【技术实现步骤摘要】
本专利技术属于神经网络，具体涉及基于图神经网络的电网拓扑故障定位系统。
技术介绍
1、传统的电网故障检测和定位方法主要依赖于信号分析、模型预测和数据驱动的机器学习算法。常见的故障检测技术包括基于电压和电流波形的保护装置、基于相量测量的状态估计方法、以及基于信号处理和变换域分析的方法。尽管这些方法在实际应用中取得了一定的成效，但随着电网规模的不断扩大和运行复杂度的提高，传统的检测方法在以下几个方面面临着挑战：
2、复杂拓扑结构下的故障传播路径难以准确建模：在传统电网中，节点和节点之间的连接关系通常较为简单，因此故障的传播路径可以通过一些固定的传输方程来描述。然而，现代电网的拓扑结构愈发复杂，具有大量的支路和冗余连接，传统的数学模型难以有效捕捉电网中复杂的节点间关系。特别是当电网中发生多点故障或复杂的传导故障时，传统方法基于线性方程的传播模型往往会失效，难以准确反映故障的传播路径和影响范围。
3、现有方法的实时性和鲁棒性欠缺：电网故障检测的实时性非常重要，因为故障的快速定位和修复能够显著减少电力供应的中断时间，并降低经济损失。现有的许多方法在故障检测的实时性上存在瓶颈，主要原因在于这些方法需要大量的计算资源来处理电网的大规模数据，或者在故障模式分析中依赖于预设的规则和模型。此外，在面对不确定的负载变化或外部干扰时，传统的模型预测方法对输入数据的噪声非常敏感，难以在噪声环境中保持较高的检测准确性。
4、对动态电气特征的捕捉能力不足：电网的电气参数，包括电压、电流、功率、频率等，通常会随着负载变化或电
技术实现思路
1、本专利技术的主要目的在于提供基于图神经网络的电网拓扑故障定位系统，本专利技术提高了系统对复杂电网拓扑的建模能力，增强了故障检测的实时性和鲁棒性，实现了故障区域和位置的精确定位。
2、为了解决上述问题，本专利技术的技术方案是这样实现的：
3、基于图神经网络的电网拓扑故障定位系统，所述系统包括：电网拓扑特征提取单元，用于将电网视为一个图网络，对电网的每个节点进行实时数据采集，记录每个节点实时的电气测量值，构建特征矩阵，特征矩阵中的每个元素表示电网的某个节点在某个时间的电气特性；多层图神经网络模型单元，用于将特征矩阵作为第一层的输入，结合电网的邻接矩阵和度矩阵，经过预设的多层图神经网络模型的多层特征提取后，输出最后一层的结果，作为特征提取结果；故障识别与定位单元，用于基于特征提取结果，构建故障传播动力学模型，得到故障特征场；利用故障特征场，计算故障概率分布；根据故障概率分布，确定故障区域与故障边界；根据故障区域和故障特征场，计算故障传播分布；根据故障传播分布，计算故障位置，以及计算得到的故障位置的可信度。
4、进一步的，电气测量值包括：电压幅值、电流幅值、电压相角、电流相角、有功功率、无功功率、频率偏差和节点阻抗。
5、进一步的，特征矩阵为：
6、
7、其中，x(t)为电网在时间t时的特征矩阵；n表示电网中节点的总数；vk(t)为节点k在时间t的电压幅值；cos(θk(t))为节点k在时间t的电压相角的余弦值；ik(t)为节点k在时间t的电流幅值；sin(φk(t))为节点k在时间t的电流相角的正弦值；pk(t)为节点k在时间t的有功功率；qk(t)为节点k在时间t的无功功率；sbase为功率的基准值，用于将有功功率和无功功率归一化；δfk(t)为节点k在时间t的频率偏差，即实际频率相对于基准频率f0的偏差量；zk(t)为节点k在时间t的阻抗；zbase为阻抗的基准值；δt为时间步长，表示两个时间之间的时间差；λ为衰减参数，控制特征矩阵随时间衰减的速率，为设定值。
8、进一步的，预设的多层图神经网络模型总共有l层，通过如下公式，得到特征提取结果：
9、
10、其中，hl为最后一层的结果，作为特征提取结果；d为电网的度矩阵；a为电网的邻接矩阵；wl为第l层的权重；σ(·)为激活函数；⊙为哈达玛积；hl-1为第l-1层的结果；对于输入层，h0＝x(t)。
11、进一步的，基于特征提取结果，构建故障传播动力学模型的公式为：
12、
13、其中，k为下标整数索引；hk表示多层图神经网络模型的第k层的结果；表示梯度算子；为拉普拉斯算子；f(t)为时间t时的故障特征场。
14、进一步的，利用故障特征场，通过如下公式，计算故障概率分布p(r，t)：
15、
16、其中，p(r，t)表示在位置r处，时间t时的故障概率分布；ω为电网域。
17、进一步的，通过如下公式，根据故障概率分布，确定故障区域与故障边界：
18、
19、其中，rfault为故障区域；bfault为故障边界；ηth为概率阈值；ξth为概率梯度阈值；n为边界法向量；s为边界积分变量，表示在故障区域边界上每个微小线段的位置。
20、进一步的，根据故障区域和故障特征场，通过如下公式，计算故障传播分布：
21、
22、其中，tfault(t)为时间t时的故障传播分布；τ为时间积分变量；为张量积。
23、进一步的，通过如下公式，计算故障位置，以及计算得到的故障位置的可信度：
24、
