CN119438786A 一种真型实验配电线路故障定位方法及系统 （贵州电网有限责任公司）

一种真型实验配电线路故障定位方法及系统本发明公开了一种真型实验配电线路故障网的拓扑结构图；基于目标配电网的拓扑结构电网节点与边特征作为待建立配电网故障模型完成后的基于改进图神经网络的配电网故障模2根据所述真型实验中目标配电网的拓扑结构图，结合预设图输入特根据所述待建立配电网故障模型的输入以及预设配电网故障模型根据训练完成后的基于改进图神经网络的配电网故障模型，完成根据目标配电网的自动化程度、量测装置的类型以及目标配电网的信息源的数据类所述输入层接收所述模型图输入特征，并将处理后的图输入特征输出至所述隐藏层，若所述模型图输入特征只选取所述目标配电网若所述模型图输入特征存在所述目标配电网边特征的数据，则所述输入层包括将原始边特征通过单层神经网络合并；将节点特征向量NV与边求和向量ESUM通过Concat(NV，ESUM)操作合并为新的向量作为输5.如权利要求3所述的真型实验配电线路故障定位方法，其特征在于，所述隐藏层包36.如权利要求3所述的真型实验配电线路故障定位方法，其特征在于，所述输出层包(v1边(v1全连接层的输出数量即为配电网故障识别任务的分类数量，即配电网中线路的数量，所述基于改进图神经网络的配电网故障模型中损失函数计8.一种应用如权利要求1～7任一所述的真型输入获取模块，用于根据真型实验中目标配电网的拓扑结构图，模型训练模块，用于根据所述待建立配电网故障模型的输入以及预设故障定位模块，用于根据训练完成后的基于改进图神经网络的配电网故4所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指理器执行时实现权利要求1～7任意一项所述方法5大的特征提取和模式识别能力为配电网故障定位提供了新的思路。特别是图卷积网络[0005]然而，配电网的开关组合爆炸问题和拓扑不确定性给故障定位带来了新的挑关组合爆炸问题和拓扑不确定性给故障定位带6据训练完成后的基于改进图神经网络的配电网故障模型，完成真型实验配电线路故障定输入层包括将原始边特征通过单层神经网络合并为[0025]将节点特征向量NV与边求和向量ESUM通过Concat(NV，ESUM7(v1W1,2为m×[0044]故障定位模块，用于根据训练完成后的基于改进图神经89layerGraphConvolutionalNetworks)是一种专门设计用来处理图结构数据的深度学习模[0072]配电网相对于输电网故障概率更大，停电事故中配电网故障所导致的约占80~[0079]数据采集与监视控制系统(SupervisoryControlAndDataAcquisition，SCADA)是以计算机为基础的分散控制系统(DistributedControlSystem，DCS)与电力自动化监控系制FTU等终端装置实现各种复杂的功能与操作，在现今的配电自动化系统建设中起了相当[0080]馈线终端单元FTU是装设在馈线开关旁的开关监控装置。这些馈线开关指的是户[0081]当某条线路发生故障时，FTU能够第一时间记录并上传故障前后的线路数据，述如何实现该真型实验配电线路故障定位方法；图1为一种真型实验配电线路故障定位方6个负荷节点，其中负荷节点4与DG位于同一节点，连接节点之间的为各个分段开关FTU单择有利于图神经网络判断故障位置的特征信息作为选择序分量作为节点输入会比三相电压有更好的故障定位[0112]若模型图输入特征存在目标配电网边特征的数据，则必；[0119]将节点特征向量NV与边求和向量ESUM通过Concat(NV，ESUM[0122]应说明的是，输入层将原始图特征数据处理合并为新的节点特征向量传入隐藏层数控制和节点类型区分上的灵活性都较差。空域卷积算法SpatialGCN结构的设计灵活[0124]应说明的是，GraphSAGE算法提出的近邻采样与聚合函数在实际应用中取得了较[0128]应说明的是，GraphSAGE提出的三种聚合函数，分别是基于均值的聚合(Meanaggregator)、长短时记忆力网络聚合(LSTMaggregator)和池化聚合(Pooling[0131]均值聚合函数对自身以及邻居节点特征值取平均再经过全连接层，是频域卷积[0140]池化聚合(Poolingaggregator)借鉴了CNN里的池化操作来做聚合，取邻居节点(v1W1,2为m×[0154]在本申请实施例中，假定有一个包含多个可能故障点的配电网。不同于传统的展的多标签编码方式提出的基于改进图神经网络的配电网故障模型中损失函数计算公式用新的损失函数进行求解，新的损失函数考虑到不同非常罕见但是后果严重的故障类型，提出新的损失函数的原因是防止实施过程中出现不小于两个的非常罕见但是后果严重的的故障类型的权重因子，对于罕见但严重的故障类型，权重因子应该较大；更大的权重以便在训练过程中更关注这些故障类型。而常见故障类型的权重失函数有助于提高模型对关键故障类型的识别能力和[0201]最终，本申请实施例中的配电网故障定位模型在实际应用中表现出了优异的性[0207]故障定位模块，用于根据训练完成后的基于改进图神经[0209]本实施例还提供一种计算设备，该计算机设备包括通过系统总线连接的处理器、运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(Random[0215]本申请之前曾做了充分的案例分析和实证研究，为了验[0216]由于需要大量的故障样本进行训练，本申请基于OpenDSS(OpenDistributed研发的开源三相配电网潮流仿真软件。OpenDSS是专门为研究现代的配电系统而设计的一OpenDSS拥有更丰富的COM(ComponentObjectModel，组件对象模型)接口，支持Matlab、采用OpenDSS建立的IEEE33节点的功率流图，可以看出在分布式电源所在位置流出功率的[0217]此外，本申请基于Pytorch动态神经网络框架搭建了基于图卷积网络的配电网故[0218]基于OpenDSS的配电网拓扑抽象提取模块可以为配电网故障定位训练程序提供抽边分别建立全连接层将两边节点共20个维度特征输出至3个维度的边特征，最终通过所有[0222]图中平均准确度取近100次定位的平均准确度，其中节点序电压幅值与序电流幅谱域图卷积网络，并设置全连接神经网络的每层神经元数量大于图卷积所有节点维度之相同)，其中pool聚合函数较LSTM聚合函数结果精度更高，在200000训练次数处达到了统计，两模型在430600次趋于收敛时千条平均准确率分别为98.18％与97.60对不同大[0229]将本申请算法与免疫算法以及传统神经网络算法在IEEE33节点配电网上进行应请算法采用随机生成的各类故障样本进行计算。其中本申请算法98.18％准确率为2小时计语言Java和直译式脚本语言JavaScr现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0237]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方