摘要：低压台区的故障识别不仅是台区运行管理的重要手段，同时台区的故障会对低压用户直接造成人身安全问题。现有的低压台区故障识别手段通常采用客户上报结合人工现场勘察，耗时费力。随着透明电网的建设，低压台区的运行数据为低压台区的故障识别提供了有力支撑。因此提出了基于图卷积神经网络整图分类的低压台区故障识别方法。首先，将台区用户作为节点，自动生成台区拓扑邻接矩阵；其次，通过智能设备终端采集台区发生故障时节点的故障特征数据并降维处理，与邻接矩阵形成成对的映射图数据。最后将整个台区的图数据作为整图输入至图卷积神经网络，通过平均池化图的特征数据得到整图的节点表示，最终输出对应的短路类型。最后仿真验证了本文方法在低压台区短路故障类型研判中准确率较高，达到90%。
关键词：低压台区；图卷积神经网络；短路故障识别
Abstract:The fault identification of low-voltage substation area is not only an important means of substation area operation management,but also a direct cause of personal safety problems for low-voltage users.The existing low-voltage substation fault identification methods usually use customer reporting combined with manual on-site investigation,which is time-consuming and laborious.With the construction of transparent power grid,the operation data of low-voltage substation area provides a strong support for the fault identification of low-voltage substation area.Therefore,this paper proposes a method of low-voltage substation fault identification based on graph convolution neural network whole graph classification.First,the station users are regarded as nodes,and the station topology adjacency matrix is automatically generated;Secondly,by using the intelligent device terminal,the fault feature data of the node during a fault in a substation area is collected and the data dimension is reduced,a paired mapping data with the adjacency matrix is then formed.Finally,the graph data of the whole station area is input into the graph convolution neural network as the whole graph,and the node representation of the whole graph is obtained by averaging the characteristic data of pooling graph,and the corresponding short-circuit type is finally output.Finally,the simulation results show that the accuracy of this method in the research and judgment of low-voltage substation short-circuit fault types reaches 99%.
Key words:low voltage substation area;graph convolution neural network;short circuit fault identification
0引言
在我国能源革命的背景下，“互联网+”智慧能源技术成为电力系统发展的主要趋势。2019年，国家电网公司提出了打造泛在电力物联网的工作部署[1]，南方电网公司亦提出了数字电网的建设思路，旨在通过物联网[2]、大数据[3]、人工智能[4-5]、边缘计算[6]等关键技术的深度融合应用，全面提高传统电力系统的安全性、可靠性、经济性与灵活性，提升用户用能服务质量。随着智能电网数字化的建设，电力系统主网已经基本实现自动化监控与自动化操作功能。低压配电网作为电力系统架构中靠近用户的“最后一公里”，智能化建设是其发展的必然趋势。低压台区故障的发生不仅给低压用户带来许多生活麻烦，同时也对用户的生命安全带来巨大威胁。一直以来，低压配电网的故障识别一直困扰着业内人士。因此，在低压配电网智能化建设的基础上，提出适用于低压配电网故障识别的算法是很有必要的。
