一种基于图神经网络的电网故障检测方法及装置

1.本发明涉及电网故障诊断技术领域，尤其涉及一种基于图神经网络的电网故障检测方法及装置。

背景技术：

2.随着电力物联网的不断发展，电力大数据迎来新机遇。同时，智能配电网建设的蓬勃发展，投资不断增加，对智能配电网建设质量进行评估已成为一项紧迫的任务。近年来，数据驱动的建模和人工智能算法迅速发展，基于样本学习的配电网评估方式也成为研究热点。调控机构利用人工智能技术模拟人类思维,通过学习海量电网运行数据和运行经验,发现规律。
3.目前，电网故障后的处置调度工作主要依赖于调度人员的主观性决策，由调度人员实时分析故障后电网的状态、参数变化情况，查明故障发生的原因并制定相应的故障处置措施。
4.随着电力系统的快速发展，电网结构和运行模式愈加复杂，故障后的处置难度不断提高，依赖于人工经验的传统调度决策机制越来越难以应对复杂大电网的快速故障分析和故障处置。近几十年来，国内外学者提出了一系列故障诊断的方法和思路，主要有petri网、人工神经网络、遗传算法、粗糙集决策、专家系统、数据挖掘等智能方法。
5.电力系统需要借助数据处理将非结构化的故障数据抽取关键性特征，由于电网结构的电气连接属性，可以将电网结构抽象为图结构，借助图神经网络进行辅助判断，在电网故障发生时，帮助调度员快速分析事故原因，全面地掌握故障处理的关键信息，并进行辅助决策，以提高电网的应急处置能力，目前仍缺少以一种利用图结构进行电网故障检测的手段。

