【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于神經(jīng)網(wǎng)絡(luò)，具體涉及基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)。
技術(shù)介紹
1、傳統(tǒng)的電網(wǎng)故障檢測(cè)和定位方法主要依賴于信號(hào)分析、模型預(yù)測(cè)和數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法。常見(jiàn)的故障檢測(cè)技術(shù)包括基于電壓和電流波形的保護(hù)裝置、基于相量測(cè)量的狀態(tài)估計(jì)方法、以及基于信號(hào)處理和變換域分析的方法。盡管這些方法在實(shí)際應(yīng)用中取得了一定的成效，但隨著電網(wǎng)規(guī)模的不斷擴(kuò)大和運(yùn)行復(fù)雜度的提高，傳統(tǒng)的檢測(cè)方法在以下幾個(gè)方面面臨著挑戰(zhàn)：
2、復(fù)雜拓?fù)浣Y(jié)構(gòu)下的故障傳播路徑難以準(zhǔn)確建模：在傳統(tǒng)電網(wǎng)中，節(jié)點(diǎn)和節(jié)點(diǎn)之間的連接關(guān)系通常較為簡(jiǎn)單，因此故障的傳播路徑可以通過(guò)一些固定的傳輸方程來(lái)描述。然而，現(xiàn)代電網(wǎng)的拓?fù)浣Y(jié)構(gòu)愈發(fā)復(fù)雜，具有大量的支路和冗余連接，傳統(tǒng)的數(shù)學(xué)模型難以有效捕捉電網(wǎng)中復(fù)雜的節(jié)點(diǎn)間關(guān)系。特別是當(dāng)電網(wǎng)中發(fā)生多點(diǎn)故障或復(fù)雜的傳導(dǎo)故障時(shí)，傳統(tǒng)方法基于線性方程的傳播模型往往會(huì)失效，難以準(zhǔn)確反映故障的傳播路徑和影響范圍。
3、現(xiàn)有方法的實(shí)時(shí)性和魯棒性欠缺：電網(wǎng)故障檢測(cè)的實(shí)時(shí)性非常重要，因?yàn)楣收系目焖俣ㄎ缓托迯?fù)能夠顯著減少電力供應(yīng)的中斷時(shí)間，并降低經(jīng)濟(jì)損失。現(xiàn)有的許多方法在故障檢測(cè)的實(shí)時(shí)性上存在瓶頸，主要原因在于這些方法需要大量的計(jì)算資源來(lái)處理電網(wǎng)的大規(guī)模數(shù)據(jù)，或者在故障模式分析中依賴于預(yù)設(shè)的規(guī)則和模型。此外，在面對(duì)不確定的負(fù)載變化或外部干擾時(shí)，傳統(tǒng)的模型預(yù)測(cè)方法對(duì)輸入數(shù)據(jù)的噪聲非常敏感，難以在噪聲環(huán)境中保持較高的檢測(cè)準(zhǔn)確性。
4、對(duì)動(dòng)態(tài)電氣特征的捕捉能力不足：電網(wǎng)的電氣參數(shù)，包括電壓、電流、功率、頻率等，通常會(huì)隨著負(fù)載變化或電
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的主要目的在于提供基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，本專利技術(shù)提高了系統(tǒng)對(duì)復(fù)雜電網(wǎng)拓?fù)涞慕Ｄ芰Γ鰪?qiáng)了故障檢測(cè)的實(shí)時(shí)性和魯棒性，實(shí)現(xiàn)了故障區(qū)域和位置的精確定位。
2、為了解決上述問(wèn)題，本專利技術(shù)的技術(shù)方案是這樣實(shí)現(xiàn)的：
