一种基于消息传递图神经网络的浮地HVDC高阻接地故障定位方法、系统、设备及存储介质与流程

本发明涉及高压直流输电，具体为一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法、系统、设备及存储介质。

背景技术：

1、高压直流（hvdc）输电系统凭借传输容量大、输电距离远、线路损耗低等显著优势，已被广泛应用于远距离大容量电能传输与非同步电网的异步互联。在浮地hvdc系统中，接地极线路用于流通系统不平衡电流并抑制中性点电压，是保障直流系统稳定运行的关键环节。然而，接地极线路通常长达数十乃至上百公里，运行环境复杂恶劣，极易发生各类接地故障。在各类故障类型中，接地极线路的高阻接地故障由于暂态特征微弱且传输衰减剧烈，其精准定位始终是制约高压直流输电系统可靠运行的一大技术瓶颈。

2、实现高阻接地故障精准定位首要面临的根本难题，在于高阻接地场景下暂态故障信号极度微弱且特征模糊。当发生高阻接地故障且故障点过渡电阻较大时，流入故障点的电流极其微弱，沿线电压分布异常，利用传统基于电压极值的定位方法会导致误差显著增大；同时，微弱的故障暂态行波使得波头幅值低、噪声干扰大，利用传统行波保护法或微分欠压保护法极难完成波头的准确标定与识别，极易出现耐故障电阻能力不足的问题。

3、在此基础上，如何有效融通多源测量信息与复杂的电网物理空间结构，是进一步提升故障定位精度的关键挑战。现有数据驱动的智能诊断方法多采用各测量点的独立欧式数据作为模型输入，忽略了hvdc系统内在的电气拓扑连接关系与物理线路长度约束。这导致模型无法将空间拓扑路径上的微弱电气量突变进行有效关联与放大，难以在大范围分布的接地极线路中实现故障区段与精确距离的可靠映射。

4、更为棘手的是，电力系统在实际运行中经常面临运行方式切换、线路检修或系统扩建等拓扑动态变更的情况。传统的定位模型或人工智能诊断方法通常绑定于特定的固定拓扑与固化数据形态，一旦系统拓扑发生改变，模型的定位精度便会大幅下降，甚至需要依赖大量新数据重新进行耗时费力的端到端训练。这使得定位方案在面对拓扑频繁变更的实际工程现场时，缺乏足够的泛化能力与快速适应能力，严重限制了其在线部署与维护应用。

5、针对上述由浅入深的层递式技术瓶颈，本发明提供了一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法及系统。通过将hvdc物理拓扑映射为图数据，并融合时频域特征增强与图神经网络的多轮邻域消息传递，实现了空间拓扑信息与时频特征的深度耦合，在突破高阻故障微弱信号提取难题的同时，具备极强的拓扑泛化与模型适应能力。

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：现有的高压直流接地故障定位方法在高阻接地场景下暂态信号微弱、波头难以标定导致定位精度低、抗噪性能差、拓扑结构空间特征利用不充分，以及系统拓扑结构变更时现有模型缺乏泛化能力与适应能力的问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法，包括获取高压直流输电系统的拓扑结构信息，根据拓扑结构信息，将各电气节点及其连接关系映射为图数据；采集各电气节点在故障发生前后的暂态电气量，将暂态电气量作为对应节点的初始特征，通过图神经网络在各相邻节点之间进行特征传递和聚合，以使各节点的特征融合其邻域内其他节点的暂态电气量信息；根据经过特征传递和聚合后的各节点特征，输出高压直流输电系统的故障位置信息。

4、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：图神经网络具体为消息传递图神经网络，消息传递过程至少包括消息构造、消息聚合及节点状态更新；消息构造对图中的每条边，基于源节点和目标节点的隐藏状态及边属性，计算从源节点传递至目标节点的消息；消息聚合对于每个目标节点，将所有邻居节点传递的消息进行聚合；节点状态更新为每个节点基于聚合消息和自身上一时刻的隐藏状态，通过更新函数更新隐藏状态。

5、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：暂态电气量作为对应节点的初始特征之前，还包括对暂态电气量进行时频域特征增强处理；采用变分模态分解将暂态电压波形和暂态电流波形分解为多个本征模态分量，选择包含故障特征信息的高频模态分量作为故障特征分量；对高频模态分量进行瞬态提取变换，获取时频域能量聚集增强的故障行波全波形，提取故障特征向量，将故障特征向量作为对应节点的初始特征。

