您所在的位置: 成果库 基于图注意力网络与一致性风险控制的配电网故障区段定位方法

基于图注意力网络与一致性风险控制的配电网故障区段定位方法

成果类型：: 新技术

发布时间: 2023-11-01 16:08:04

科技成果产业化落地方案
方案提交机构：天津市南开区| 佟一周 | 2023-11-08 09:19:15
成果简介 技术亮点 应用前景 团队概括 产生的效益 转化方式
本发明涉及一种基于图注意力网络与一致性风险控制的配电网故障区段定位方法，包括如下步骤：1)获取样本；2)图数据处理；3)模型训练；4)模型应用。
本发明设计科学合理，具备风险可控能力，能够适应配电网运行方式改变导致的拓扑结构变化，可以定位配电网线路的双重故障和高阻故障，对数据噪声和数据缺失均具有良好的鲁棒性，并且对于线路参数变化也具有一定的泛化能力。

我国中低压配电网大多采用小电流接地方式配电网发生小电流接地故障后存在着故障电流小故障特征不明显的问题。配电网线路分支多，线路结构复杂，而传统量测装置提供的信息不全面，测量误差较大，容易产生数据丢失和畸变。另外，由于负荷投切、优化线损和故障隔离等原因网络拓扑结构变化较为频繁，并且随着分布式电源的大量接入会导致网络结构的变化具有不确定性。传统故障定位方法比如矩阵法、行波法等在结构不发生变化的网络中具有简单易实现的优点4-2),但当拓扑发生改变时，要重新生成网络矩阵或数据库(3]，大大地增加了计算量，并且对报警信息的依赖性较高[4]在微弱特征信号的提取方面存在着困难

中科院 作为国家在科学技术方面的最高学术机构和全国自然科学与高新技术的综合研究与发展中心，建院以来，中国科学院时刻牢记使命，与科学共进，与祖国同行，以国家富强、人民幸福为己任，人才辈出，硕果累累，为我国科技进步、经济社会发展和国家安全做出了不可替代的重要贡献。

随着图神经网络(graph neural network，GNN)技术的出现，将较为成熟的神经网络方法扩展到了图域中，实现了深度学习与图数据的结合[3]。目前应用最为广泛的图神经网络技术主要有图卷积神经网络!14-15(graph convolutional network,GCN)和图注意力网络(graph attention network，GAT)[等。GCN 在电力系统故障方面已经有了一定的研究,文献[17-18]利用 GCN 对配电网进行故障预测，充分考虑节点之间的联系和影响，在融合网络拓扑结构的基础上提高了故障预测模型的精度和鲁棒性。

技术转让：利用 GCN 构建了配电网故障定位框架，将不同节点上的量测值和网络拓扑结构结合起来，获得了较高的判别精度。但都没有重点考虑在网络拓扑结构变化下模型的通用性和实用性。与 GCN 相比GAT 引用了计算机视觉中的注意力机制，使其更加关注于邻居节点从而更加符合归纳式学习任务的要求016，因此GAT 更加适用于拓扑变化较为频繁的配电网故障定位任务。GAT 模型已经在很多领域证明了其强大的泛化能力和良好的性能，但在电力系统领域的应用尚处于起步阶段。