一种数据中心浮地高压直流系统高阻接地故障在线选线方法、系统、设备及存储介质与流程

本发明涉及数据中心供配电系统故障诊断，具体为一种数据中心浮地高压直流系统高阻接地故障在线选线方法、系统、设备及存储介质。

背景技术：

1、随着人工智能大模型训练和高效能计算需求的爆发式增长，数据中心单机柜功率已从传统的10–20 kw跃升至100 kw以上。800 v hvdc系统凭借模块冗余和高压降损等优势，在数据中心高密场景中加速部署。基于固态变压器（sst）的800 v hvdc母线已在智算中心中得到广泛应用。

2、为保证人身安全和设备可靠运行，数据中心hvdc系统普遍采用浮地（不接地）架构，通过绝缘监测装置实时监测正负母线对地绝缘电阻，并在初次接地故障时允许系统短时运行。然而，浮地架构在运维中面临一个极为棘手的问题——高阻接地故障。高阻接地故障的接地电阻通常在数百欧姆至数十千欧姆之间，故障电流仅为毫安至安培级。高阻接地故障的典型成因包括：绝缘材料老化、潮湿环境导致泄漏电流增大、电缆接头受潮或污染、以及运维操作不当。这类故障的核心难点在于：故障信号微弱、故障特征不易捕获、选线与定位困难、易引发二次故障。

3、现有高阻接地故障检测与定位方法主要存在以下缺陷：采用人工驱动选线法：运维人员手动拉切各支路，观察绝缘电阻值变化定位故障点。该方法效率极低，且拉切操作会造成负载供电中断，影响数据中心正常运行。

4、而采用低频信号注入法时需要额外增加信号注入设备，且母线上并联的分布式电容会对低频信号产生显著的旁路效应，严重降低高阻故障定位精度。

5、传统信号处理法处理时高阻接地故障的故障特征极微弱，阈值法难以适应不同负载工况和噪声水平，泛化能力严重不足。

6、因此，亟需一种能够综合利用hvdc系统拓扑结构信息和多源传感器数据、自动提取微弱故障时空特征、实现浮地hvdc系统高阻接地故障精准选线定位的智能方法。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：现有的技术存在效率极低，需要冗余设备，适应性不足的技术问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种数据中心浮地高压直流系统高阻接地故障在线选线方法，包括构建系统拓扑图，所述拓扑图包括有正极母线节点、负极母线节点、若干的支路节点和虚拟地节点；基于所述拓扑图，利用图神经网络在各节点间进行至少一轮特征传递与聚合，得到各支路节点的故障表征向量；根据各支路节点的故障表征向量计算故障概率，并基于故障概率确定发生高阻接地故障的直流负载支路；其中，各所述支路节点分别通过电气连接边连接至所述正极母线节点和负极母线节点，并通过绝缘耦合边连接至所述虚拟地节点。

4、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：在构建系统拓扑图之前，还包括：采集各直流负载支路的正极对地电压、负极对地电压和支路电流的时序信号；对所述时序信号进行特征提取，得到时域统计特征和频域能量特征，作为各所述支路节点的初始特征向量。

5、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：所述电气连接边的权重属性根据对应直流负载支路的线路长度或线路阻抗设定；所述绝缘耦合边的权重属性根据对应直流负载支路的对地分布电容或绝缘电阻设定。

6、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：所述特征传递与聚合具体包括：计算各支路节点与相邻节点之间的注意力系数；基于所述注意力系数对相邻节点的特征进行加权求和，更新各支路节点的隐藏层状态。

7、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：所述根据各支路节点的故障表征向量计算故障概率，具体包括：将各支路节点的故障表征向量输入至全连接层进行处理；输出各直流负载支路发生高阻接地故障的概率值。

8、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：所述基于故障概率确定发生高阻接地故障的直流负载支路，具体包括：将各直流负载支路的故障概率值与预设的故障判定阈值进行比较；若故障概率值大于所述故障判定阈值，则判定该故障概率值对应的直流负载支路发生高阻接地故障。

9、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线方法的一种优选方案，其中：对所述时序信号进行特征提取之前，还包括利用小波分解算法对所述时序信号进行去噪处理，提取暂态故障特征分量。

10、本发明的另外一个目的是提供一种数据中心浮地高压直流系统高阻接地故障在线选线系统，其能通过提供选线系统，解决了目前的技术适应性较差的技术问题。

11、作为本发明所述的数据中心浮地高压直流系统高阻接地故障在线选线系统的一种优选方案，其中：包括：拓扑构建模块、时序编码模块、图神经网络模块、特征融合模块以及故障支路判定模块；所述拓扑构建模块，用于获取所述浮地高压直流系统的电气拓扑信息，并根据正极母线节点、负极母线节点、多个支路节点以及耦合关系构建拓扑图；所述时序编码模块，用于采集各直流负载支路的电气量时序信号，并对所述电气量时序信号进行特征提取，生成各支路节点的初始特征向量；所述图神经网络模块，用于构建包含虚拟地节点的系统拓扑图，并基于所述拓扑图在各节点间进行特征传递与聚合，输出各支路节点的拓扑关联特征；所述特征融合模块，用于将各支路节点的初始特征向量与拓扑关联特征进行融合更新，得到各支路节点的故障表征向量；所述故障支路判定模块，用于根据所述故障表征向量计算故障概率，并基于故障概率判定发生高阻接地故障的直流负载支路。

12、本发明的再一个目的是提供了一种数据中心浮地高压直流系统高阻接地故障在线选线设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现数据中心浮地高压直流系统高阻接地故障在线选线方法的步骤。

13、本发明的还一个目的是提供了一种数据中心浮地高压直流系统高阻接地故障在线选线存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现数据中心浮地高压直流系统高阻接地故障在线选线方法的步骤。

14、本发明的有益效果：本发明通过拓扑图构建和gnn消息传递，使模型能够学习支路之间的空间耦合关系，将高阻接地故障的微弱信号在拓扑邻域内聚合放大。实验结果表明，在故障电阻高达50 kω的情况下，模型选线准确率约为90%，远高于传统绝缘监测法（50kω时约32%）和传统阈值保护法（几乎无法动作）。

15、本发明仅利用数据中心hvdc系统中已有的电压传感器、电流传感器和绝缘监测装置，无需增加信号注入设备或额外的选线装置，降低了系统的综合成本。

16、本发明采用人工智能混合架构自动从原始多源时序数据和拓扑信息中提取故障时空特征，无需人工设计复杂的时频域特征和判据阈值，适应不同配置和工况的数据中心hvdc系统。

17、并且通过多源数据融合、小波去噪预处理和注意力机制，模型对负载波动、分布式电容干扰、传感器噪声和通信延迟具有良好的鲁棒性。在20 db信噪比的强噪声环境下，选线准确率下降不超过6%。