3、基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，所述系統(tǒng)包括：電網(wǎng)拓?fù)涮卣魈崛卧糜趯㈦娋W(wǎng)視為一個(gè)圖網(wǎng)絡(luò)，對(duì)電網(wǎng)的每個(gè)節(jié)點(diǎn)進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，記錄每個(gè)節(jié)點(diǎn)實(shí)時(shí)的電氣測(cè)量值，構(gòu)建特征矩陣，特征矩陣中的每個(gè)元素表示電網(wǎng)的某個(gè)節(jié)點(diǎn)在某個(gè)時(shí)間的電氣特性；多層圖神經(jīng)網(wǎng)絡(luò)模型單元，用于將特征矩陣作為第一層的輸入，結(jié)合電網(wǎng)的鄰接矩陣和度矩陣，經(jīng)過(guò)預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型的多層特征提取后，輸出最后一層的結(jié)果，作為特征提取結(jié)果；故障識(shí)別與定位單元，用于基于特征提取結(jié)果，構(gòu)建故障傳播動(dòng)力學(xué)模型，得到故障特征場(chǎng)；利用故障特征場(chǎng)，計(jì)算故障概率分布；根據(jù)故障概率分布，確定故障區(qū)域與故障邊界；根據(jù)故障區(qū)域和故障特征場(chǎng)，計(jì)算故障傳播分布；根據(jù)故障傳播分布，計(jì)算故障位置，以及計(jì)算得到的故障位置的可信度。
4、進(jìn)一步的，電氣測(cè)量值包括：電壓幅值、電流幅值、電壓相角、電流相角、有功功率、無(wú)功功率、頻率偏差和節(jié)點(diǎn)阻抗。
5、進(jìn)一步的，特征矩陣為：
6、
7、其中，x(t)為電網(wǎng)在時(shí)間t時(shí)的特征矩陣；n表示電網(wǎng)中節(jié)點(diǎn)的總數(shù)；vk(t)為節(jié)點(diǎn)k在時(shí)間t的電壓幅值；cos(θk(t))為節(jié)點(diǎn)k在時(shí)間t的電壓相角的余弦值；ik(t)為節(jié)點(diǎn)k在時(shí)間t的電流幅值；sin(φk(t))為節(jié)點(diǎn)k在時(shí)間t的電流相角的正弦值；pk(t)為節(jié)點(diǎn)k在時(shí)間t的有功功率；qk(t)為節(jié)點(diǎn)k在時(shí)間t的無(wú)功功率；sbase為功率的基準(zhǔn)值，用于將有功功率和無(wú)功功率歸一化；δfk(t)為節(jié)點(diǎn)k在時(shí)間t的頻率偏差，即實(shí)際頻率相對(duì)于基準(zhǔn)頻率f0的偏差量；zk(t)為節(jié)點(diǎn)k在時(shí)間t的阻抗；zbase為阻抗的基準(zhǔn)值；δt為時(shí)間步長(zhǎng)，表示兩個(gè)時(shí)間之間的時(shí)間差；λ為衰減參數(shù)，控制特征矩陣隨時(shí)間衰減的速率，為設(shè)定值。
8、進(jìn)一步的，預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型總共有l(wèi)層，通過(guò)如下公式，得到特征提取結(jié)果：
9、
10、其中，hl為最后一層的結(jié)果，作為特征提取結(jié)果；d為電網(wǎng)的度矩陣；a為電網(wǎng)的鄰接矩陣；wl為第l層的權(quán)重；σ(·)為激活函數(shù)；⊙為哈達(dá)瑪積；hl-1為第l-1層的結(jié)果；對(duì)于輸入層，h0＝x(t)。
11、進(jìn)一步的，基于特征提取結(jié)果，構(gòu)建故障傳播動(dòng)力學(xué)模型的公式為：
12、
13、其中，k為下標(biāo)整數(shù)索引；hk表示多層圖神經(jīng)網(wǎng)絡(luò)模型的第k層的結(jié)果；表示梯度算子；為拉普拉斯算子；f(t)為時(shí)間t時(shí)的故障特征場(chǎng)。
14、進(jìn)一步的，利用故障特征場(chǎng)，通過(guò)如下公式，計(jì)算故障概率分布p(r，t)：
15、
16、其中，p(r，t)表示在位置r處，時(shí)間t時(shí)的故障概率分布；ω為電網(wǎng)域。
17、進(jìn)一步的，通過(guò)如下公式，根據(jù)故障概率分布，確定故障區(qū)域與故障邊界：
18、
19、其中，rfault為故障區(qū)域；bfault為故障邊界；ηth為概率閾值；ξth為概率梯度閾值；n為邊界法向量；s為邊界積分變量，表示在故障區(qū)域邊界上每個(gè)微小線段的位置。
20、進(jìn)一步的，根據(jù)故障區(qū)域和故障特征場(chǎng)，通過(guò)如下公式，計(jì)算故障傳播分布：
21、
