一种基于图卷积神经网络的输电线路故障诊断方法与流程

1.本发明属于输电线路技术领域，涉及输电线路故障检测，尤其是一种基于图卷积神经网络的输电线路故障诊断方法。


背景技术：

2.随着人工智能技术在工业大数据时代的兴起，数据驱动的故障检测和故障分类方法凸显出显著的优势，sun等人利用支持向量机对不同工况下的输电线路故障类型进行识别，并以小波奇异信息作为特征参数；liu等人定义了4个小波包熵来，实现输电线路故障信号的提取，并利用径向基函数神经网络实现分类；jamehbozorg等人和recioui等人分别采用决策树算法和k近邻算法对输电线路故障类型进行识别；近年来，chen等人提出用稀疏自编码器对输电线路的电压和电流信号进行故障分类，guo等人将电压信号矩阵作为输入的灰度图像，利用cnn实现故障分类；shi等人利用随机矩阵理论对异常数据的时空相关性进行了探讨。
3.随着居民用电需求和供电技术两方面的提高，输电线路部署方式及位置呈现多样化，输电线路施工装状况趋于复杂化且对环境的依赖性较强，输电线路按架设方式可分为架空输电线路和电缆输电线路，其部署高度和位置各不相同。经检索未发现现有技术对空天地多维信息模型进行综合考虑，也没有对响应的存储结构和数据采集方法进行考虑，且多数研究使用的机器学习方法较传统，难以适应当前输电线路的复杂性特点。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种设计合理、诊断效率高且能够进行故障分类的基于图卷积神经网络的输电线路故障诊断方法。
5.本发明解决现有的技术问题是采取以下技术方案实现的：
6.一种基于图卷积神经网络的输电线路故障诊断方法，包括以下步骤：
7.步骤1、构建基于端-边-云数据协同架构的输电线路故障诊断平台；
8.步骤2、用户端进行多维信息采集并传送至边缘端；
9.步骤3、边缘端进行信息融合；
10.步骤4、云端的gcn输电线路故障诊断模型对信息融合后的数据进行诊断，完成输电线路故障的分类及评估。
11.而且，所述步骤1的具体实现方法包括以下步骤：
12.步骤1.1、对输电线路故障进行分类，将输电线路故障分为如下四种故障类型：单相接地故障、双相短路故障、双向接地故障和三相短路故障；
13.步骤1.2、搭建“端-边-云”数据协同架构：
14.步骤1.3、搭建输电线路图结构；
15.步骤1.4、在云端搭建gcn输电线路故障诊断模型。
16.而且，所述步骤1.3的具体实现方法为：
17.步骤2.1、定义了节点及其特征，包括总线电压或其他电气数据；
18.步骤2.2、对边缘进行定义，使用如下公式计算每条边的权重：
[0019][0020]
式中，e
ij
表示节点i和节点j之间的边权重系数，r
ij
和x
ij
分别表示线路电阻和电抗参数；
[0021]
步骤2.3、根据每条边的权重，将电力数据时空相关性进行量化，基于传输系统的图形结构。
[0022]
而且，所述步骤1.4的具体实现方法为：
[0023]
gcn输电线路故障诊断模型采用图卷积神经网络，其中的图形卷积层目标是学习图形结构数据g＝(v，e)上的特征的函数，其特征矩阵x和样本的邻接矩阵a作为输入：
[0024]
input＝(x,a)
[0025]
其中x是由每个节点i的特征xi描述组成的n
×
d特征矩阵，n是节点数，d是输入特征数，图形卷积层的输出是n
×
f节点级向量y，其中f是线路所处状态的数目，每个图形卷积层均表示为如下非线性函数：
[0026]h(i 1)
＝f(hi,a),i＝0,1,...,l
[0027]
其中，l为图卷积层，当i＝0时，h(0)＝x，当i＝l时，h(l)＝y，显示图形卷积层的分层传播原理如下所示：
[0028]
f(hi,a)＝σ(ah(i)w(i))
[0029]
其中，σ是非线性激活函数，并且w(i)是第i图卷积层中的权重矩阵；
[0030]
将邻接矩阵a
′