技术实现要素：

6.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
7.为此，本发明的目的在于提出一种基于图神经网络的电网故障检测方法，通过构建电网特征抽取模型以及知识图谱，将电网领域零散的故障案例知识和庞杂的故障数据有效关联，并应用基于图卷积的神经网络进行网络故障智能诊断，辅助解决网络运维领域的故障问题。将所提出图神经网络应用于电网故障定位，电网节点相关性分析，电网故障关键性特征抽取等问题，经过仿真故障场景验证，可以极大提高故障节点的定位效率，提高定位精度。
8.本发明的另一个目的在于提出一种基于图神经网络的电网故障检测装置。
9.为达上述目的，本发明一方面提出了一种基于图神经网络的电网故障检测方法，包括：
10.构建电力系统中基于节点系统的图结构数据，并将所述图结构数据划分为训练集和测试集；
11.基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；
12.基于所述邻接矩阵和所述图结构数据构建图神经网络模型，利用所述训练集训练图神经网络模型得到电网故障检测模型，并利用所述测试集测试所述电网故障检测模型得到训练好的电网故障检测模型；
13.将电力系统中电网的待检测节点数据输入所述训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
14.根据本发明实施例的基于图神经网络的电网故障检测方法还可以具有以下附加技术特征：
15.进一步地，在本发明的一个实施例中，所述基于邻接矩阵和所述图结构数据构建图神经网络模型，包括：基于图神经网络和邻接矩阵度对图结构数据进行特征维度处理，输出第一维度数据；基于所述第一维度数据和预设处理方式得到第二维度数据，利用所述第二维度数据和预设函数得到最终预测值，利用所述最终预测值和标签计算损失函数以建图神经网络模型。
16.进一步地，在本发明的一个实施例中，所述构建电力系统中基于节点系统的图结构数据，包括：基于电力系统中电网故障发生时刻，过滤预设时刻的故障数据得到仿真数据；基于所述仿真数据获取故障态数据标签和非故障态数据标签，并到数据集样本。
17.进一步地，在本发明的一个实施例中，所述将图结构数据划分为训练集和测试集，包括：根据所述数据集样本的时序关系和预设比例，以每三个时间节点为一组，将前两个时间节点划分为训练集，后一个时间节点划分为测试集。
18.进一步地，在本发明的一个实施例中，所述损失函数采用二分类交叉熵损失，表达式为：
[0019][0020]
式中，n为数据集样本的样本总量，yn为真实值概率，取0或1，xn为预测值概率。
[0021]
为达到上述目的，本发明另一方面提出了一种基于图神经网络的电网故障检测装置，包括：
[0022]
数据获取模块，用于构建电力系统中基于节点系统的图结构数据，并将所述图结构数据划分为训练集和测试集；
[0023]
矩阵构建模块，用于基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；
[0024]
模型训练模块，用于基于所述邻接矩阵和所述图结构数据构建图神经网络模型，利用所述训练集训练图神经网络模型得到电网故障检测模型，并利用所述测试集测试所述电网故障检测模型得到训练好的电网故障检测模型；
[0025]
故障检测模块，用于将电力系统中电网的待检测节点数据输入所述训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
[0026]
本发明实施例的基于图神经网络的电网故障检测方法和装置，能将所提出图神经网络应用于电网故障定位，电网节点相关性分析，电网故障关键性特征抽取等问题，经过仿真故障场景验证，可以极大提高故障节点的定位效率，提高定位精度。
[0027]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0028]
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0029]
图1为根据本发明实施例的基于图神经网络的电网故障检测方法流程图；
[0030]
图2为根据本发明实施例的ieee10机39节点拓扑结构示意图；
[0031]
图3为根据本发明实施例的图神经网络的基本流程图；
[0032]
图4为根据本发明实施例的图神经网络的架构图
[0033]
图5为根据本发明实施例的基于图神经网络的电网故障检测装置的结构示意图。
具体实施方式
[0034]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0035]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0036]
下面参照附图描述根据本发明实施例提出的基于图神经网络的电网故障检测方法和装置。
[0037]
图1是本发明一个实施例的基于图神经网络的电网故障检测方法的流程图。
[0038]
如图1所示，该方法包括但不限于以下步骤：
[0039]
s1，构建电力系统中基于节点系统的图结构数据，并将图结构数据划分为训练集和测试集；
[0040]
s2，基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；
[0041]
s3，基于邻接矩阵和图结构数据构建图神经网络模型，利用训练集训练图神经网络模型得到电网故障检测模型，并利用测试集测试电网故障检测模型得到训练好的电网故障检测模型；
[0042]
s4，将电力系统中电网的待检测节点数据输入训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
[0043]
下面结合附图对本发明实施例的基于图神经网络的电网故障检测方法进行详细阐述。
[0044]
首选是，构建图结构数据，图2为根据本发明实施例的ieee10机39节点拓扑结构示意图，如图2所示：
[0045]
