[發明專利]一種基于圖卷積神經網絡的低電壓診斷方法

有效

• 申請號: 202010587147.0
• 申請日: 2020-06-24
• 公開（公告）號: CN111965476B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 李峰;陳健;袁棟;席文兵;戴欣;汪洋;方鑫;石旭初;崔樹春;程力涵;鄒杰
• 申請（專利權）人: 國網江蘇省電力有限公司淮安供電分公司;國網江蘇省電力有限公司;國網江蘇省電力有限公司電力科學研究院;國網江蘇省電力有限公司泰州供電分公司
• 主分類號: G01R31/08
• 分類號: G01R31/08;G01R19/165;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 淮安市科文知識產權事務所 32223
• 代理人: 李鋒

1.一種基于圖卷積神經網絡的低電壓診斷方法，其特征在于，包括如下步驟：

步驟1：基于配電網的電氣圖、總線的相互連接關系構建拓撲連接圖以及節點的物理信息；

步驟1-1：用表示電網的無向加權圖，其中表示節點的集合，并且表示邊的集合，表示加權鄰接矩陣，n為節點數；

步驟1-2：對于配電系統中給定的測量總線，訪問三相電壓和電流相量n₀為觀測到的總線數；

步驟2：根據步驟1構建的圖模型，計算圖的歸一化拉普拉斯矩陣Δ；

步驟3：根據步驟2對拉普拉斯矩陣進行譜分解；

步驟4：利用圖模型上的傅里葉變換進行圖的卷積操作；

步驟5：輸入X通過L_c圖卷積層和L_f全連通層，然后通過一個softmax激活函數，具體地說，利用卷積核和全連接網絡計算最終輸出的y；

步驟5-1：計算圖卷積后的特征表示：

其中，X為原始圖上的特征向量表示，σ為激活函數sigmoid，X'表示經過一層圖卷積過后圖上的特征表示；為對角矩陣；Φ是Δ的正交向量；

步驟5-2：通過全連接網絡獲得最終的輸出：

最后一個圖卷積層的輸出H被平鋪成一個向量并傳遞給全連通層，處于低電壓狀態下的線路通過獲取，其中a_i表示最后一層第i個激活值；

步驟6：基于步驟5的訓練結果進行模型的優化，具體是通過定義交叉熵損失函數去對于模型中的參數進行優化。

2.根據權利要求1所述的基于圖卷積神經網絡的低電壓診斷方法，其特征在于，所述步驟2中歸一化圖拉普拉斯矩陣計算公式為：

Δ＝D^-1/2Δ_uD^-1/2＝I-D^-1/2WD^-1/2

其中，I是單位矩陣，Δ_u＝D-W為的未歸一化圖拉普拉斯行列式，D為對角線項為D_ii＝∑_jW_i的圖度矩陣。

3.根據權利要求2所述的基于圖卷積神經網絡的低電壓診斷方法，其特征在于，所述步驟4中圖的卷積操作詳細步驟包括:

步驟4-1：對于一個信號f(i)與圖上的頂點一一對應，利用矩陣乘法將Graph上的傅里葉變換推廣到矩陣形式：

即f在Graph上傅里葉變換的矩陣形式為：其逆形式為Φ＝(φ₁,···,φ_n)是Δ的正交向量；信號f即為原始圖上的特征向量表示X；

步驟4-2：利用卷積定理公式，如下：

定義兩個信號g和f的頻譜卷積為：

步驟4-3：將步驟4-2中進行參數化表示，表示為如下對角矩陣：

4.根據權利要求1所述的基于圖卷積神經網絡的低電壓診斷方法，其特征在于，所述步驟6中模型的優化過程包括：

步驟6-1：模型訓練過程中采用交叉熵損失函數作為代價函數，其一般表達式如下：

其中，y⁽ⁱ⁾表示第i個節點是否是低電壓，其中1表示低電壓，0表示非低電壓；m表示樣本的數量，x⁽ⁱ⁾表示第i個樣本的特征表示，h_θ表示激活函數sigmoid；

步驟6-2：對模型中的參數進行優化，具體是通過梯度下降法進行參數的優化，如下式：

其中，θ_j表示模型的第j個參數，α表示學習率，表示第i個樣本在第j個維度上的取值。