基于时频域耦合与图注意力的配电网故障定位方法及系统

本发明涉及故障定位，特别涉及一种基于时频域耦合与图注意力的配电网故障定位方法。

背景技术：

1、配电网里的分支数量比较多，结构也相对复杂，加上环境和负荷变化的影响，导致故障比较容易发生。为了保障供电的可靠性，把故障位置快速且准确地找出来非常重要。

2、传统的故障定位方法，比如阻抗法和行波法，它们都依赖于比较精确的电网线路参数模型；但在实际使用当中，这些方法容易受到线路参数波动、过渡电阻变化以及拓扑结构调整的干扰，因此定位的准确度是有限的。随着微型同步相量测量单元（μpmu）慢慢普及，基于人工智能的数据驱动方法逐渐成了研究的热点。最近这些年，图神经网络（gnn）因为它能够处理那些非欧几里得结构的数据，所以也被引入到配电网的故障定位里面。不过现有方法输入的特征比较单一，很多模型只使用时域波形或者只使用稳态频域特征；即便有的方案同时用到了时域和频域两种特征，也只是把这两个向量简单拼接到一起，并没有把两者之间那种深层的交互关系挖掘出来。时域波形里面包含着暂态过程的细节，而频域特征反映的是谐波畸变和频谱能量的分布情况，这两者在物理上本来就是耦合在一起的。另外，图注意力网络（gat）的注意力系数完全是靠节点特征的相似度来计算的，这种方式属于纯数据驱动的做法。在配电网当中，故障信息的传播和线路阻抗、电气距离这些物理参数有密切的关系。纯数据驱动方式算出来的注意力权重，容易被噪声和量测缺失的情况干扰，而且也不太适应拓扑结构的变化；一旦配电网发生重构，或者有一部分节点的数据丢失了，模型的性能就会下降得比较厉害。与此同时，故障类型的识别、故障线路的定位以及故障距离的估计，这些任务往往被设计成相互独立的模型，或者只是共享同一个特征空间，彼此之间没有什么协同作用，所以整体的效率是比较低的。

技术实现思路

1、本发明实施例提供了一种基于时频域耦合与图注意力的配电网故障定位方法，用以解决现有技术中针对传统时频域方法特征提取仅简单拼接，未进行深层耦合问题，且采用图注意力网络时仅利用网络拓扑结构，未利用线路阻抗等物理先验知识导致的鲁棒性差，故障类型的识别、故障线路的定位以及故障距离的估计被设计成相互独立的模型或者只是共享同一个特征空间，彼此之间没有协同作用，整体的效率比较低的问题。

2、一方面，本发明实施例提供了一种基于时频域耦合与图注意力的配电网故障定位方法，包括：

3、s1、根据配电网的物理拓扑结构和线路参数生成物理权重矩阵；

4、s2、通过微型同步相量测量单元采集故障发生前后各节点三相电压与电流的暂态时域波形形成离散信号；

5、s3、对所述时域波形的离散信号进行快速傅里叶变换得到频域特征向量；

6、s4、将所述时域波形和所述频域特征向量拼接得到的输入矩阵输入卷积神经网络；

7、s5、在所述卷积神经网络的中间层利用频域特征向量通过门控网络生成通道注意力权重；通过通道注意力权重对所述卷积神经网络的中间特征图进行动态重校准得到时域深度特征与频域调制特征融合的节点初始特征向量；

8、s6、将所述节点初始特征向量和所述物理权重矩阵输入物理引导的图注意力网络获得融合时频特征与拓扑物理信息的节点深度特征；

9、s7、基于所述节点深度特征和解耦-协同多任务分支分别设计全连接层网络；通过所述全连接层网络输出故障类型概率、故障线路所在节点和沿支路特征梯度估计的故障距离；实现配电网故障定位。

