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

技术特征：
1.一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：包括以下步骤：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；步骤2、用户端进行多维信息采集并传送至边缘端；步骤3、边缘端进行信息融合；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。2.根据权利要求1所述的一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：所述步骤1的具体实现方法包括以下步骤：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；步骤1.2、搭建“端-边-云”数据协同架构：步骤1.3、搭建输电线路图结构；步骤1.4、在云端搭建gcn输电线路故障诊断模型。3.根据权利要求2所述的一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：所述步骤1.3的具体实现方法为：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；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：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；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。4.根据权利要求2所述的一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：所述步骤1.4的具体实现方法为：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：input＝(x,a)其中x是由每个节点i的特征x
i
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：h
(i 1)
＝f(h
i
,a),i＝0,1,...,l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：f(h
i
,a)＝σ(ah
(i)
w
(i)
)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；将邻接矩阵a
′
按以下公式进行归一化：
其中，d是邻接矩阵a
′
的对角节点的度矩阵；经优化后的图卷积层表示如下：f(h
(i)
,a)＝σ(a
″
h
(i)
w
(i)
)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：h
(2)
＝relu(a
″
h
(1)
w2 b2)整个模型的输出通过softmax函数得到：y＝softmax(h
(3)
w4 b4)。5.根据权利要求1所述的一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：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。6.根据权利要求1所述的一种基于图卷积神经网络的输电线路故障诊断方法，其特征在于：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。

技术总结
本发明涉及一种基于图卷积神经网络的输电线路故障诊断方法，其技术特点是：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；步骤2、用户端进行多维信息采集并传送至边缘端；步骤3、边缘端进行信息融合；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。本发明采用“端-边-云”数据协同架构及GCN技术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，实现较为准确的故障分类，提高了输电线路故障诊断效率。提高了输电线路故障诊断效率。提高了输电线路故障诊断效率。


技术研发人员：郑剑 金尧 吴凯 杨青 王思宁 祝文军 张翼英 马彩霞 祁伯超 孙健 梁志远
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2021.11.17
技术公布日：2022/3/3