p(xi)表示对输入变量xi的实际分布，q(xi)表示对输入变量xi的预测分布。
由上述可知，故障类别的样本数量越少，分类惩罚系数越大，使得模型在训练过程中更加关注故障样本。
进一步的，图卷积神经网络每次更新都需要调用配电网结构信息，即规范化邻接矩阵，这导致模型对于配电网重构的场景适应性较差。为此，本申请引入多头注意力机制，自适应调节各节点之间的注意力系数，提高模型对于配电网重构场景的泛化能力。
具体的，结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于多头注意力机制，具体为：
S311：为了更好地分配权重，对所有相邻节点的相关度进行统一归一化处理，得到权重系数，具体的：
其中，eij表示相邻节点i和节点j的相关度，αij表示权重系数，softmax表示归一化函数，vk∈N(vi)表示节点k是节点i的相邻节点，W表示权重参数矩阵，S()表示非线性激活函数LeakyRelu，a()表示节点相关度函数，exp表示以自然常数e为底的指数函数，hi表示节点i的权重，hj表示节点j的权重，hk表示节点k的权重；
S312：将多注意力头的输出进行拼接或者取平均操作，得到每个节点新的特征向量。
进一步的，在一实施例中，将多注意力头的输出进行拼接或者取平均操作，其中，对于拼接操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，||表示拼接操作，σ()表示激活函数。
进一步的，在一实施例中，将多注意力头的输出进行拼接或者取平均操作，其中，对于取平均操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，σ()表示激活函数。
以下结合图2，对本申请中混合C-GAT模型的训练过程进行说明。
A：初始化混合C-GAT模型的训练参数，转到B；
B：对有源配电网进行拓扑识别，构建邻接矩阵与特征矩阵，转到C；
C：混合C-GAT模型接收整理训练数据，转到D；
D：基于多头注意力机制聚合转化配电网特征信息，转到E；
E：混合C-GAT模型输出配电网故障诊断结果，转到F；
F：基于敏感分类惩罚机制计算损失函数，并更新模型参数，转到G；
G：判断是否达到最大训练次数，若是，则转到H，若否，则转到B；
H：输出基于混合C-GAT的有源配电网故障诊断模型，实现对混合C-GAT模型的训练。
以下结合一实例，对本申请的有源配电网拓扑识别和故障诊断分析方法进行详细说明。
采用修改的IEEE 33节点系统进行仿真测试，IEEE 33节点系统拓扑如图3所示，其中，PV1与PV2为光伏系统，容量为150kW，WT1与WT2为风电，容量为200kW。
对混合C-GAT模型进行训练，训练过程如图2所示，在训练中首先初始化混合C-GAT模型的训练参数，并对有源配电网进行拓扑识别，构建邻接矩阵与特征矩阵。其次，混合C-GAT模型接收整理训练数据，基于多头注意力机制聚合转化配电网特征信息，并输出配电网故障诊断结果。然后，基于敏感分类惩罚机制计算损失函数，并更新模型参数。最后，重复上述步骤直至训练完成。
采用训练完成的GCN(Graph Convolutional Networks，图卷积网络)、GAT与混合C-GAT模型对以下三种场景分别在线测试20次，测试结果如图4所示。
场景1：配电网有DG(分布式发电装置)接入，拓扑结构不变；
场景2：配电网无DG接入，拓扑结构改变；
场景3：配电网有DG接入，拓扑结构改变；
由图4可知，混合C-GAT模型在不同场景下的测试结果均优于其他算法，平均故障诊断准确率达96.32％。具体而言，三种算法在场景2均表现出了出色的诊断效果，这主要得益于图卷积对图结构拓扑的学习能力。在场景3中DG的接入使得GCN与GAT算法的识别效果大打折扣，而混合C-GAT模型凭借敏感分类惩罚与多头注意力机制能够高效融合图拓扑与节点信息并感知DG接入带来的影响，最终相较于GCN模型提升了10.30％的准确率，模型在不同场景的泛化性能得到了证明。
本申请的有源配电网拓扑识别和故障诊断分析方法，本申请将配电网的节点抽象为图的顶点，将架构线路或电缆抽象为图的边，从而更好的挖掘配电网节点特征与线路特征；不同于Adaboost与支撑向量机等机器学习方法，本申请所采用基于深度学习技术的图卷积神经网络进行配电网的故障诊断训练，极大提高了模型的实时性；本申请以图卷积神经网络为基础，融合敏感分类惩罚与多头注意力机制，提出了一种图注意力模型，增强模型对故障样本的关注程度，提高模型针对不同故障场景的识别准确性。
第二方面，本申请实施例还提供一种有源配电网拓扑识别和故障诊断分析装置。
一实施例中，参照图5，图5为本申请有源配电网拓扑识别和故障诊断分析装置的功能模块示意图。如图5所示，有源配电网拓扑识别和故障诊断分析装置包括识别模块、提取模块和诊断模块。
识别模块用于基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；提取模块用于基于图卷积聚合配电网的节点信息和结构信息，进行配电网的扑结构和节点信息的特征提取；诊断模块用于结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析。
本申请中，基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体过程包括：
基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流。
第三方面，本申请实施例提供一种有源配电网拓扑识别和故障诊断分析设备，有源配电网拓扑识别和故障诊断分析设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
参照图6，图6为本申请实施例方案中涉及的有源配电网拓扑识别和故障诊断分析设备的硬件结构示意图。本申请实施例中，有源配电网拓扑识别和故障诊断分析设备可以包括处理器、存储器、通信接口以及通信总线。
