基于模型迁移图自编码器网络的有源配电网故障定位方法与流程

1.本发明属于配电网故障定位技术领域，尤其涉及一种基于模型迁移图自编码器网络的有源配电网故障定位方法。


背景技术：

2.随着以风能、太阳能和生物质能等各种可再生能源为代表的分布式发电(dg)技术的快速发展，大量分布式发电机接入配电网，单电源辐射状网络逐渐转变为多电源互联网络，此时，配电网的短路的电流的大小和方向也会随之变化。同时，在我国电压等级较低的配电网中，其分支结构数较多，但由于运行成本方面的考量与安全运行的制约，其量测装置并不全面，又因其线路结构的复杂性，往往难以对发生的故障进行定位，以及定位时产生的误差较大。此外，配电网中线路结构的变化也较为复杂，配电网中存在电容投切等造成电网结构改变的操作，以及线路因故障而隔离等配电网结构变化的更加频繁。还有，随着分布式电源，新能源技术的发展，网络拓扑结构又有了新的差异，这更加给配电网的故障定位造成了更多的不确定性。在国内外传统的关于配电网故障定位的研究中，总结到故障定位常用的方法有如下几种，分别为：矩阵法、行波法，在结构不是较为复杂的配电网中，其识别准确率较高，且易于实现。但当拓扑发生改变时，网络矩阵需要重新生成，大大地增加了计算量，并且其对于配电网弱特征故障量识别困难，也就难以定位到。
3.传统的故障定位方法主要有：(1)行波判断法，依据行波传输理论，对于配电网不同故障时，在线路间产生行波信号，根据采集到的量测量信息进行行波分析，实现不同故障类型下的测距研究。(2)阻抗判断法，阻抗判断法的故障测距原理假想线路处于均匀分布的传输线路，对不同故障种类下的各不同回路阻抗值进行计算，回路阻抗值与传输距离成正比，从而定位得到故障点。(3)信号注入法，信号注入法分为有：s信号注入法，传递函数法，脉冲信号注入法，和端口故障诊断法。(4)人工智能算法,人工智能在故障定位领域对信息的处理能力较强，能处理复杂的信息量从而实现在多重复杂情境下的定位，现流行故障定位方法以及难以适应网络拓扑结构的变化。
4.因此，需要一种基于模型迁移图自编码器网络的有源配电网故障定位方法，解决服现有配电网故障难以准确定位的问题。


技术实现要素：

5.本发明的目的在于提供一种基于模型迁移图自编码器网络的有源配电网故障定位方法，从而现有配电网数据结构复杂、数据类型多样、配电网故障难以准确定位，定位误差较大的缺点。
6.为实现上述目的，本发明提供了一种基于模型迁移图自编码器网络的有源配电网故障定位方法，包括以下步骤：
7.根据配电网拓扑结构构建邻接矩阵，图自编码器网络结合所述邻接矩阵，通过图卷积神经网络进行编码和通过归一化进行解码，得到故障区段定位；
8.根据所述故障区段定位的数据对所述图自编码器网络进行训练得到源领域网络，根据所述源领域网络对目标领域网络进行迁移，并对所述目标领域网络进行调整，使目标领域网络能应用在新的不同的故障定位场景。
9.优选地，根据配电网拓扑结构构建邻接矩阵包括：根据配电网节点和边的关系，当连接时，对应邻接矩阵的位置值为1；当没有连接关系时，对应邻接矩阵的位置值为0。
10.优选地，所述解码通过用归一化函数softmax运用中间结果z得到解码输出。
11.优选地，图自编码器网络解码得到故障区段定位还包括：采用交叉熵作为损失函数，当损失函数的值越小，即表示重构矩阵与原矩阵相似度越高，定位精度越高。
12.优选地，选出损失函数的最小值时进行图自编码器网络结果输出，通过图自编码器网络输出的结果定位到的区域为故障区段。
13.优选地，根据所述故障区段定位的数据对所述图自编码器网络进行训练得到源领域网络，具体包括：
14.根据所述故障区段定位结果，通过仿真平台运行得到的数据信号作为样本集，设置样本集的标签，当样本集与数据标签完成对步骤s1得到的图自编码器网络的训练后，图自编码器网络已经自学习到相应的知识与结构，此时便能够对图自编码器网络模型进行迁移，即确定了源领域网络。
15.优选地，样本集的标签为发生故障点的实际距离。
16.优选地，根据所述源领域网络对目标领域网络进行迁移，包括：
17.建立一个新网络，新网络的层次与源领域网络的结构一致，再根据目标领域网络各个相对应的层进行赋值，完成迁移。
18.优选地，还包括：对迁移后的故障定位模型进行效果评估。
