CN119438800A 一种考虑拓扑结构变化的配电网故障选线方法 （广东电网有限责任公司）

一种考虑拓扑结构变化的配电网故障选线障概率，设定阈值以识别和定位具体的故障线提供一种考虑拓扑结构变化的配电网故障选线2从图的角度出发，不考虑内部元器件与线路特性时，将配电网节点网络抽采用支路零序电流作为支路首端节点的特征向量；在电力系统中，零3I,将处理好的邻接矩阵和节点特征输入到搭建好的图神经网络模型中，通过GAT和LSTM层和sigmod分类层，将得到的预测结果与真实故障标签使用交叉熵损失函数计算损失值，置权重，从而聚合各个节点更显著特征；GAT每一层的输入为节点的特征向量集合4e,-a((IWXY,Ilwx,D)jeN,（5之后，按照注意力权重对相邻节点向量进行加权求和，以此更新目标节点i的特征向使用多头注意力机制来提高模型的性能，设置注意力头数为4LSTM是循环神经网络的变体，它弥补了循环神经网络不能记gc=tanh(wncA-1+wcxt+bc)（10mr=grBmt-1+gi8gc（11当前结构的需要遗忘的状态信息9r相乘再加上当前状态需要更新的状态量gi&gc即可h=tanh(g,8me)（135图注意力网络将输入的邻接矩阵和节点特征通过GAT进行空间特征聚合，同时利用与将输出预测结果与原始标签对比，利用FocalLoss损失函数计算损失值，6误报等；基于人工智能的故障选线方法往往依赖于固定的网络结构和预先设置好的参数，7[0019]将实地测量获得的样本数据运用公式（3）对每个测点的故障电流信号进行归一I,8[0031]将处理好的邻接矩阵和节点特征输入到搭建好的图神经网络模型中，通过GAT和[0041]图注意力网络结构分为两大主体，分别为GAT和LSTM；其中，GAT提取空间特征、聚合设置权重，从而聚合各个节点更显著特征；GAT每一层的输入为节点的特征向量集合[0043]e,-a((IWXY,Ilwx,D)jeN,（59gi为输入门的激活向量，gc为当前时刻积累的信息；将二者相乘得[0056]mr=grBmt-1+gi8gc（11mt为下一个门结构的状态输入量，通过将上一个门结构状态输入量mt-1与当前结构的需要遗忘的状态信息9r相乘再加上当前状态需要更新的状态量gi&gc即可得到下一个门结构输入的状态量；[0059]h=tanh(9,8me)[0066]图注意力网络将输入的邻接矩阵和节点特征通过GAT进行空间特征聚合，同时利层对特征进行非线性变换，最后通过Sigmoid激活函数输出各个节点为故障节点的概率[0069]将输出预测结果与原始标签对比，利用FocalLoss损失函数计算损失值，FocalI,的标签设置为0。通过GAT和LSTM分别提取空间特征和时间特征，通过图注意力机制给不同的节点分配不同[0112]e,-a((IWXY,Ilwx,D)jeN,（5gi为输入门的激活向量，gc为当前时刻积累的信息。将二者相乘得[0126]mr=grBmt-1+gi8gc（11mt为下一个门结构的状态输入量，通过将上一个门结构状态输入量mt-1与当前结构的需要遗忘的状态信息9r相乘再加上当前状态需要更新的状态量gi&gc即可得到下一个门结构输入的状态量。[0129]h=tanh(9,8me)[0132]图注意力网络将输入的邻接矩阵和节点特征通过GAT进行空间特征聚合，同时利层对特征进行非线性变换，最后通过Sigmoid激活函数输出各个节点为故障节点的概率[0135]将输出预测结果与原始标签对比，利用FocalLoss损失函数计算损失值，Focal