6、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：初始特征还包括节点处的电压变化率、电流变化率、地理坐标信息；电压变化率和电流变化率表征故障暂态过程中电气量的突变程度；地理坐标信息在图神经网络的特征传递过程中引入节点间的空间距离约束，使故障位置信息的传播与线路物理长度相匹配。

7、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：根据经过特征传递和聚合后的各节点特征，输出高压直流输电系统的故障位置信息包括，对各节点的最终隐藏状态进行全局池化，根据不同节点对故障定位结果的贡献程度分配不同的注意力权重，经映射后输出故障定位结果。

8、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：离线训练，搭建不同参数配置的浮地hvdc系统模型，覆盖不同故障位置、不同过渡电阻值和不同系统运行方式下的接地故障场景，生成仿真样本数据集，每个样本包括各节点的暂态电气量及对应的故障位置标签，采用仿真样本数据集对图神经网络进行端到端训练。

9、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的一种优选方案，其中：模型适应性更新，当系统拓扑发生变更时，基于变更后的拓扑结构信息重新构建图数据，生成新拓扑下的仿真样本数据集，通过迁移学习的方式对已训练的图神经网络进行微调。

10、本发明的另外一个目的是提供一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位系统，其能通过采集各电气节点在故障发生前后的暂态电气量，将暂态电气量作为对应节点的初始特征，通过图神经网络在各相邻节点之间进行特征传递和聚合，以使各节点的特征融合其邻域内其他节点的暂态电气量信息，解决了目前的高压直流接地故障定位方法含有对拓扑空间信息及拓扑结构变更时泛化适应能力差的问题。

11、作为本发明所述的基于消息传递图神经网络的浮地hvdc高阻接地故障定位系统的一种优选方案，其中：包括数据采集模块，图建模模块，特征增强模块，图神经网络模块，定位输出模块；数据采集模块用于采集高压直流输电系统中各测量节点在故障发生前后的暂态电压波形和暂态电流波形；图建模模块用于获取高压直流输电系统的拓扑结构信息，将系统中的换流站母线、接地极线路分支节点、极址点和测量点作为图数据中的节点，将接地极线路的电气连接关系作为图数据中的边，每个节点关联初始特征向量；特征增强模块用于对采集的暂态电压波形和暂态电流波形进行时频域特征增强处理，提取反映高阻接地故障的故障特征向量，并将故障特征向量作为对应节点的初始特征向量的至少一部分输入至图数据中；图神经网络模块用于根据图建模模块构建的图数据以及特征增强模块输入的节点初始特征，通过消息传递图神经网络在各相邻节点之间进行多轮特征传递和聚合，以使各节点的特征融合其邻域内其他节点的暂态电气量信息，获得每个节点的融合了邻域信息的最终隐藏状态表示；定位输出模块用于将图神经网络模块输出的各节点最终隐藏状态通过读出层映射，输出高压直流输电系统的故障定位结果。

12、本发明的再一个目的是提供了一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位设备，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是实现基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的步骤。

13、本发明的还一个目的是提供了一种基于消息传递图神经网络的浮地hvdc高阻接地故障定位存储介质，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基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法的步骤。

14、本发明的有益效果：

15、本发明提供的基于消息传递图神经网络的浮地hvdc高阻接地故障定位方法引入自适应vmd与tet时频域特征增强处理。通过将暂态波形分解并进行瞬态提取变换，有效消除了传统时频分析的模糊现象，实现了高频故障行波能量的高度聚集，大幅提升了对微弱故障特征的提取能力；将hvdc系统的物理设备与连接关系映射为图数据，并利用mpnn多层邻域消息传递机制，将节点的电压、电流变化率及地理坐标与拓扑边属性结合，使微弱的故障特征在拓扑路径中沿线路传播而被放大，不依赖单一行波波头标定即可实现高精度定位；采用基于图结构的拓扑建模与迁移学习微调机制。当运行方式或线路结构改变时，仅需在新拓扑图数据上进行少量轮次微调即可快速恢复定位性能。本发明在故障定位精度、抗噪鲁棒性以及拓扑泛化适应能力方面都取得更加良好的效果。