基于图神经网络的配网台区拓扑构建及故障推理方法与流程

本发明涉及配电网运维与智能分析，具体为基于图神经网络的配网台区拓扑构建及故障推理方法。

背景技术：

1、配电网台区是电力系统面向用户的重要环节，其拓扑结构（即变压器、线路、开关、智能电表等设备之间的物理连接关系和层级关系）是配电网运行管理、状态估计、故障诊断和优化控制的基础。随着分布式电源（如分布式光伏）的大规模接入以及电动汽车充电设施的广泛部署，配电网的源-网-荷不确定性日益增强，电气耦合特性日趋复杂，拓扑形态更加多元化。配电网相对于输电网而言，具有传输距离短、线路分支多、运行方式灵活、量测设备部署不全等特点，使得其拓扑构建和故障诊断面临更大挑战。

2、目前，配电网台区拓扑构建和故障推理主要依赖以下技术路径：

3、（一）传统拓扑识别方法。现有配电网拓扑辨识方法主要包括状态估计法、关联分析法和数据学习法等。此类方法大多通过传统搜索或排序方法提取数据特征、分析节点连接关系。然而，传统方法在评估所有可能拓扑时计算量较大，难以满足实时性要求，且难以适应高比例分布式电源接入下复杂的电气耦合特性。

4、（二）基于传统深度学习的故障诊断方法。近年来，以卷积神经网络（cnn）、长短期记忆网络（lstm）等为代表的深度学习模型在电网分析中得到广泛应用。然而，大部分研究仅基于对已有信号进行数据分析，忽略了网络拓扑的分析，具有一定的局限性。此外，多数深度学习算法对拓扑变动的泛化能力不足，当配电网拓扑结构发生变化后往往需要重新训练，且在量测不足和标记率低时准确率不高。

5、（三）图神经网络在电力系统中的初步应用。图神经网络（gnn）能够有效捕捉节点间的关系和图的全局信息，为解决传统深度神经网络在图结构数据处理中的不足提供了新思路。近年来，研究者开始将gnn应用于配电网拓扑识别或故障诊断。例如，有方案基于图卷积聚合配电网的节点信息和结构信息进行拓扑识别；也有方案利用图注意力网络（gat）构建配电网故障区段定位模型，结合配电网拓扑结构充分挖掘故障特征。此外，基于时空图卷积网络的有源配电网故障定位方法也被提出，通过结合配电网故障信息的时空相关性进行故障定位。

6、综合分析现有技术，仍存在以下不足：

7、（1）拓扑构建与故障推理割裂。现有技术大多将拓扑识别和故障诊断作为两个独立的问题分别求解。拓扑识别侧重于恢复网络连接关系，故障诊断侧重于在已知拓扑下定位故障，两者之间缺乏有机融合与协同推理机制。

8、（2）对拓扑动态变化的适应性不足。配电网运行方式灵活、拓扑结构变化频繁。分布式能源的接入、网络重构、故障隔离等操作会导致拓扑频繁变化。现有基于人工智能的故障定位方法对拓扑变动的泛化性不足，拓扑变化后往往需要重新训练。

9、（3）量测数据不完备下的推理能力弱。配电网量测设备部署不全、数据传输丢失等问题导致量测数据稀疏。现有方法在数据不完备场景下的拓扑构建精度和故障推理准确率显著下降。

10、（4）缺乏端到端的统一框架。从拓扑构建到故障推理，现有方案多采用分阶段、多模型的架构，中间环节的信息损失和误差累积问题突出，难以实现从原始量测数据到故障推理结果的端到端优化，为此，我们提出基于图神经网络的配网台区拓扑构建及故障推理方法。

技术实现思路

1、本发明要解决的技术问题是克服现有的缺陷，提供基于图神经网络的配网台区拓扑构建及故障推理方法，能够将配网台区拓扑构建与故障推理纳入统一的图神经网络框架实现端到端联合优化，提升对拓扑动态变化和量测数据不完备场景的适应能力，提高拓扑构建精度和故障推理的准确率与实时性，可以有效解决背景技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：基于图神经网络的配网台区拓扑构建及故障推理方法，包括以下步骤：

3、s1：采集配网台区中各个节点的多源量测数据，基于多源量测数据将配网台区抽象为图结构，图结构的节点对应于电力元件，边对应于电气连接关系；

4、s2：将图结构输入多任务图神经网络模型，通过链接预测任务构建台区拓扑结构，同时通过节点层级分类任务推理各节点在台区中的层级关系；

5、s3：实时检测拓扑变化事件，当检测到拓扑变化时触发图更新机制，对变化区域的局部拓扑进行更新；

6、s4：基于构建的台区拓扑和多源量测数据进行故障类型识别和故障区段定位；

7、s5：建立联合损失函数，通过联合损失函数对拓扑构建任务和故障推理任务进行端到端的联合优化；

8、s6：输出包含拓扑结构和故障推理结果的诊断报告。

9、进一步的，步骤s1中多源量测数据至少包括节点电压时序数据、节点电流时序数据、有功功率时序数据、无功功率时序数据和开关状态数据；节点包括变压器节点、开关节点、线路端点节点和智能电表节点中的一种或多种。