19.优选地，用f1-score分数进行效果评估。
20.与现有的技术相比，本发明具有如下有益效果：
21.1、本发明所提供的基于模型迁移图自编码器网络的有源配电网故障定位方法，根据配电网拓扑结构构建邻接矩阵，图自编码器网络结合所述邻接矩阵，通过图卷积神经网络进行编码和通过归一化进行解码，得到故障区段定位；根据所述故障区段定位的数据对所述图自编码器网络进行训练得到源领域网络，根据所述源领域网络对目标领域网络进行迁移，并对所述目标领域网络进行调整，使目标领域网络能应用在新的不同的故障定位场景。
22.其基本原理是图自编码器网路将配电网中网络结构的节点处和网络结构中的支路线路映射为图自编码器网络中图的顶点和边，利用相邻节点间故障类型的相似度对注意力系数进行计算，这样可以更好的发现节点间的电气连接关系，当配网结构发生变化时，能通过相关性予以表现。图自编码器的结构有包括编码器和解码器两部分，编码器的目标是将图的拓扑结构和节点特征编码成统一的表示，解码器通过重建图的结构或特征优化得到的表示。相比于传统方法，图自编码器使用图卷积网络进行编码，能够深入聚合节点自身和邻接节点的信息，是一类无监督学习方法，主要用于数据降维或特征提取，可以有效地学习图数据中的结构和特征信息并生成相应的节点表示。图自编码器网络利用卷积网络从深层次对图的拓扑结构和节点特征进行编码，能够获得有效的节点表示。搭建配电网故障的仿真模型，对所提方法在在当配电网网络拓扑结构变化时进行验证。最后，将模型迁移至相同
节点数不同配网结构的模型，对配电网发生故障时的网络有所反应，能准确监测出故障时相似度的变化，从而更新配电网的拓扑结构表示，实现对故障支路的区段定位，本发明方法的普适性与有效性。
附图说明
23.为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是本发明一种基于模型迁移图自编码器网络的有源配电网故障定位方法的流程图；
25.图2是本发明的其中一个实施例的配电网拓扑结构示意图；
26.图3是本发明的其中一个实施例的图自编码器编码流程图；
27.图4是本发明的其中一个实施例的ieee33节点标准配网图。
具体实施方式
28.下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.如图1所示，本发明所提供的基于模型迁移图自编码器网络的有源配电网故障定位方法包括以下步骤：
30.s1、根据配电网拓扑结构构建邻接矩阵，图自编码器gae网络结合所述邻接矩阵，通过图卷积神经网络gcn进行编码和通过归一化进行解码，得到故障区段定位；
31.具体的，包括以下步骤：
32.s11、获取图自编码器网络的输入量，图自编码器网络的输入包括邻接矩阵和节点特征矩阵；
33.具体的，根据配电网拓扑结构构建邻接矩阵a，通过邻接矩阵表示配电网拓扑结构中的顶点和边的连接关系；根据配电网拓扑结构中的节点构建节点特征矩阵x，通过节点特征矩阵x表示配电网络结构的节点，即三相电压电流的幅值信息。
34.s12、图自编码器网络对图自编码器网络的输入量进行编码；
35.具体的，图自编码器gae网络采用图卷积网络gcn作为编码器encoder，通过编码器的输出结果来得到节点的潜在表征，这个过程通过z表示：
36.z＝gcn(x,a)
ꢀꢀꢀꢀ
(1)
37.上式中，将gcn作为一个函数，然后将节点特征矩阵x和邻接矩阵a作为输入，输入到gcn函数中，输出z即为潜在表征；
38.其中，gcn函数的定义为：
[0039][0040]
上式中，w0和w1是待学习的参数，即这里的gcn相当于一个以节点特
征和邻接矩阵为输入，以节点潜在表征为输出的函数，d为度矩阵。
[0041]
s13、图自编码器网络对步骤s12编码后的数据进行解码；
[0042]
具体的，图自编码器gae网络采用内积inner-product作为解码器decoder来重构(reconstruct)原始的图：
[0043][0044]
其中，是重构出来的邻接矩阵，σ表示激活函数。
[0045]
s14、为了使故障定位结果更加精确，需要重构出的邻接矩阵与原始的邻接矩阵尽可能的相似，因为邻接矩阵决定了图的结构，因此在gae网络的训练过程中，采用交叉熵作为损失函数，当损失函数的值越小，即表示重构矩阵与原矩阵相似度越高，定位精度越高。损失函数的表达式为：