按以下公式进行归一化：
[0031][0032]
其中，d是邻接矩阵a
′
的对角节点的度矩阵；
[0033]
经优化后的图卷积层表示如下：
[0034]
f(h(i),a)＝σ(a
″
h(i)w(i))
[0035]
通过下面第一个激活函数获得第一层的输出数据，通过下面第二个激活函数得到第一层的输出：
[0036][0037]h(2)
＝relu(a
″h(1)
w2 b2)
[0038]
整个模型的输出通过softmax函数得到：
[0039]
y＝softmax(h
(3)
w4 b4)。
[0040]
而且，所述步骤2用户端采用如下方式进行多维信息采集：对空中的信息通过遥感卫星进行数据采集，对于较高处的信息通过无人机进行数据采集，对于地面数据采用传感器进行数据感知，采集的数据包括空-遥感卫星探测数据、空间-无人机遥感数据、地对地传感器传感数据。
[0041]
而且，所述步骤3边缘端进行信息融合的方法包括：数据级融合、特征级融合和决策级融合，在数据级融合中进行特征的选择、抽取和检测，在特征级融合中进行模式识别、
故障预处理和故障识别，在决策级融合时进行故障定位和处理。
[0042]
本发明的优点和积极效果是：
[0043]
1、本发明对于空天地多维信息进行综合考虑，首先进行用户端数据采集，然后在边缘端实现特征提取等信息融合操作，最后在云端进行整体的数据模型构建，采用gcn技术能够对故障线路的拓扑信息进行高效的特征建模，最终实现较为准确的故障分类，提高了故障诊断效果及输电线路故障诊断效率。
[0044]
2、本发明根据输电线路部署位置所在高度将其划分为空天地三个模块，基于空天地进行端边云的数据存储方法探究，实现数据存储效率的提升与优化，通过基于图卷积神经网络的输电线路故障诊断模型，对输电线路的故障节点进行图模型映射，最终经过模型训练，实现高效的故障类型识别与故障判断功能。
附图说明
[0045]
图1为本发明的输电线路故障诊断模型及其存储模型示意图；
[0046]
图2为本发明的gcn模型结构图；
[0047]
图3为本发明的“端-边-云”数据协同架构图；
[0048]
图4为本发明的输电线路结构图。
具体实施方式
[0049]
以下结合附图对本发明实施例做进一步详述。
[0050]
本发明设计思想是：采用“端-边-云”数据协同架构并利用多维信息采集技术和信息融合技术实现输电线路故障诊断。在“端-边-云”协同架构中，用户端生成数据源，实时性要求高、规模小的数据服务主要由边缘端解决，云计算中心主要负责对实时性要求不高、应用范围广、复杂度高的服务。本发明根据输电线路部署现状，通过运用物联网中较流行的端-边-云数据存储模型，针对输电线路部署结构的复杂性，通过gcn输电线路故障诊断模型进行故障类型识别与故障判断功能，并应用可视化技术进行分类结果展示，最终实现故障结果的高效分类和故障诊断效率提升功能。下面对设计思想中的两个术语进行说明：
[0051]
gcn(graphconvolutionalneuralnetwork，图卷积神经网络)属于图神经网络中的一种，针对传统的卷积神经网络仅能处理欧式空间数据的弊端，gcn关注图数据，其中的每个节点的局部结构各异，数据多样化，且数据规模很大。现有的gcn分为谱方法和空间方法两类，其中谱方法利用图上卷积定理从谱域进行图卷积的定义，空间方法从节点域出发，通过定义聚合函数来聚合每个中心节点和其临近节点。
[0052]
端-边-云：在物联网场景下，云计算模型越来越具有局限性，而将互联网上的云、边缘的计算和设备端的计算三体联动起来，可以构成一个iot核心计算能力，通过将计算扩展至边缘，在靠近客户端、设备端的地方建立计算能力，实现网络延时不再是问题，便于系统及时做出最优的决策。
[0053]
基于上述设计思想，本发明提出一种基于图卷积神经网络的输电线路故障诊断方法，如图1及图3所示，包括以下步骤：
[0054]
