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技术

本发明专利技术涉及配电网故障诊断与定位技术，旨在提供一种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。包括：采集配电网中关键节点的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；利用该数据估值再继续使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。本发明专利技术将图神经网络应用到配电网故障诊断和定位领域，提高了配电网故障诊断和定位的有效性和准确性，能够提高配电网的运行稳定性和可靠性；本发明专利技术将超分辨率技术用于故障诊断定位前的配电网特征重构，有效减少了配电网智能采集设备的部署，大幅降低了配电网的建设成本。电网的建设成本。电网的建设成本。

Fault diagnosis and location method of distribution network based on super-resolution and graph neural network

【技术实现步骤摘要】
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


[0001]本专利技术涉及配电网故障诊断与定位技术，具体涉及一种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。

技术介绍

[0002]配电网的可靠性是保证用户供电安全稳定的关键。为了提高其的可靠性，系统运行人员必须及时处理故障。因此，如何在故障发生后立即对故障进行准确、快速的定位和清除尤为重要。而为便于操作员正确清除故障，准确地对故障进行分类也同样关键。
[0003]近年来，越来越多的分布式电源接入配电网，对传统的故障诊断和定位方法提出了挑战。随着人工智能技术的兴起，越来越多基于人工智能的方法被提出用于配电网故障诊断与定位，这些方法削弱了负荷变化的影响，避免了高频信号的注入，在该领域取得了一定成果。但这些基于人工智能的新方法大多是基于智能设备辅助的广域测量，将其用于智能采集设备部署的经济成本较高。并且，由于模型较为简单，很多基于传统机器学习模型方法的性能也不够好。

技术实现思路

[0004]本专利技术要解决的技术问题是，克服现有技术中的不足，提供一种基于超分辨率和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种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，其特征在于，包括以下步骤：(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点；(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全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；(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断与定位模型得到配电网故障类型与故障节点位置。2.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：(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练的输入输出样本；(2.2)搭建基于图卷积网络的超分辨率模型；(2.3)使用梯度下降算法迭代训练模型，直到损失收敛；(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特征数据估值。3.根据权利要求2所述方法，其特征在于，所述步骤(2.2)具体包括：(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作为所述超分辨率模型的输入，表示为：Input＝(X，A)式中，X是由每个节点i的特征x
i
组成的N
×
F维矩阵，N为节点数量，F为特征数量，其中关键节点的特征x
i
由真实的测量数据填充，非关键节点的特征x
i
由与其最接近的关键节点的特征填充；超分辨率模型的输出标签为N
×
F维矩阵Y，由每个节点i的真实特征数据测量y
i
组成；(2.2.2)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如下：式中，H
(l+1)
和H
(l)
表示第l+1和第l个图卷积层的输出；为权重矩阵，其中F
h
为图卷积层输出维数；A为配电网拓扑的邻接矩阵；A＝A+I，I是单位矩阵；D是A的度矩阵；σ(.)是激活函数；定义则全连接层的输出表示为：Z
i
＝W
f
σ(Aσ(AX
i
W
(1)
)W
(2)
)+b
f
式中，和分别为全连接层的权重矩阵和偏置矩阵；X
i
为第i个节点的特征矩阵；W
(1)
和W
(2)
分别为第1个和第2个图卷积层的权重矩阵；上述激活函数σ(.)均采用LeakyReLU函数，其表达式如下：σ(x)＝LeakyReLU(x，β)＝max(0，x)+β
×
min(0，x)式中x为函数输入；(2.2.3)所述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和Kullback
‑
Leibler散度损失组成，表达式如下：式中，L表示损失值，y

【专利技术属性】
技术研发人员：彭勇刚，莫浩杰，孙静，韦巍，
申请(专利权)人：浙江大学，
类型：发明
国别省市：