[0046][0047]
上式中，y表示邻接矩阵a中的某个元素的值(0或1)，代表重构的邻接矩阵中相应元素的值，n为节点数。当损失函数的值越小，即表示重构矩阵与原矩阵相似度越高，定位精度越高。
[0048]
s15、根据步骤s14的损失函数的计算，选出损失函数最小值时的情况进行图自编码器网络结果输出，通过图自编码器网络输出的结果定位到的区域为故障区段；
[0049]
具体的，对于解码器解码重构出的新矩阵，即为新的节点特征表示，经过softmax全连接层(神经网络最后一层)对节点当下状态进行分类，通过输出0，1的值表示节点状态是否故障，当配网状态变化时，通过输出矩阵找到故障区段从而实现对不同故障区段的定位。
[0050]
s2、根据故障区段定位的数据对所述图自编码器网络进行训练得到源领域网络，目标领域网络采用所述源领域网络的结构，并对目标领域网络进行调整，使目标领域网络能应用在新的不同的故障定位场景。
[0051]
目标领域网络采用所述源领域网络的结构，并对所目标领域网络进行调整具体为，在节点数不变的情况下，改变支路数，进行模型迁移。
[0052]
s21、确定源领域网络，即对步骤s1得到的图自编码器网络的结构进行训练使能够迁移；
[0053]
具体的，在步骤s15得到故障区段的定位后，根据故障区段定位结果，利用仿真平台运行得到的数据信号作为样本集，人为设定假设没有完成训练的网络模型参数，可以采集仿真平台上的信号进行数据处理得到样本集；关于样本集的标签，也即为发生故障点的实际距离，是仿真时人为设定的参数；当利用大量数据进行仿真，即利用该故障区段相关图的不同区段，区段内外的数据放在仿真得到的样本集与数据标签完成对步骤s1得到的图自编码器网络的训练后，图自编码器网络已经自学习到相应的知识与结构，此时便可对图自编码器网络模型进行迁移。
[0054]
s22、根据源领域网络进行模型迁移；
[0055]
具体的，首先，建立一个新网络，新网络的层次与步骤s21得到的图自编码器网络的结构一致，即新网络的层次，即网络层数和每一层神经元的数量都与图自编码器网络保
持一致；然后，根据目标领域网络各个相对应的层进行赋值，即现存网络参数的参数θ(包括：每一层神经元的权重w与偏置b)，具体为在节点数不变的情况下，改变支路数，改变支路数为改变配网节点连接，断开部分旧支路，连接新的节点构成新支路。
[0056]
s23、根据实际需求对迁移后的网络模型的网络参数进行微调，使能应用在新的不同的故障定位场景。模型迁移使故障定位方法具有普遍性。
[0057]
s3、对迁移后的故障定位模型进行效果评估；具体的，本实施例采用f1-score分数来对配电网模型迁移后故障定位模型的效果进行评估，评估包括准确率、查准率以及查全率评估。
[0058]
具体包括：
[0059]
s31、对迁移后的故障定位模型的准确率进行评估；
[0060]
准确率是指正确率，表示真实预测结果与总输出结果的比值，准确率越高，表示迁移后的故障定位模型效果越好模型能进行迁移，准确率acc的表达式为：
[0061][0062]
上式中，tp(true positive)表示将正样本预测为正例的数目，即真实结果为1，预测结果也为1。tn(true negative)表示将负样本预测为负例的数目，即真实结果为0，预测结果也为0。fp(false positive)表示将负样本预测为正例的数目，即真实结果为0，预测结果为1。fn(false negative)表示将正样本预测为负例的数目，即真实结果为1，预测结果为0。
[0063]
s32、对迁移后的故障定位模型的查准率进行评估；
[0064]
查准率也叫精度，表示预测为正的样本中(tp+fp)，实际真正的正样本(tp)所占的比例，查准p的表达式为：
[0065][0066]
s33、对迁移后的故障定位模型的查全率进行评估；
[0067]
查全率也叫召回率，表示在实际真正的正样本(tp+fn)中，预测为正的样本数(tp)所占的比例，查全率的表达式为：
[0068][0069]
对本发明基于模型迁移图自编码器网络的有源配电网故障定位方法的其中一个实施例进行详细说明，以使本领域技术人员更了解本发明：
[0070]
本实施例通过在pscad仿真软件中搭建配电网接地故障从而对所提方法进行仿真模拟验证。
