[發明專利]一種自適應圖卷積神經網絡的配電網故障診斷方法及系統

在審

• 申請號: 202210738690.5
• 申請日: 2022-06-27
• 公開（公告）號: CN115166415A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 楊會軒;蘇明;李欣;劉金會
• 申請（專利權）人: 山東華科信息技術有限公司;北京華清未來能源技術研究院有限公司;北京華清智匯能源技術有限公司
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南誠智商標專利事務所有限公司 37105
• 代理人: 黃曉燕

本發明提供了一種自適應圖卷積神經網絡的配電網故障診斷方法及系統，方法包括將配電網的饋線作為圖模型的節點，饋線的連接點作為圖模型的邊，構建配電網圖卷積模型；將配電網圖卷積模型的信號進行圖傅里葉變換，在頻譜域進行卷積，再進行圖傅里葉逆變換，得到圖卷積網絡的輸出；將圖卷積網絡的輸出結果輸入多層感知機故障預測模型，在預測模型訓練至損失收斂時，輸出配電網故障的診斷結果。配電網圖卷積模型的構建方式簡化了配網網絡拓撲的復雜性。基于切比雪夫多項式提出自適應圖卷積核，自適應提取配電網故障數據的特征信息，最后將特征參數輸入到多層感知機MLP分類器中，得到配電網故障的診斷結果，有效提高了預測診斷的準確性和快速性。

技術領域

本發明涉及電網故障診斷技術領域，尤其是一種自適應圖卷積神經網絡的配電網故障診斷方法及系統。

背景技術

電力工程是各領域及日常生活中尤為重要的基本成份，因此電力系統的穩定性至關重要。統計分析表明80％以上的斷電安全事故是因配電網故障造成的。若在故障產生以前獲得故障預警信息，查出故障位置并維護系統,可以合理的降低斷電故障的產生,從而可以提高配電網的服務水平。

伴隨著電網技術的不斷提高，各類電網基礎設施建設給電網帶來了數據驅動的態勢感知能力,這為評估配電網運行狀態，并運用這些狀態開展有關科學研究提供了條件。配電網故障的診斷是配電網運行的重要工作，但是故障原因、故障現象、故障過程錯綜復雜,這都是配電網故障診斷分析的難點。

目前，針對配電系統的故障診斷問題，主要集中在基于支持向量機SVM算法、ADABoost優化算法、人工神經網絡ANN算法等機器學習算法領域。大多數方案都使用了經典的機器學習算法，并且預測診斷的故障對象集中在單一饋線上。針對每一條饋線建模診斷每條饋線會出現故障的概率,卻忽略了相連饋線之間的互相影響，造成診斷結果不準確。

發明內容

本發明提供了一種自適應圖卷積神經網絡的配電網故障診斷方法及系統，用于解決現有在故障診斷時，未考慮饋線連接的影響，造成診斷結果不準確的問題。

為實現上述目的，本發明采用下述技術方案：

本發明第一方面提供了一種自適應圖卷積神經網絡的配電網故障診斷方法，所述方法包括以下步驟：

將配電網的饋線作為圖模型的節點，饋線的連接點作為圖模型的邊，構建配電網圖卷積模型，并獲取配電網不同狀態時的參數信息，將所述配電網圖卷積模型用矩陣表示；

將配電網圖卷積模型的信號進行圖傅里葉變換，在頻譜域進行卷積，再進行圖傅里葉逆變換，得到圖卷積網絡的輸出；

將圖卷積網絡的輸出結果輸入多層感知機故障預測模型，在預測模型訓練至損失收斂時，輸出配電網故障的診斷結果。

進一步地，所述配電網圖卷積模型用拉普拉斯矩陣L表示，具體為：

L＝D-A

其中D和A分別代表度矩陣和鄰接矩陣，所述鄰接矩陣基于配電網系統正常狀態和故障狀態下數據采集器獲取到的參數信息構建。

進一步地，所述方法還包括對所述拉普拉斯矩陣進行特征分解，具體為：

式中是由單位特征向量組成的矩陣；Λ是拉普拉斯矩陣的特征值組成的對角矩陣。

進一步地，所述圖傅里葉變換的矩陣形式具體為：

f是圖模型的N維分量，U^T是U的轉置矩陣。

進一步地，圖卷積的計算具體為：