10、在一种可能的实现方式中，所述物理权重矩阵包括节点间的电气距离和电导权重。

11、在一种可能的实现方式中，所述离散信号包括通道序号和采样点。

12、在一种可能的实现方式中，所述频域特征向量包括基波幅值、基波相角和选定谐波分量。

13、在一种可能的实现方式中，将所述节点初始特征向量和所述物理权重矩阵输入物理引导的图注意力网络获得融合时频特征与拓扑物理信息的节点深度特征包括：

14、所述物理引导的图注意力网络的注意力系数同时依赖节点特征相似度与物理先验权重；

15、经softmax归一化得到所述物理引导的图注意力网络的注意力权重；

16、然后通过特征聚合获得融合时频特征与拓扑物理信息的节点深度特征。

17、在一种可能的实现方式中，通过通道注意力权重对所述卷积神经网络的中间特征图进行动态重校准得到时域深度特征与频域调制特征融合的节点初始特征向量包括：

18、设所述卷积神经网络的第层的输出特征图为，其中为通道数，为时间步；频域特征向量通过一个两层全连接网络生成通道权重向量，则重校准后的特征图为：

19、；

20、其中为逐通道乘法。

21、在一种可能的实现方式中，所述注意力系数的计算采用物理-数据双驱动方式，在所述注意力系数的计算中引入阻抗对特征相似度的调制，如下式所示：

22、；

23、其中为注意力函数，为softmax函数，为可学习的权重矩阵，为节点

i的特征向量，为节点

i经过投影后的特征，为阻抗映射函数，用于将阻抗值映射为缩放因子。

24、在一种可能的实现方式中，所述解耦-协同多任务分支包括：

25、故障类型识别分支：对节点深度特征进行全局平均池化后经全连接层输出类型概率；

26、故障线路定位分支：直接对每个节点输出二分类概率，所述概率最大的节点所属支路即为故障线路；

27、故障距离估计分支：针对定位出的故障节点与相邻节点计算深度特征沿支路的梯度；通过回归网络输出故障点距离母线侧的长度。

28、在一种可能的实现方式中，所述解耦-协同多任务分支的协同损失函数如下所示：

29、

；

30、其中表示故障类型损失，表示线路定位损失，采用二分类交叉熵；表示距离估计损失，为均方误差得到的损失量；线路定位符号函数，表示线路定位损失权重；表示距离估计损失权重。

31、另一方面，本发明实施例还提供了一种基于时频域耦合与图注意力的配电网故障定位系统，所述系统用于实现上述的任一项基于时频域耦合与图注意力的配电网故障定位方法，包括：

32、数据采集模块，用于根据配电网的物理拓扑结构和线路参数生成物理权重矩阵；通过微型同步相量测量单元采集故障发生前后各节点三相电压与电流的暂态时域波形形成离散信号；

33、频域特征提取模块，用于对所述时域波形的离散信号进行快速傅里叶变换得到频域特征向量；

34、时频域双向耦合与cnn特征提取模块，用于将所述时域波形和所述频域特征向量拼接得到的输入矩阵输入卷积神经网络；在所述卷积神经网络的中间层利用频域特征向量通过门控网络生成通道注意力权重；通过通道注意力权重对所述卷积神经网络的中间特征图进行动态重校准得到时域深度特征与频域调制特征融合的节点初始特征向量；

35、物理引导的图注意力网络模块，用于将所述节点初始特征向量和所述物理权重矩阵输入物理引导的图注意力网络获得融合时频特征与拓扑物理信息的节点深度特征；

36、多任务解耦-协同输出模块，用于基于所述节点深度特征和解耦-协同多任务分支分别设计全连接层网络；通过所述全连接层网络输出故障类型概率、故障线路所在节点和沿支路特征梯度估计的故障距离；实现配电网故障定位。

37、本发明中的一种基于时频域耦合与图注意力的配电网故障定位方法，具有以下优点：

38、（1）考虑了时域和频域之间的双向耦合，使得特征融合更加深入。用频域特征去动态地调整cnn里面的通道注意力，时域特征提取过程就会自适应地受到频域信息的引导；更符合故障暂态信号在物理上的产生机理，提高了特征的判别能力。

39、（2）使用了物理引导的图注意力，提升了鲁棒性和可解释性。在注意力系数的计算过程中，加入基于线路阻抗的物理先验，同时还设置了可学习的物理先验影响因子；使得模型既能够利用数据驱动的方式去捕捉比较复杂的模式，又能够遵循电气方面的基本规律。

40、（3）针对故障类型、故障线路以及故障距离这几个分支任务，借助任务特定的特征调节器以及条件距离，实现了类型、线路和距离这三者的联合优化；距离估计是依赖于正确的线路定位结果。