[0071]
采用的配电网拓扑结构如图2所示，采用图的邻接矩阵a描述图中顶点和边的连接关系，a∈rn×n，其中，n表示顶点数。则其邻接矩阵a表示为：
[0072][0073]
图2的邻接矩阵是用来描述图中顶点和边的连接关系，断开节点cg，连接dg，其邻接矩阵变为：
[0074][0075]
图自编码器gae网络模型的输入特征采用最直接的三相电压电流幅值信息，用二进制编码表示每个接地当前状态的标签，0表示状态为正常，1表示状态为故障，输出矩阵表示了对节点的状态判别结果。
[0076]
图自编码器gae网络通过gcn对图自编码器网络的输入量进行编码，实际的计算过程为：
[0077][0078]
上式中，σ为激活函数；为主对角线对称矩阵，a为邻接矩阵，i为单位阵；为的度矩阵，且为节点i的一阶邻居个数之和加1，为矩阵对角线上的值；w为可学习参数；x
in
和x
out
为图信号矩阵，分别为矩阵的输入和输出，对于某点的信号值是由其自身的信号值和其一阶相邻信号值加权求和得到，其形式如图3所示
[0079]
编码后的数据通过解码器将编码器输出的节点特征矩阵z(即x
out
)作为输入，通过归一化函数softmax运用到中间结果z即可得到解码器输出表示为：
[0080][0081]
上式中，表示中第i行第j列的元素；z(i,j)同理。
[0082]
选出损失函数最小值时的情况进行图自编码器网络结果可以得到故障定位结果
[0083]
gae网络对采集的数据进行训练，采用ftu作为量测装置，提取电压电流数据对新
网络进行训练。采用ieee33节点标准配网图作为图自编码器网络，如图4所示，该系统共有33个节点32条支路，在首端节点18，22，25，以及末端节点17，21，24，32处安装ftu作为量测装置，分别在0.2秒时设置单相接地故障，故障发生0.2秒后保护装置动作，故障被切除。在故障发生前0.1秒开始对数据进行采集，对于每条支路都取200个数据点进行采样，32条支路总共有6400组数据构成数据样本集，样本集的设置中，取故障与非故障样本数的比例是1:1，对于样本集的划分则有8:1:1划分训练集、验证集以及测试集，其中训练占有5120个样本，验证集和测试集各有640个样本。在故障初相角为0
°
，设置故障发生点位置位于支路首端0km时，故障时接地电阻的设置分别为0.01，500和1000ω；当取故障接地电阻值为0.01ω，故障发生点位置为0km时，设置故障初相角分别为0
°
，60
°
、120
°
和180
°
；在故障接地电阻为0.01ω，当设置的故障初相角为0
°
时，故障位置设置在分别在距离故障支路首端的10％，60％和90％处，最后设置首端节点故障时添加60分贝噪声增加模型抗干扰能力，提高模型稳定性。
[0084]
对图自编码器网络模型在配电网结构变化下的适应能力进行验证，对配网网络参数进行调整如下：
[0085]
采用图4所示配电网拓扑结构，考虑配电网变化情况设置配电网拓扑结构的变化有以下5种，分别为：
[0086]
1)连接节点7和节点20，构成新支路a。
[0087]
2)连接节点11和节点21，构成新支路b。
[0088]
3)连接节点8和节点14，构成新支路c。
[0089]
4)连接节点17和节点32，构成新支路d。
[0090]
5)连接节点24和节点28，构成新支路e。
[0091]
添加新支路的情况只改变了支路的连接情况，并没有改变配网本身的拓扑结构，将在原模型上训练好的图自编码网络迁移到添加了新支路的模型上，并进行参数微调。
[0092]
经验证表明，该方法实现了在不同运行状态配电网发故障区段定位。通过模型迁移的方法，能够在实现不同拓扑条件下的故障定位。通过验证不同拓扑下模型迁移的有效性，实现了在实际工程应用中的意义。该方法训练具有较强的可实施性，可以结合实际配网拓扑图训练，且经多次迭代有较高的训练精度，算法操作简单，可靠性较强，能够实现多种复杂工况下的故障定位，能够适应拓扑结构种类多变，具有一定的发展前景。
[0093]
本发明方法具有较好的泛化能力，且原理简单，能够实现不同配电网结构下的区段定位。
[0094]
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。