CN114779015B 基于超分辨率和图神经网络的配电网故障诊断与定位方法 （浙江大学）

基于超分辨率和图神经网络的配电网故障在提供一种基于超分辨率和图神经网络的配电超分辨率模型对整个配电网全部节点数据进行网络的故障诊断与定位模型得到配电网故障类2(1)基于微型相量测量装置采集配电网中关键节点的故障特征数据；所述关键节点是指直接与外部电网和分布式电源连接的节点，或者是与至少三个其他节点直接相连的节(2)基于采集到的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网(3)基于故障状态下的配电网全节点特征数据估值，使用基于图注意力网络的故障诊(2.1)获取配电网故障状态下的关键节点和全节点的特征数据，作为超分辨率模型训(2.4)将配电网故障状态下的关键节点信息输入训练好的模型，得到配电网的全节点(2.2.1)以包含配电网关键节点特征信息的输入矩阵X与配电网拓扑邻接矩阵A作为所键节点的特征xi由真实的测量数据填充，非关键节点的特征xi由与其最接近的关键节点的)W(2))+bff和bf和分别为全连接层的权重矩阵和偏置矩阵，且WIeR",beR";Xi为3(3.1)将配电网故障类型与位置标签和步骤(2)得到的故障状态下配电网全节点特征(3.2)搭建基于图注意力网络的故障诊断与定位模型，用于实现故障诊断和故障节点(3.3)利用输入输出样本，分别就故障诊断和不同故障类型下的故障节点定位这两部(3.4)将故障状态下的配电网全节点特征数据估值输入训练好的故障诊断与定位模(3.5)根据得到的故障类型，将故障状态下的配电网全节点特征数据估值再次输入故(3.2.1)以配电网故障状态下的全节点特征数据估值组成的输入矩阵X与配电网拓扑(3.2.2)所述故障诊断与定位模型是一个能实现故障诊断和故障节点定位这两个功能|表示矩阵拼接；为归一化的注意力系数，由第k个注意机制计算；Wk为权重矩阵，且W*eR;是节点i的全部邻居节点的集合；K是注意机制中头的数量；σ(.)是激活函4W'eR",beR"",其中No为全连接层的输出维数；5[0011](2.1)获取配电网故障状态下的关键节点[0014](2.4)将配电网故障状态下的关键6[0016](3.1)将配电网故障类型与位置标签和步骤(2)得到的故障状态下配电网全节点[0017](3.2)搭建基于图注意[0018](3.3)利用输入输出样本，分别[0019](3.4)将故障状态下的配电网全节点特征数据估值输入训练好的故障诊断与定位[0020](3.5)根据得到的故障类型，将故障7可以是实现方法的软件模块又可以是硬件部[0032]下面结合附图和具体实施方式对本发明作进一步的说明。示例的实施场景为的超分辨率模型对全节点特征数据进行重构；基于重构得的配电网全节点特征数据估[0041]采用基于图卷积网络(GCN)的超分辨率模型进行配电网特征重构，其输入为包含其中关键节点的特征xi由真实的测量数据填充，非关键节点的特征xi由与其最接近的关键8[0045](2)超分辨率模型由两个图卷积层和一个全连接层组成，每个图卷积层的表达式"eR)W(2))+bf(1)和W(2)分别为第1个和第2个图卷积层的权重矩阵；[0054]超分辨率模型将采用监督方式训练，其损失函数由均方误差(MSE)和Kullback_[0057](3)利用训练数据集中配电网故障状态下的关键节点特征数据和全节点特征数[0061]采用基于图注意力网络(GAT)的模型进行故障诊断与定位，其输入为由配电网故[0065](2)所述故障诊断与定位模型是一个统一模型，能实现故障诊断和故障节点定位9'eR"和[0079](4)将全节点特征数据估值与训练数据集中对应的配电网故障类型标签作为模型[0080](5)将全节点特征数据估值与训练数据集中对应的配电网故障位置标签作为模型[00