25、其中，lfinal为故障位置；creliability为故障位置lfinal的可信度；t为总时间。
26、本专利技术的基于图神经网络的电网拓扑故障定位系统，具有以下有益效果：本专利技术通过图神经网络对电网的拓扑结构进行建模，能够在特征提取过程中全面捕捉节点之间的复杂关系。图神经网络利用电网的邻接矩阵和度矩阵作为输入，逐层融合节点特征，通过特征传播和非线性激活实现对全局拓扑结构的建模。这种方法不仅能够捕捉电网的全局拓扑关系，还能够通过多层特征提取提高对局部复杂关系的表达能力，从而更准确地反映电网的故障传播路径。相比于传统方法，本专利技术在面对大规模、复杂拓扑的电网时，能够表现出更高的建模能力，有效解决了多节点、多连接情况下的故障传播路径难以描述的问题。电网的电气参数通常受到外部干扰和噪声的影响，传统故障检测方法往往对输入数据的噪声较为敏感，容易导致误报或漏报。本专利技术通过引入图神经网络的特征提取机制，在特征传播过程中对节点的电气特性和邻接关系进行深度融合，有效提高了系统对噪声的免疫力。此外，通过对特征矩阵的动态时间衰减处理，系统能够自适应地调整不同时间点特征对当前时刻的贡献，从而增强对动态变化的敏感度和抗噪能力。与传统的静态分析方法不同，本专利技术利用时本文档来自技高网...
【技术保护点】
1.基于图神经网络的电网拓扑故障定位系统，其特征在于，所述系统包括：电网拓扑特征提取单元，用于将电网视为一个图网络，对电网的每个节点进行实时数据采集，记录每个节点实时的电气测量值，构建特征矩阵，特征矩阵中的每个元素表示电网的某个节点在某个时间的电气特性；多层图神经网络模型单元，用于将特征矩阵作为第一层的输入，结合电网的邻接矩阵和度矩阵，经过预设的多层图神经网络模型的多层特征提取后，输出最后一层的结果，作为特征提取结果；故障识别与定位单元，用于基于特征提取结果，构建故障传播动力学模型，得到故障特征场；利用故障特征场，计算故障概率分布；根据故障概率分布，确定故障区域与故障边界；根据故障区域和故障特征场，计算故障传播分布；根据故障传播分布，计算故障位置，以及计算得到的故障位置的可信度。
2.如权利要求1所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，电气测量值包括：电压幅值、电流幅值、电压相角、电流相角、有功功率、无功功率、频率偏差和节点阻抗。
3.如权利要求2所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，特征矩阵为：
4.如权利要
5.如权利要求4所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，基于特征提取结果，构建故障传播动力学模型的公式为：
6.如权利要求5所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，利用故障特征场，通过如下公式，计算故障概率分布P(r，t)：
7.如权利要求6所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，通过如下公式，根据故障概率分布，确定故障区域与故障边界：
8.如权利要求7所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，根据故障区域和故障特征场，通过如下公式，计算故障传播分布：
9.如权利要求8所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，通过如下公式，计算故障位置，以及计算得到的故障位置的可信度：
...【技术特征摘要】
1.基于图神经网络的电网拓扑故障定位系统，其特征在于，所述系统包括：电网拓扑特征提取单元，用于将电网视为一个图网络，对电网的每个节点进行实时数据采集，记录每个节点实时的电气测量值，构建特征矩阵，特征矩阵中的每个元素表示电网的某个节点在某个时间的电气特性；多层图神经网络模型单元，用于将特征矩阵作为第一层的输入，结合电网的邻接矩阵和度矩阵，经过预设的多层图神经网络模型的多层特征提取后，输出最后一层的结果，作为特征提取结果；故障识别与定位单元，用于基于特征提取结果，构建故障传播动力学模型，得到故障特征场；利用故障特征场，计算故障概率分布；根据故障概率分布，确定故障区域与故障边界；根据故障区域和故障特征场，计算故障传播分布；根据故障传播分布，计算故障位置，以及计算得到的故障位置的可信度。
2.如权利要求1所述的基于图神经网络的电网拓扑故障定位系统，其特征在于，电气测量值包括：电压幅值、电流幅值、电压相角、电流相角、有功功率、无功功率、频率偏差和节点阻抗。
3.如权利要求2所述的基于图神经网...
【专利技术属性】
技术研发人员：王磊，张振海，牛林，张艳杰，张冰倩，郭丽娟，商玲玲，陈丽娜，路长青，
申请(专利权)人：国家电网有限公司技术学院分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。