ieee10机39节点系统是一个在电力系统领域较为有名的区域性输电系统网络，又称新英格兰39节点系统(new england 39bus system,ne39bs)，该基准网络配置于美国新英格兰地区，由39个母线组成，其中包括10个发电机母线和19个负荷母线，广泛应用于小信
号稳定性研究、动态稳定分析、电能质量分析与控制等领域。本研究基于39节点系统，数据主要来源于39节点系统仿真。
[0046]
ieee10机39节点系统中，节点属性包括母线幅值、相角，发电机励磁电压、功角、有功功率、无功功率。为了引入时间维度的特征，利用相邻时刻的信息辅助对中间时刻状态的预测，设置时间维度的滑窗大小为5个时刻，计算当前时刻与前后各两个时刻的母线幅值、相角的均值和方差，也作为节点的属性。因此，该39节点电网系统的图结构数据可表示为
[0047]
数据构建。故障发生时刻设置为0.1s，分别在0.70s、0.72s、0.74s、0.76s、0.78s切除故障以得到仿真数据。将在0.70s、0.72s、0.74s、0.76s、0.78s切除故障生成的故障态数据标签设置为1，共320个样本。将0.74s切除故障至最终的时间节点的非故障态数据标签设置为0，共927个样本。该数据集共1247个样本。将得到的数据集划分为训练集和测试集，具体划分方式为：根据时序关系，每三个时间节点为一组，前两个设置为训练集，后一个设置为测试集。其中，训练集共832个样本，测试集共415个样本，比例约为2:1。该数据集中所有样本的拓扑结构是相同的。
[0048]
进一步地，构建邻接矩阵：
[0049]
可以理解的是，不考虑潮流方向，将ieee 10机39节点系统抽象生成的拓扑图视为无向图。根据节点之间的连接关系，构建邻接矩阵
[0050]
进一步地，图神经网络的结构，图3为图神经网络的基本流程图，图4为图神经网络的架构图，如图3和图4所示，
[0051]
图神经网络总体架构采用了u型结构，对输入的图结构数据先升维后降维，最终得到的输出特征维度为39
×
1，其中每个图神经网络层后都通过激活函数进行非线性变换。
[0052]
损失函数设置。对网络的输出应用掩码，屏蔽除15节点外的其他维度数据，并通过sigmoid函数得到最终预测值。利用最终预测值和标签计算损失函数，损失函数采用二分类交叉熵损失(bceloss)，表达式为：
[0053][0054]
式中，n为样本总量，yn为真实值概率，取0或1，xn为预测值概率。
[0055]
进一步地，设置好网络的学习率和各部分损失函数的权重，作为一种示例，利用深度pytorch训练上述卷积神经网络，直到损失收敛，生成训练模型。
[0056]
确定网络结构之后，将训练数据输入到网络；
[0057]
在网络训练阶段，学习率设置为0.0001，每经过50个epoch，优化方法采adam方法，其中学习率设置为0.001，权值衰减设置为5e-4
[0058]
进行训练，直至网络收敛，生成训练模型。
[0059]
在利用测试集测试上述训练模型得到训练好的电网故障检测模型；在将电力系统中电网的待检测节点数据输入训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
[0060]
根据本发明实施例的基于图神经网络的电网故障检测方法，基于电网拓扑结构构建基于图的数据结构，高效进行数据特征提取。基于图神经网络的故障检测相较于传统方
法速度更快，准确度更高。
[0061]
为了实现上述实施例，如图5所示，本实施例中还提供了基于图神经网络的电网故障检测装置10，该装置10包括：数据获取模块100、矩阵构建模块200、模型训练模块300和故障检测模块400。
[0062]
数据获取模块100，用于构建电力系统中基于节点系统的图结构数据，并将图结构数据划分为训练集和测试集；
[0063]
矩阵构建模块200，用于基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；
[0064]
模型训练模块300，用于基于邻接矩阵和所述图结构数据构建图神经网络模型，利用训练集训练图神经网络模型得到电网故障检测模型，并利用测试集测试电网故障检测模型得到训练好的电网故障检测模型；
[0065]
故障检测模块400，用于将电力系统中电网的待检测节点数据输入训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
[0066]
进一步地，上述模型训练模块300，还用于：
[0067]
基于图神经网络和邻接矩阵度对图结构数据进行特征维度处理，输出第一维度数据；
[0068]
基于第一维度数据和预设处理方式得到第二维度数据，利用第二维度数据和预设函数得到最终预测值，利用最终预测值和标签计算损失函数以建图神经网络模型。
[0069]
进一步地，数据获取模块100，还用于：
[0070]
基于电力系统中电网故障发生时刻，过滤预设时刻的故障数据得到仿真数据；
[0071]
基于仿真数据获取故障态数据标签和非故障态数据标签，并到数据集样本。
[0072]
进一步地，数据获取模块100，还用于：
[0073]
根据数据集样本的时序关系和预设比例，以每三个时间节点为一组，将前两个时间节点划分为训练集，后一个时间节点划分为测试集。
[0074]
进一步地，损失函数采用二分类交叉熵损失，表达式为：
[0075][0076]
式中，n为数据集样本的样本总量，yn为真实值概率，取0或1，xn为预测值概率。
[0077]
根据本发明实施例的基于图神经网络的电网故障检测装置，基于电网拓扑结构构建基于图的数据结构，高效进行数据特征提取。基于图神经网络的故障检测相较于传统方法速度更快，准确度更高。
[0078]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0079]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0080]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：