电力系统传输线路的故障多数集中于短路与断线，而低压配电网传输线路也常会发生漏电故障。对于低压传输线路而言，漏电会导致传输线路的电缆的外绝缘损坏，从而发生短路。因此本文主要针对短路故障进行识别。
当前对电网短路故障识别的方法多种多样。文献[7-8]针对中压配电线路接地故障，运用逐次判别方法进行特征选择，综合运用统计模式识别方法、模糊模式聚类方法和神经元网络方法来实现大故障电流故障区段的自动识别。文献[9]运用卷积神经网络对输电线路短路故障进行识别并提出了迁移学习在故障识别中的应用。文献[10]提出了一种基于故障指示器数据的故障类型识别方法。考虑到短路故障中的故障指标误差大、电压测量可靠性低、被测电流饱和等特点，三相短路、相间短路波形数据的特点、相间接地故障和接地故障分别进行分析。在特征分析的基础上，提出了一种多级故障类型识别方法，成功识别出干扰和故障，接地故障和短路故障、对称短路和不对称短路、相间故障和相间接地故障。文献[11]根据有源配电网发生接地故障时各个馈线测量点采集到的零序电流信号，利用闭合打开差运算(Closing Opening Difference Operation，CODO)提取暂态零序电流方向。基于短路时零序电流的分布规律并结合图论中的最短路理论提出了一个新的适应度函数进行故障定位，该方法旨在解决中压配电网经高阻抗接地时零序电流不突出的问题。
虽然上述文章对电力系统传输线路故障识别做了不少的贡献，但其研究大多集中在主网或小电流接地系统的中压配电网上。而对于低压配电网故障识别，当前较少有人进行研究。文献[12]研究了短路前后线路区段电流相角信息的变化，利用该变化判断某一相线是否发生变化，依此来判断单相短路接地与三相短路接地，再结合负序电流的特征来判断相间接地短路与相间短路。
近年来，人工智能的发展为电力系统故障检测提供了新思路。应用人工智能旨在通过数据驱动的方法探寻故障数据内部的规律进而研判故障。文献[13]利用图注意力网络将配电网的电气节点和线路映射为图注意力网络中图的顶点和边，根据相邻顶点之间故障特征的相似度计算注意力系数，进而用图注意力网络研判配电网的故障地点。文献[14]基于随机矩阵理论提出一种数据驱动、边-云协同的低压配电网故障检测方法。文献[15]提出一种考虑配电网故障特征的基于长短期记忆的卷积神经网络的故障定位方法。文献[16]提出基于特征工程与CNN－MSVM的配电网故障等级预测方法。上述方法大多是对配电网的节点进行研究，没有考虑到台区发生故障时台区的整体性。
综上，本文提出了基于图卷积神经网络整图分类的低压台区故障识别方法。将低压配电网抽象为图，输入至图卷积神经网络，采用平均池化将图抽象为节点并最终实现低压台区短路类型的研判。
1低压台区故障数据采集终端部署
现行低压台区的数据采集系统以及集抄系统实现了低压用户电量采集和上送，满足了远程计量功能，随着台区智慧化建设，要实现配电网数据可测可观，离不开边-端设备运行数据的支撑[8]。
由于低压台区出现短路故障到故障切除的整个过程时间较短，现行低压台区数据无法实现对故障数据的采集与分析。因此，本文首先在低压台区本地部署边缘计算终端，确保对低压短路故障数据进行有效采集与分析。
智慧台区部署结构如图1所示。台区作为边缘计算节点，边缘计算终端具备交采功能，直接采集相电压和相电流等数据，实现配变的监测和通信，其安装于配变低压出线近端[8]。终端将数据采集好后传输至主站，主站通过一系列计算进行相应的任务工作。
2图卷积神经网络
传统的卷积神经网络对输入数据执行邻域聚集时，只能处理欧氏空间中信号，如图像等。然而，这种固定的卷积核难以处理节点不规则连接的图数据。图卷积神经网络(Graph Convolutional Network，GCN)的卷积核将注意力集中在节点相连的边相关性上，基于节点邻域特性实施聚合。低压配电台区具有天然的图结构，其不同的节点可以被抽象为图数据中的节点，不同节点之间的线路即为图数据中的边，GCN不仅能提取出节点的特征信息，还能兼顾节点之间的连接关系，为传统神经网络应用在配电网复杂结构的问题上提供了新的思路。
其中谱域GCN理论以图的拉普拉斯矩阵的谱分解为核心。假设图可以由G=(V,ε)表示，其中V表示顶点集合，|V|=n；ε表示边的集合；A∈ℝn×n表示邻接矩阵。图的非归一化的拉普拉斯矩阵可以通过Δu=D-A得到，其中D为图的度矩阵，Dij=Aij。进而可以得到归一化的拉普拉斯矩阵：
式(8)即为目前图卷积神经网络的核心公式，其主要作用为通过迭代的方式汇聚每个节点的邻居节点的特征信息，来对自身的特征信息进行更新。
3低压台区短路故障图数据构造及学习模式
基于第二节所述，由于低压配电网具有天然的图数据结构[8]，本节将介绍如何将低压台区中边缘计算终端采集的短路故障数据与低压台区的拓扑抽象为图数据并输入至图卷积神经网络，经过整图分类后最终进行短路类型识别。
3.1低压台区节点特征数据构造
在Simulink仿真软件模拟低压台区短路故障情形，记录发生短路故障时台区节点的短路电流与短路电压。
低压台区节点短路故障数据构造方法如下。