其中，通信总线可以是任何类型的，用于实现处理器、存储器以及通信接口互连。
通信接口包括输入/输出(input/output，I/O)接口、物理接口和逻辑接口等用于实现有源配电网拓扑识别和故障诊断分析设备内部的器件互连的接口，以及用于实现有源配电网拓扑识别和故障诊断分析设备与其他设备(例如其他计算设备或用户设备)互连的接口。物理接口可以是以太网接口、光纤接口、ATM接口等；用户设备可以是显示屏(Display)、键盘(Keyboard)等。
存储器可以是各种类型的存储介质，例如随机存取存储器(randomaccessmemory，RAM)、只读存储器(read-only memory，ROM)、非易失性RAM(non-volatileRAM，NVRAM)、闪存、光存储器、硬盘、可编程ROM(programmable ROM，PROM)、可擦除PROM(erasable PROM，EPROM)、电可擦除PROM(electrically erasable PROM，EEPROM)等。
处理器可以是通用处理器，通用处理器可以调用存储器中存储的有源配电网拓扑识别和故障诊断分析程序，并执行本申请实施例提供的有源配电网拓扑识别和故障诊断分析方法。例如，通用处理器可以是中央处理器(central processing unit，CPU)。其中，有源配电网拓扑识别和故障诊断分析程序被调用时所执行的方法可参照本申请有源配电网拓扑识别和故障诊断分析方法的各个实施例，此处不再赘述。
本领域技术人员可以理解，图6中示出的硬件结构并不构成对本申请的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。术语“第一”、“第二”和“第三”等描述，是用于区分不同的对象等，其不代表先后顺序，也不限定“第一”、“第二”和“第三”是不同的类型。
在本申请实施例的描述中，“示例性的”、“例如”或者“举例来说”等用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
在本申请实施例描述的一些流程中，包含了按照特定顺序出现的多个操作或步骤，但是应该理解，这些操作或步骤可以不按照其在本申请实施例中出现的顺序来执行或并行执行，操作的序号仅用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作或步骤可以按顺序执行或并行执行，并且这些操作或步骤可以进行组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (5)
1.一种有源配电网拓扑识别和故障诊断分析方法，其特征在于，所述有源配电网拓扑识别和故障诊断分析方法包括：
基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；
基于图卷积聚合配电网的节点信息和结构信息，进行配电网的拓扑结构和节点信息的特征提取；
结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析；
其中，基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体步骤包括：
基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流；
其中，基于图卷积聚合配电网的节点信息和结构信息，进行配电网的拓扑结构和节点信息的特征提取，具体步骤包括：
对每个节点均增加一条自连接，得到自循环邻接矩阵，具体为：
A'＝A+I
其中，A'表示自循环邻接矩阵，I表示单位矩阵；
对自循环邻接矩阵进行规范化操作，得到规范化邻接矩阵，具体为：
其中，A”表示规范化邻接矩阵，D表示自循环邻接矩阵A'的度矩阵；
对规范化邻接矩阵A”和特征矩阵X进行图卷积，得到每个图卷积层的输出Hi+1，最终得到高维特征Z，实现配电网的扑结构和节点信息的特征提取，具体的：
Hj+1＝f(Hj,A”)
其中，j表示图卷积层数，当j等于0时，H0即为特征矩阵X，f()表示激活函数；
其中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于敏感分类惩罚机制，具体为：
定义不同类别样本的分类惩罚系数，
其中，ξi表示第i类样本的分类惩罚系数，ni表示第i类样本的数量，C表示样本总的类别数，nC表示第C类样本的数量；
得到敏感分类惩罚机制下的损失函数，
其中，L表示损失函数，N表示样本数量，p(xi)表示对输入变量xi的实际分布，q(xi)表示对输入变量xi的预测分布；
其中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于多头注意力机制，具体为：
对所有相邻节点的相关度进行统一归一化处理，得到权重系数，具体的：
其中，eij表示相邻节点i和节点j的相关度，αij表示权重系数，softmax表示归一化函数，vk∈N(vi)表示节点k是节点i的相邻节点，W表示权重参数矩阵，S()表示非线性激活函数LeakyRelu，a()表示节点相关度函数，exp表示以自然常数e为底的指数函数，hi表示节点i的权重，hj表示节点j的权重，hk表示节点k的权重；
将多注意力头的输出进行拼接或者取平均操作，得到每个节点新的特征向量。
2.如权利要求1所述的一种有源配电网拓扑识别和故障诊断分析方法，其特征在于，所述将多注意力头的输出进行拼接或者取平均操作，其中，对于拼接操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，||表示拼接操作，σ()表示激活函数。
3.如权利要求1所述的一种有源配电网拓扑识别和故障诊断分析方法，其特征在于，所述将多注意力头的输出进行拼接或者取平均操作，其中，对于取平均操作，具体为：
其中，hi'表示新的特征向量，D表示第个注意力头数的αij，vj∈N(vi)表示节点j是节点i的相邻节点，表示第d个注意力头对应的αij，Wd表示第d个注意力头对应的权重参数矩阵，σ()表示激活函数。