步骤1、构建基于端-边-云数据协同架构的输电线路故障诊断平台。本步骤的具体实现方法为：
[0055]
步骤1.1、对输电线路故障进行分类，将输电线路故障分为如下四种故障类型：单相接地故障、双相短路故障、双向接地故障和三相短路故障。
[0056]
输电线路故障的常见原因是雷击、风偏、污闪、结冰、外力、鸟类损坏以及一些系统内部故障。四种主要类型断层的严重程度明显不同，其中，三相短路故障是输电系统中危害最大、清除时间最短的故障。单相接地故障的危害性并不像其他故障那样严重，但其发生频率较高，占故障总数的90％以上，不容忽视。
[0057]
输电线路发生暂态故障时，节点电压会有不同程度的下降。正常情况下，在输电系统正常情况下，节点电压范围通常保持在1.0pu左右。异常情况下，不同节点在不同故障情况下的降压幅度不同。此外，由于距离故障点的距离不同，同一故障对不同节点的影响也不同。我们的最终目的是通过学习系统节点电压的深层表示来检测故障的发生，并确定发生哪种故障。
[0058]
步骤1.2、搭建“端-边-云”数据协同架构。
[0059]
本步骤搭建的“端-边-云”数据协同架构采用多维信息采集技术和信息融合技术实现输电线路故障诊断。在多维信息采集环节，数据源主要包括空-遥感卫星探测数据、空间-无人机遥感数据、地对地传感器传感数据；在信息融合环节，主要采用特征级融合对数据进行处理；在输电线路故障处理环节，主要采用gcn算法实现准确的故障分类和准确预测。在“端-边-云”协同架构中，用户端生成数据源，实时性要求高、规模小的数据服务主要由边缘端解决。云计算中心主要负责对实时性要求不高、应用范围广、复杂度高的服务。图3以家庭电力线故障诊断为例给出的端-边-云数据协同过程。
[0060]
步骤1.3、搭建输电线路图结构。
[0061]
本步骤主要是为了构建传输系统中的图形结构数据。这种构图方法可以推广到其他涉及电力系统拓扑结构的工程任务中。这里我们以ieee9节点系统为例来说明，其输电线路图搭建过程如图4所示。步骤2.1、定义了节点及其特征。显然，这里的节点是传输系统中的总线节点，其特征是总线电压或其他电气数据。其次，对边缘进行定义。拓扑中的线是图的边，这意味着如果两个节点之间有一条线，则可以假定图中的这两个节点之间存在边。此外，我们认为边缘应该是信息性的。节点特征和边的存在只涵盖了空间信息中的拓扑关系，而没有量化节点之间的相关性。在现实中，如果母线节点相距较远，即使它们连接起来，它们之间的相似度也可能不高。如果不根据实际场景考虑边权重，则在图的卷积过程中，邻域信息的聚合精度会降低。因此，我们创建了一个计算标准来使用线参数来获得每条边的权重。计算公式如下：
[0062][0063]
其中，e
ij
表示节点i和节点j之间的边权重系数，r
ij
和x
ij
分别表示线路电阻和电抗参数。这个方程的意义在于，距离越长或阻抗越大，节点之间的相关性就越小。引入这一标准的想法来自于社会推荐相关应用中的边缘定义。在人际关系图中，边缘信息被用来表示“用户-用户”关系，这通常被称为“社会距离”。因此，我们提出了将电力系统中的“社会距离”延伸到“电气距离”的设想。具体来说，“社会距离”是对人与人之间关系的量化，而“电气距离”是对电力数据时空相关性的量化。最后，得到如图4所示的基于传输系统的图形结构。
[0064]
步骤1.4、在云端搭建gcn输电线路故障诊断模型。
[0065]
目前，大多数图卷积层具有共同的架构，因为滤波器参数通常在图中的所有位置共享。对于这些图形卷积层，目标是学习图形结构数据g＝(v，e)上的特征的函数，其特征矩阵x和样本的邻接矩阵a作为输入：
[0066]
input＝(x,a)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0067]
其中x是由每个节点i的特征xi描述组成的n
×
d特征矩阵，n是节点数，d是输入特征数。邻接矩阵以矩阵的形式表示历史数据和当前样本之间的相似性度量。图形卷积层的输出是n