22、其中，tfault(t)為時(shí)間t時(shí)的故障傳播分布；τ為時(shí)間積分變量；為張量積。
23、進(jìn)一步的，通過(guò)如下公式，計(jì)算故障位置，以及計(jì)算得到的故障位置的可信度：
24、
25、其中，lfinal為故障位置；creliability為故障位置lfinal的可信度；t為總時(shí)間。
26、本專利技術(shù)的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，具有以下有益效果：本專利技術(shù)通過(guò)圖神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)的拓?fù)浣Y(jié)構(gòu)進(jìn)行建模，能夠在特征提取過(guò)程中全面捕捉節(jié)點(diǎn)之間的復(fù)雜關(guān)系。圖神經(jīng)網(wǎng)絡(luò)利用電網(wǎng)的鄰接矩陣和度矩陣作為輸入，逐層融合節(jié)點(diǎn)特征，通過(guò)特征傳播和非線性激活實(shí)現(xiàn)對(duì)全局拓?fù)浣Y(jié)構(gòu)的建模。這種方法不僅能夠捕捉電網(wǎng)的全局拓?fù)潢P(guān)系，還能夠通過(guò)多層特征提取提高對(duì)局部復(fù)雜關(guān)系的表達(dá)能力，從而更準(zhǔn)確地反映電網(wǎng)的故障傳播路徑。相比于傳統(tǒng)方法，本專利技術(shù)在面對(duì)大規(guī)模、復(fù)雜拓?fù)涞碾娋W(wǎng)時(shí)，能夠表現(xiàn)出更高的建模能力，有效解決了多節(jié)點(diǎn)、多連接情況下的故障傳播路徑難以描述的問(wèn)題。電網(wǎng)的電氣參數(shù)通常受到外部干擾和噪聲的影響，傳統(tǒng)故障檢測(cè)方法往往對(duì)輸入數(shù)據(jù)的噪聲較為敏感，容易導(dǎo)致誤報(bào)或漏報(bào)。本專利技術(shù)通過(guò)引入圖神經(jīng)網(wǎng)絡(luò)的特征提取機(jī)制，在特征傳播過(guò)程中對(duì)節(jié)點(diǎn)的電氣特性和鄰接關(guān)系進(jìn)行深度融合，有效提高了系統(tǒng)對(duì)噪聲的免疫力。此外，通過(guò)對(duì)特征矩陣的動(dòng)態(tài)時(shí)間衰減處理，系統(tǒng)能夠自適應(yīng)地調(diào)整不同時(shí)間點(diǎn)特征對(duì)當(dāng)前時(shí)刻的貢獻(xiàn)，從而增強(qiáng)對(duì)動(dòng)態(tài)變化的敏感度和抗噪能力。與傳統(tǒng)的靜態(tài)分析方法不同，本專利技術(shù)利用時(shí)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，所述系統(tǒng)包括：電網(wǎng)拓?fù)涮卣魈崛卧糜趯㈦娋W(wǎng)視為一個(gè)圖網(wǎng)絡(luò)，對(duì)電網(wǎng)的每個(gè)節(jié)點(diǎn)進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，記錄每個(gè)節(jié)點(diǎn)實(shí)時(shí)的電氣測(cè)量值，構(gòu)建特征矩陣，特征矩陣中的每個(gè)元素表示電網(wǎng)的某個(gè)節(jié)點(diǎn)在某個(gè)時(shí)間的電氣特性；多層圖神經(jīng)網(wǎng)絡(luò)模型單元，用于將特征矩陣作為第一層的輸入，結(jié)合電網(wǎng)的鄰接矩陣和度矩陣，經(jīng)過(guò)預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型的多層特征提取后，輸出最后一層的結(jié)果，作為特征提取結(jié)果；故障識(shí)別與定位單元，用于基于特征提取結(jié)果，構(gòu)建故障傳播動(dòng)力學(xué)模型，得到故障特征場(chǎng)；利用故障特征場(chǎng)，計(jì)算故障概率分布；根據(jù)故障概率分布，確定故障區(qū)域與故障邊界；根據(jù)故障區(qū)域和故障特征場(chǎng)，計(jì)算故障傳播分布；根據(jù)故障傳播分布，計(jì)算故障位置，以及計(jì)算得到的故障位置的可信度。
