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

本发明属于电力系统继电保护，具体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。

背景技术：

1、配电网处于电力系统“发、输、变、配、用”的终端，直接面向电力用户，承担着为用户提供安全、可靠、优质电能的重要责任。快速确定配电网故障区段，切除故障线路，并对故障线路进行针对性检修，可避免因线路故障造成重大停电事故，提高配电网的供电可靠性。因此，研究配电网的故障区段定位方法对于提高故障抢修效率、减少停电损失、保障配电网可靠运行具有重要意义。

2、然而，配电网运行方式灵活、拓扑结构变化频繁，现有配电网故障区段定位方法拓扑泛化性差，亟需能够适应网络拓扑变化的配电网故障区段定位新方法。

3、现有基于机器学习的配电网故障区段定位模型的预测结果缺乏可靠性，无法对预测风险进行有效控制；机器学习是利用数据驱动而非数学建模的一种算法，导致输出结果的错误率不可控，其输出结果的可信度没有客观依据支持，无法保证输出结果的可靠性。

4、因此，为提高配电网故障区段定位结果的准确性和可靠性，亟需一种更加可靠的配电网故障区段定位模型，给配电网检修人员提供定位结果的可信度依据。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供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，结合配电网拓扑结构充分挖掘配电网故障特征的空间分布，以提高配电网故障区段定位模型的拓扑泛化能力，在此基础上使模型具备风险可控性，从而构建具备可靠性的配电网故障区段定位模型。

2、本发明解决其技术问题是通过以下技术方案实现的：

3、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，其特征在于：所述方法的步骤为：

4、s1、构建配电网故障区段定位底层模型，该模型包括2层图注意力层及1层全连接层，通过sigmoid激活函数输出各个节点可能为故障状态的概率pi；所述图注意力层通过聚合邻居节点特征来更新节点表达，进而提取配电网故障数据的空间分布特征，所述全连接层将融合配电网空间分布特征的中间结果展开成一维向量，进一步挖掘配电网故障数据特征，从而对各节点进行分类；

5、s2、获取配电网各种故障情况下的图数据及对应的定位标签，所述图数据是将配电网中的各个母线抽象为节点，将配电网中的各条线路抽象为边，然后由节点特征矩阵xn×f、邻接矩阵an×n和边属性矩阵em×d共同构建而成，其中n为节点数，f为节点特征维度，m为边数，d为边属性维度，所述定位标签是根据相应配电网故障情况下所有母线的节点状态而形成；

6、s3、以所述图数据为输入，以所述定位标签为输出，构建训练集、验证集和测试集，分别用于训练配电网故障区段定位底层模型、底层模型超参数寻优和校准形成预测风险可控的配电网故障区段定位模型、测试所述预测风险可控的配电网故障区段定位底层模型；

7、s4、用所述训练集训练配电网故障区段定位底层模型，并通过所述验证集进行模型超参数寻优；

8、s5.用所述配电网故障区段定位底层模型和所述验证集，基于一致性风险控制方法，构建预测风险可控的配电网故障区段定位模型；

9、s6、配电网发生故障时，将对应的配电网图数据输入到所述预测风险可控的配电网故障区段定位模型中，得到配电网所有母线的节点状态，从而得到故障区段定位结果。

10、而且，所述图注意力层的注意力权重αij计算过程中引入边属性，计算如式(1)所示：

11、

12、其中：αij表征邻居节点j的节点特征对于目标节点i的重要性；

13、为节点i的节点特征；

14、为节点i和节点j连接边上的边属性；

15、at是一个前馈神经网络；符号||表示向量的拼接操作；

16、leakyrelu(·)是一种非线性激活函数；

17、w、we分别为对各节点特征、各边属性作线性变换的权重矩阵；

18、x、ni为目标节点i的邻居节点集合。

19、而且，所述图数据的节点特征由从发电机方向流入各母线的三相电流幅值、有功功率、无功功率以及各母线三相电压幅值共同构成，并采用z-score标准化方法对其进行归一化。

20、而且，所述图数据的边属性由各条线路的阻抗和导纳共同构成，并采用最大-最小标准化方法对其进行归一化。

21、而且，所述图数据的邻接矩阵以各母线之间经线路的连接关系构成，即若母线i与母线j之间经线路连接，则aij＝1，否则aij＝0。

22、而且，所述定位标签为yn×1＝[y1,...,yn](yi∈[0,1]，i＝1,...,n)，其中yi＝0表示节点i为正常状态，yi＝1表示节点i为故障状态，当配电网中某条线路发生故障时，认为故障线路两端母线为故障状态，其余母线为正常状态。

23、而且，将配电网故障区段定位看作多标签分类问题，以配电网的每个节点作为一个类别，若节点i(i＝1,...,n)为故障状态，则配电网故障样本属于类别i，若节点i为正常状态，则配电网故障样本不属于类别i；使用式(2)所示的多标签分类损失函数和adam优化方法对配电网故障区段定位底层模型进行训练，

24、

25、其中：y、均为一个向量，分别用来表示真实定位标签与未经sigmoid激活函数处理的模型输出值；

26、yi、分别为第i个节点的真实标签与未经sigmoid激活函数处理的模型输出值；

27、ωi为第i个节点产生的损失值在损失函数中的权重，用来消除样本不平衡的影响。

28、而且，为保障配电网故障区段定位模型的预测风险可控，使用面向多标签分类问题的一致性风险控制方法，构建预测风险可控的配电网故障区段定位模型，具体地，由所述配电网故障区段定位底层模型和参数λ构建待校准的配电网故障区段定位模型cλ；对于任意一个图数据xg，cλ(xg)为预测的类别集合，记xg对应的类别为yg，则对于预测结果cλ(xg)，cλ的预测损失为l(cλ(xg),yg)；记所述验证集为{(xgi,ygi)}i＝1,...,s，其中s为验证集样本量，则可根据验证集得到待校准的配电网故障区段定位模型cλ在验证集上的风险估计值：

29、

30、根据一致性风险控制方法，确定最优参数λ*如下：

31、

32、其中：inf表示下确界；

33、α为根据具体应用场景人为设定的风险上限，即要求所述配电网故障区段定位模型预测风险应低于α，预测风险可控。

34、而且，所述待校准的配电网故障区段定位模型cλ定义如下：

35、cλ(x)＝{k:f(xg)k≥1-λ}      (5)

36、其中：f(xg)k为输入xg时，所述配电网故障区段定位底层模型输出的节点k为故障状态的概率估计值；随着参数λ的增大，cλ(xg)中包含的类别越多，结果越保守。

37、而且，所述预测损失l(cλ(xg),yg)定义如下：

38、l(cλ(xg),yg)＝1-|yg∩cλ(xg)|/|yg|       (6)

39、该预测损失为预测集中真实类别的遗漏比例，则α的取值反映模型的漏判风险上限。

40、本发明的优点和有益效果为：

41、1、本发明所建模型基于图注意力网络，可以充分挖掘配电网故障数据的空间分布特征，不仅在已知拓扑中具有很高的定位准确性，而且在未知拓扑中仍有较强的拓扑泛化性；在双重故障和高阻故障下均有良好的表现；具有较好的抗噪性能；在配电网中部分母线节点数据缺失的情况下，依然具有较好的定位效果；对于线路参数变化也具有一定的泛化能力。

42、2、本发明所建模型基于一致性风险控制方法，其预测风险不高于人为设定的风险上限，具备风险可控性，为模型的定位结果提供了可信度支持。