×
f节点级向量y，其中f是线路所处状态的数目。每个图形卷积层都可以写成非线性函数：
[0068]h(i 1)
＝f(hi,a),i＝0,1,...,l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0069]
其中l为图卷积层。当i＝0时，h(0)＝x。当i＝l时，h(l)＝y。图形卷积层仅在选择和参数化激活函数f时不同。其中，显示图形卷积层的分层传播原理的公式如下所示：
[0070]
f(hi,a)＝σ(ah(i)w(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0071]
其中σ是非线性激活函数，例如relu函数，并且w(i)是第i图卷积层中的权重矩阵。
[0072]
尽管图形卷积层功能非常强大，但它有两个问题需要解决：
[0073]
(1)邻接矩阵a的乘法意味着对于每个节点，累加它的所有相邻节点的特征向量。
[0074]a′
＝a i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0075]
(2)第二个限制是邻接矩阵a
′
未归一化，因此乘法可能会改变特征向量的规模，这可以通过检查邻接矩阵a
′
的特征值来检查。要解决此问题，邻接矩阵a
′
应按以下公式进行归一化：
[0076][0077]
式中：d是邻接矩阵a
′
的对角节点的度矩阵。
[0078]
经过优化，图卷积层的公式如(6)所示：
[0079]
f(h(i),a)＝σ(a
″
h(i)w(i))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0080]
根据图2的图卷积层结构，通过第一个激活函数(7)获得第一层的输出数据，通过式(8)得到第一层的输出。
[0081][0082]h(2)
＝relu(a
″h(1)
w2 b2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0083]
整个模型的输出通过softmax函数得到：
[0084]
y＝softmax(h
(3)
w4 b4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0085]
最终通过模型的构建，实现输电线路故障诊断模型的优化。
[0086]
步骤2、在用户端进行多维信息采集并传送至边缘端。其中对于空中的信息通过遥感卫星进行数据采集，对于较高处的信息通过无人机进行数据采集，对于地面数据采用传感器进行数据感知。
[0087]
根据输电线路部署位置所在位置(高度)，将输电线路划分方式为空天地三种类型。在用户端需要采集不同高度的多维输电线路信息，数据源包括空-遥感卫星探测数据、空间-无人机遥感数据、地对地传感器传感数据。
[0088]
步骤3、在边缘端进行信息融合。其中主要包含数据级、特征级和决策级融合，在数
据级融合中进行特征的选择、抽取和检测，在特征级融合中进行模式识别、故障预处理和故障识别，在决策级融合时进行故障定位和处理。
[0089]
步骤4、在云端应用gcn输电线路故障诊断模型完成故障的分类及评估，实现输电线路故障的有效诊断功能。
[0090]
在本步骤中，gcn输电线路故障诊断模型的结构如图2所示。其中节点级别由不同层的特征堆叠而成，图级别的特征主要用于全局分类。
[0091]
在本步骤中，云端基于图卷积神经网络，首先确定输电线路故障特征类别，构建特征向量空间，然后进行数据预处理，经由gcn模型，通过gcn的隐含层数据为模型训练提供更多的先验信息，从而使得训练后的隐含层神经元具有更深层次的特征表达能力。
[0092]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。