1.一种基于图神经网络的电网故障检测方法，其特征在于，包括以下步骤：构建电力系统中基于节点系统的图结构数据，并将所述图结构数据划分为训练集和测试集；基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；基于所述邻接矩阵和所述图结构数据构建图神经网络模型，利用所述训练集训练图神经网络模型得到电网故障检测模型，并利用所述测试集测试所述电网故障检测模型得到训练好的电网故障检测模型；将电力系统中电网的待检测节点数据输入所述训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。2.根据权利要求1所述的方法，其特征在于，所述基于邻接矩阵和所述图结构数据构建图神经网络模型，包括：基于图神经网络和邻接矩阵度对图结构数据进行特征维度处理，输出第一维度数据；基于所述第一维度数据和预设处理方式得到第二维度数据，利用所述第二维度数据和预设函数得到最终预测值，利用所述最终预测值和标签计算损失函数以建图神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述构建电力系统中基于节点系统的图结构数据，包括：基于电力系统中电网故障发生时刻，过滤预设时刻的故障数据得到仿真数据；基于所述仿真数据获取故障态数据标签和非故障态数据标签，并到数据集样本。4.根据权利要求3所述的方法，其特征在于，所述将图结构数据划分为训练集和测试集，包括：根据所述数据集样本的时序关系和预设比例，以每三个时间节点为一组，将前两个时间节点划分为训练集，后一个时间节点划分为测试集。5.根据权利要求4所述的方法，其特征在于，所述损失函数采用二分类交叉熵损失，表达式为：式中，n为数据集样本的样本总量，y
n
为真实值概率，取0或1，x
n
为预测值概率。6.一种基于图神经网络的电网故障检测装置，其特征在于，包括：数据获取模块，用于构建电力系统中基于节点系统的图结构数据，并将所述图结构数据划分为训练集和测试集；矩阵构建模块，用于基于图结构数据拓扑图和拓扑图节点之间的电气连接关系构建邻接矩阵；模型训练模块，用于基于所述邻接矩阵和所述图结构数据构建图神经网络模型，利用所述训练集训练图神经网络模型得到电网故障检测模型，并利用所述测试集测试所述电网故障检测模型得到训练好的电网故障检测模型；故障检测模块，用于将电力系统中电网的待检测节点数据输入所述训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。
7.根据权利要求6所述的装置，其特征在于，所述模型训练模块，还用于：基于图神经网络和邻接矩阵度对图结构数据进行特征维度处理，输出第一维度数据；基于所述第一维度数据和预设处理方式得到第二维度数据，利用所述第二维度数据和预设函数得到最终预测值，利用所述最终预测值和标签计算损失函数以建图神经网络模型。8.根据权利要求7所述的装置，其特征在于，所述数据获取模块，还用于：基于电力系统中电网故障发生时刻，过滤预设时刻的故障数据得到仿真数据；基于所述仿真数据获取故障态数据标签和非故障态数据标签，并到数据集样本。9.根据权利要求8所述的装置，其特征在于，所述数据获取模块，还用于：根据所述数据集样本的时序关系和预设比例，以每三个时间节点为一组，将前两个时间节点划分为训练集，后一个时间节点划分为测试集。10.根据权利要求9所述的装置，其特征在于，所述损失函数采用二分类交叉熵损失，表达式为：式中，n为数据集样本的样本总量，y
n
为真实值概率，取0或1，x
n
为预测值概率。

技术总结

本发明公开了一种基于图神经网络的电网故障检测方法及装置，该方法包括：构建电力系统中基于节点系统的图结构数据，并将图结构数据划分为训练集和测试集；构建邻接矩阵；基于邻接矩阵和图结构数据构建图神经网络模型，利用训练集训练图神经网络模型得到电网故障检测模型，并利用所述测试集测试电网故障检测模型得到训练好的电网故障检测模型；将电力系统中电网的待检测节点数据输入训练好的电网故障检测模型进行电网节点故障检测，得到电网节点故障检测结果。本发明将所提出图神经网络应用于电网故障定位，电网节点相关性分析，电网故障关键性特征抽取等问题，经过仿真故障场景验证，可以极大提高故障节点的定位效率，提高定位精度。定位精度。定位精度。