(1)记录短路故障发生前一周波与短路发生时前两周波的节点电压与电流数据。
由于模型仿真步长为50 ms，因此在故障发生的前后3个周期内仿真数据包含上百个数据点，因此需要对数据进行删减处理。记录故障发生前一周波与短路发生时前两周波各节点的节点相电压与相电流数据，进一步对数据采样，每间隔10个点采1个点，共采集A，B，C三相的节点电压与节点电流数据共72个。
(2)将步骤(1)所得数据按V V I I1,I V V V I I2,I V V VII3,IcT3]进行拼接得到节点故障数据特征向量。其中，由于一周期内包含多个时刻，因此VaT1是由一个周期内不同时刻的a相电压构成，即VaT1=[Vta1,Vta2,Vta3,Vta4]；T1表示故障发生前一周波时期，T2，T3短路发生时前两周波时期；t 1，t2，t3，t4表示同一时期内不同的时间点。
(3)将步骤(2)中所得所有的节点向量进行按行拼接得到整个低压台区的短路故障数据表示。
3.2低压台区拓扑数据构造
图数据不仅包括节点特征数据，也包括图中节点的拓扑关系数据即邻接矩阵。
低压台区拓扑邻接矩阵构造方法如下：
aij(i=1,2,…,n;j=1,2,…,n)表示邻接矩阵A的元素，若节点i节点j具有连接关系，则aij与aji取值为1，若不具有连接关系，则取值为0。
3.3低压台区故障图数据
如3.1节与3.2节所述，将节点特征数据与节点拓扑关系数据进行打包形成低压台区的故障图数据。具体数据形式如图2所示。图中，M为节点特征的数据矩阵，A为节点拓扑关系的邻接矩阵，T1为故障发生前一周波时期，T2、T3为短路发生时前两周波时期。
3.4整图分类的训练方法与流程
与节点分类不同的是，整图分类侧重的是将图中所有节点的特征数据进行特征提取后，通过对所有节点进行最大池化来表示图数据。因此整图分类更加注意全图的节点信息。事实上，低压配电网短路故障的识别是对某一段时间内整体整个低压台区的综合状态进行评估。因此，采用整图分类对低压台区内发生的短路故障进行判别。
整图分类的流程如下：
(1)输入低压台区短路故障图数据；
(2)输入数据经过图卷积层进行特征提取，图数据经过图卷积层，对图中所有节点进行特征提取并记录；
(3)对步骤(2)中所有节点的特征数据进行最大池化得到原始图数据的映射表示；
(4)对所得映射进行判别并输出结果。
4算例分析
本文在Simulink仿真软件上搭建低压台区仿真模型，通过改变台区内模型的参数获得大量数据样本，台区如图3所示。
如图3所示，在变压器二次侧出口处以及母线分支处装设智能分支箱与智能电表等智能边端设备，以黑色竖线代表，记录短路发生前后的数据；图中闪电处代表短路故障发生地点。其中，短路类型共包括A相短路，B相短路，C相短路，AB相间短路，BC相间短路，AC相间短路，AB两相接地短路，BC两相接地短路，AC两相接地短路，ABC三相接地短路。
改变图中变压器二次侧的电压基准值，传输线路阻抗大小，以及不同负荷的有功功率大小，循环仿真得到样本以训练模型。
设置训练迭代次数为50轮，最终得到模型的准确率与损失函数如图 4所示 。如图所示， 模型在训练第 10轮 后准确率达到 95%， 可以有效识别低压台区短路故障的类别。
5结束语
本文在智能电网建设的背景基础上，提出了基于图卷积神经网络整图分类的低压台区短路故障类型识别方法，实现了低压台区短路故障类型的自动识别。模型综合提取台区发生故障时所有节点的特征，再利用最大池化得到台区的映射表示，最终得到台区内发生的短路故障类型，通过算例表明了方法的可行性。该方法可以减少台区运维人员的运维压力与故障排查难度，为低压台区的智能化建设与运维提供了新的思路。但该方法还存在以下不足：
(1)考虑到实际工程问题，该方法对台区内的智能传感器与通信设备的精度要求较高，低压台区的智能化改造成本较高；
(2)农村低压台区的拓扑关系混乱，私拉电线等现象常见，因此图数据中的邻接矩阵可能无法反映台区真实拓扑情况，导致模型判别故障类型出现错误。
参考文献：
[1]国家电网公司.公司全面部署泛在电力物联网建设[EB/OL].[2019-03-09].http://www.sgcc.com.cn/html/sgcc_main/col2017082063/2019-03/09/20190309171046841511206_1.sht‐ml.
[2]周峰,周晖,刁赢龙.泛在电力物联网智能感知关键技术发展思路[J].中国电机工程学报,2020,40(1):70-82.
[3]费思源.大数据技术在配电网中的应用综述[J].中国电机工程学报,2018,38(1):85-96.
[4]闪鑫,陆晓,翟明玉,等.人工智能应用于电网调控的关键技术分析[J].电力系统自动化,2019,43(1):49-57.
[5]叶保璇,吴清炳,王玉中,等.基于边缘计算的智慧台区一体化运行评估方法[J].机电工程技术,2022,51(9):147-149.
[6]官国飞,宋庆武,刘恢,等.基于边缘计算的配网管理和运维体系研究[J].电网与清洁能源,2020,36(10):90-96.
[7]张轶君,高宇江,王彬,等.多端发起、协同参与的配电网故障研判方法与应用[J].机电信息,2016(27):14-15.
据媒体报道，三大运营商目前均已制定了2020年... 详细>>
如何设计有效的环境治理政策, 是学术界和政策... 详细>>