10、进一步的，步骤s1中图结构包括节点集合、边集合和节点特征矩阵，节点特征矩阵由多源量测数据构成；边集合的初始化方式为：当存在历史拓扑记录时，基于历史拓扑记录构建初始候选拓扑结构；当不存在历史拓扑记录时，将边集合初始化为全连接图。

11、进一步的，步骤s2中多任务图神经网络模型包括图编码模块、拓扑解码模块和节点层级推理模块；图编码模块采用图注意力网络或图同构网络作为编码器，通过消息传递机制迭代聚合各节点的邻居节点信息，生成包含局部拓扑信息和电气量测信息的节点嵌入表示；拓扑解码模块基于节点嵌入表示预测节点对之间存在连接关系的概率以重构台区拓扑结构；节点层级推理模块输出每个节点属于各层级类别的概率分布，层级类别包括变压器层级、分支线路层级和用户电表层级。

12、进一步的，链接预测任务与节点层级分类任务共享图编码模块的参数，节点层级分类任务作为辅助任务与链接预测任务进行多任务联合训练，共同参与图编码模块的参数更新。

13、进一步的，步骤s3中实时检测拓扑变化事件，具体包括：对各节点的量测数据序列计算滑动窗口内的统计特征向量，统计特征向量至少包括均值、方差、偏度和峰度；计算当前窗口统计特征向量与历史基准窗口统计特征向量之间的距离度量值，当距离度量值超过预设阈值时判定为检测到拓扑变化事件，并记录变化时刻和受影响的节点集合。

14、进一步的，步骤s3中图更新机制为增量式图更新机制，具体包括：以检测到的拓扑变化事件所对应的受影响节点集合为中心，向外扩展预设跳数的邻居范围，构建局部子图，预设跳数为1至3的正整数；仅对局部子图范围内的节点执行图神经网络的前向传播计算，更新该范围内各节点的节点嵌入表示和边连接概率；全局图结构中局部子图范围以外的节点嵌入表示和拓扑连接关系保持不变。

15、进一步的，增量式图更新机制还包括拓扑置信度评估步骤：为每条预测的边附加置信度分数，当某条边的置信度分数低于预设的置信度阈值时，将该边标记为待确认状态并暂不纳入最终拓扑输出，直至后续量测数据积累后重新评估；当某条边的置信度分数高于预设的置信度阈值时，将该边标记为已确认状态并纳入最终拓扑输出。

16、进一步的，步骤s4中故障类型识别和故障区段定位采用时序图神经网络实现，时序图神经网络包括空间图卷积模块和时间序列建模模块；空间图卷积模块基于图结构的拓扑连接关系聚合各节点的空间邻居信息，时间序列建模模块沿时间维度捕捉故障信号的时序演化特征；空间图卷积模块与时间序列建模模块交替堆叠，以同时捕捉故障信号的空间拓扑特征与时间演化特征；故障类型包括单相接地故障、两相短路故障、两相短路接地故障、三相短路故障和断线故障中的任意一种或多种。

17、进一步的，步骤s5中联合损失函数由拓扑构建损失、故障推理损失以及拓扑构建结果与故障推理结果之间的一致性约束损失加权求和得到；一致性约束损失用于约束故障区段定位结果中标记为故障的节点或边在拓扑连接关系上构成连通子图，且故障引起的电气量变化幅度随与故障区段的拓扑距离增大而衰减；当拓扑构建结果与故障推理结果违反一致性约束时，一致性约束损失施加惩罚，迫使模型在联合训练中修正拓扑构建和/或故障推理的结果以满足物理一致性。

18、与现有技术相比，本发明的有益效果是：本基于图神经网络的配网台区拓扑构建及故障推理方法，具有以下好处：

19、1、本发明通过多任务图神经网络框架，将拓扑构建和故障推理纳入同一模型，实现端到端的联合优化，避免了传统分阶段方法的信息损失和误差累积。通过链接预测任务构建拓扑、节点层级分类任务推理层级关系、时序图神经网络进行故障识别与定位，三个任务有机融合、相互促进。

20、2、本发明通过动态拓扑变化检测机制和增量式图更新机制，能够在拓扑发生变化时快速自适应调整。仅对变化区域的局部子图进行重构建，全局其他部分保持不变，无需全面重新训练，大幅降低了计算开销和响应时间。

21、3、本发明通过图神经网络的消息传递机制，能够有效利用拓扑结构信息弥补局部量测数据的缺失。在量测数据稀疏场景下，相邻节点的信息可通过图聚合进行补充，仍能保持较高的拓扑构建精度和故障推理准确率。

22、4、本发明采用图神经网络进行拓扑构建和故障推理，计算复杂度与图规模呈近似线性关系；结合增量式更新机制仅处理局部变化区域，能够满足配网台区实时运维的时间要求。

23、5、本发明通过引入拓扑-故障一致性约束损失，将潮流方程等物理规律作为一致性约束嵌入损失函数，确保故障推理结果符合电力系统的物理规律（故障沿拓扑传播、电气量随拓扑距离衰减），提高了推理结果的可信度和可解释性。