2.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，電氣測(cè)量值包括：電壓幅值、電流幅值、電壓相角、電流相角、有功功率、無(wú)功功率、頻率偏差和節(jié)點(diǎn)阻抗。
3.如權(quán)利要求2所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，特征矩陣為：
4.如權(quán)利要
5.如權(quán)利要求4所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，基于特征提取結(jié)果，構(gòu)建故障傳播動(dòng)力學(xué)模型的公式為：
6.如權(quán)利要求5所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，利用故障特征場(chǎng)，通過(guò)如下公式，計(jì)算故障概率分布P(r，t)：
7.如權(quán)利要求6所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，通過(guò)如下公式，根據(jù)故障概率分布，確定故障區(qū)域與故障邊界：
8.如權(quán)利要求7所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，根據(jù)故障區(qū)域和故障特征場(chǎng)，通過(guò)如下公式，計(jì)算故障傳播分布：
9.如權(quán)利要求8所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，通過(guò)如下公式，計(jì)算故障位置，以及計(jì)算得到的故障位置的可信度：
...【技術(shù)特征摘要】
1.基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，所述系統(tǒng)包括：電網(wǎng)拓?fù)涮卣魈崛卧糜趯㈦娋W(wǎng)視為一個(gè)圖網(wǎng)絡(luò)，對(duì)電網(wǎng)的每個(gè)節(jié)點(diǎn)進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，記錄每個(gè)節(jié)點(diǎn)實(shí)時(shí)的電氣測(cè)量值，構(gòu)建特征矩陣，特征矩陣中的每個(gè)元素表示電網(wǎng)的某個(gè)節(jié)點(diǎn)在某個(gè)時(shí)間的電氣特性；多層圖神經(jīng)網(wǎng)絡(luò)模型單元，用于將特征矩陣作為第一層的輸入，結(jié)合電網(wǎng)的鄰接矩陣和度矩陣，經(jīng)過(guò)預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型的多層特征提取后，輸出最后一層的結(jié)果，作為特征提取結(jié)果；故障識(shí)別與定位單元，用于基于特征提取結(jié)果，構(gòu)建故障傳播動(dòng)力學(xué)模型，得到故障特征場(chǎng)；利用故障特征場(chǎng)，計(jì)算故障概率分布；根據(jù)故障概率分布，確定故障區(qū)域與故障邊界；根據(jù)故障區(qū)域和故障特征場(chǎng)，計(jì)算故障傳播分布；根據(jù)故障傳播分布，計(jì)算故障位置，以及計(jì)算得到的故障位置的可信度。
2.如權(quán)利要求1所述的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，其特征在于，電氣測(cè)量值包括：電壓幅值、電流幅值、電壓相角、電流相角、有功功率、無(wú)功功率、頻率偏差和節(jié)點(diǎn)阻抗。
3.如權(quán)利要求2所述的基于圖神經(jīng)網(wǎng)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王磊，張振海，牛林，張艷杰，張冰倩，郭麗娟，商玲玲，陳麗娜，路長(zhǎng)青，
申請(qǐng)(專利權(quán))人：國(guó)家電網(wǎng)有限公司技術(shù)學(xué)院分公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。