4.一种有源配电网拓扑识别和故障诊断分析装置，其特征在于，所述装置包括：
识别模块，其用于基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，并基于所述配电网拓扑模型进行配电网拓扑结构识别；
提取模块，其用于基于图卷积聚合配电网的节点信息和结构信息，进行配电网的拓扑结构和节点信息的特征提取；
诊断模块，其用于结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，并基于所述图注意力模型进行配电网的故障诊断分析；
其中，基于图论建立配电网的结构模型，得到图结构的配电网拓扑模型，具体步骤包括：
基于图论，将配电网的节点识别为图的顶点，将架构线路或电缆识别为图的边，得到图结构的配电网拓扑模型；
采用邻接矩阵描述配电网拓扑结构，具体的：
其中，A表示邻接矩阵，n表示配电网的节点个数，Ann表示邻接矩阵的第n行第n列的元素，当节点n与节点n之间存在直连线路时，Ann取值为1，当节点n与节点n之间不存在直连线路时，Ann取值为0；
基于配电网的三相电压电流幅值，构建节点的特征矩阵，具体的：
其中，X表示特征矩阵，Van、Vbn、Vcn表示节点n的三相电压，Ian、Ibn、Icn表示节点n的三相电流；
其中，基于图卷积聚合配电网的节点信息和结构信息，进行配电网的拓扑结构和节点信息的特征提取，具体步骤包括：
对每个节点均增加一条自连接，得到自循环邻接矩阵，具体为：
A'＝A+I
其中，A'表示自循环邻接矩阵，I表示单位矩阵；
对自循环邻接矩阵进行规范化操作，得到规范化邻接矩阵，具体为：
其中，A”表示规范化邻接矩阵，D表示自循环邻接矩阵A'的度矩阵；
对规范化邻接矩阵A”和特征矩阵X进行图卷积，得到每个图卷积层的输出Hi+1，最终得到高维特征Z，实现配电网的扑结构和节点信息的特征提取，具体的：
Hj+1＝f(Hj,A”)
其中，j表示图卷积层数，当j等于0时，H0即为特征矩阵X，f()表示激活函数；
其中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于敏感分类惩罚机制，具体为：
定义不同类别样本的分类惩罚系数，
其中，ξi表示第i类样本的分类惩罚系数，ni表示第i类样本的数量，C表示样本总的类别数，nC表示第C类样本的数量；
得到敏感分类惩罚机制下的损失函数，
其中，L表示损失函数，N表示样本数量，p(xi)表示对输入变量xi的实际分布，q(xi)表示对输入变量xi的预测分布；
其中，所述结合敏感分类惩罚机制和多头注意力机制以构建图注意力模型，其中，对于多头注意力机制，具体为：
对所有相邻节点的相关度进行统一归一化处理，得到权重系数，具体的：
其中，eij表示相邻节点i和节点j的相关度，αij表示权重系数，softmax表示归一化函数，vk∈N(vi)表示节点k是节点i的相邻节点，W表示权重参数矩阵，S()表示非线性激活函数LeakyRelu，a()表示节点相关度函数，exp表示以自然常数e为底的指数函数，hi表示节点i的权重，hj表示节点j的权重，hk表示节点k的权重；
将多注意力头的输出进行拼接或者取平均操作，得到每个节点新的特征向量。
5.一种有源配电网拓扑识别和故障诊断分析设备，其特征在于，所述有源配电网拓扑识别和故障诊断分析设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的有源配电网拓扑识别和故障诊断分析程序，其中所述有源配电网拓扑识别和故障诊断分析程序被所述处理器执行时，实现如权利要求1至3中任一项所述的有源配电网拓扑识别和故障诊断分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311488197.3A CN117609824B (zh) | 2023-11-09 | 2023-11-09 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311488197.3A CN117609824B (zh) | 2023-11-09 | 2023-11-09 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117609824A CN117609824A (zh) | 2024-02-27 |
| CN117609824B true CN117609824B (zh) | 2024-05-07 |
Family
ID=89955342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311488197.3A Active CN117609824B (zh) | 2023-11-09 | 2023-11-09 | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117609824B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118569507A (zh) * | 2024-07-31 | 2024-08-30 | 国网信通亿力科技有限责任公司 | 一种基于量测数据的配网设备诊断分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 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 |
| CN115510954A (zh) * | 2022-09-06 | 2022-12-23 | 国网冀北电力有限公司张家口供电公司 | 基于正交图注意力神经网络的配电网故障诊断方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6906478B2 (ja) * | 2018-05-23 | 2021-07-21 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
-
2023
- 2023-11-09 CN CN202311488197.3A patent/CN117609824B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
| CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 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 |
| CN115510954A (zh) * | 2022-09-06 | 2022-12-23 | 国网冀北电力有限公司张家口供电公司 | 基于正交图注意力神经网络的配电网故障诊断方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Single Phase to Ground Fault Location of Distribution Network Based on Combined-GAT;Liu, Keyan等;《Recent Advances in Electrical & Electronic Engineering》;20220901;第15卷(第6期);465-474 * |
| 基于图注意力网络和一致性风险控制的配电网故障区段定位方法;陈晓龙等;《电网技术》;20231026;第47卷(第12期);1-13 * |
| 基于深度学习的含分布式电源配电网故障诊断和定位;张文政;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20240331;C042-1380 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117609824A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Achieving 100x acceleration for N-1 contingency screening with uncertain scenarios using deep convolutional neural network | |
| CN117609824B (zh) | 有源配电网拓扑识别和故障诊断分析方法、装置及设备 | |
| CN110111198A (zh) | 用户金融风险预估方法、装置、电子设备及可读介质 | |
| CN112711953A (zh) | 一种基于注意力机制和gcn的文本多标签分类方法和系统 | |
| CN109190672A (zh) | 电力系统运行工况无监督聚类方法及装置 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN112785005B (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
| CN109117352B (zh) | 服务器性能预测方法和装置 | |
| Li et al. | Federated anomaly detection on system logs for the internet of things: A customizable and communication-efficient approach | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| Subramaniam et al. | Review of security in mobile edge computing with deep learning | |
| CN113836707B (zh) | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| CN111586728B (zh) | 一种面向小样本特征的异构无线网络故障检测与诊断方法 | |
| CN116757062A (zh) | 电力负荷频率特性分析方法、装置、设备和存储介质 | |
| Wu et al. | Gridtopo-GAN for distribution system topology identification | |
| Afrasiabi et al. | Wide-area composite load parameter identification based on multi-residual deep neural network | |
| CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
| CN114021425A (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
| CN117972579A (zh) | 窃电行为检测方法、装置、设备及存储介质 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| CN113065662A (zh) | 数据处理方法、自学习系统及电子设备 | |
| CN115935225A (zh) | 一种非侵入式负荷识别方法及装置 | |
| CN112632846B (zh) | 一种电力系统输电断面极限概率评估方法及电子设备 | |
| CN115311509A (zh) | 基于图像化数据驱动的电力系统暂态稳定评估方法及系统 |
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 |