基于數(shù)據(jù)校核與圖卷積神經(jīng)網(wǎng)絡的高容錯配電網(wǎng)故障診斷方法

高藝文, 蘇學能, 張 華, 姜思遠, 高紅均

(1. 國網(wǎng)四川省電力公司電力科學研究院, 四川 成都 610041; 2. 四川大學電氣工程學院, 四川 成都 610065)

1 引言

如今,配電網(wǎng)結(jié)構(gòu)越來越復雜,內(nèi)部電氣設備越來越多,傳統(tǒng)的配電網(wǎng)故障診斷技術愈加不能滿足快速、準確的診斷需求[1]。隨著信息技術的不斷發(fā)展,配電網(wǎng)的多源信息系統(tǒng)建設已近成熟,所以運用多源故障遙信數(shù)據(jù)進行故障診斷已經(jīng)成為一種流行的方法,但因誤報、漏報而造成的多源故障信息不健全隨之又成為新的問題,所以研究一種能克服多源故障信息不健全問題的高容錯故障診斷方法是很有必要的。

目前配電網(wǎng)故障診斷方法可分為兩大類,基于故障矩陣的方法和基于智能算法的方法。文獻[2]建立了故障判別矩陣來解決故障線路區(qū)段定位問題,但是模型簡單難以應對復雜情況;文獻[3]則將矩陣算法與動態(tài)集合覆蓋相結(jié)合來提高模型性能,可是以上研究所用數(shù)據(jù)源單一,沒有充分利用遙信數(shù)據(jù)這一類重要信息,且容錯性能不強;文獻[4]歸納了可用于故障診斷的智能算法,這類方法相比于矩陣算法提高了容錯性,但是又有各自的局限性,比如Petri網(wǎng)的構(gòu)建過于復雜[5]、粒子群算法最優(yōu)性難以證明[6]、模糊理論依賴于隸屬度函數(shù)[7]。隨著時代的發(fā)展,配電網(wǎng)的規(guī)模越來越大,終端測點也越來越多,在這種情況下,故障數(shù)據(jù)源越來越多,故障數(shù)據(jù)的不健全程度也越來越高,目前所用的傳統(tǒng)方法愈加不能滿足當前配電網(wǎng)故障診斷的需求。

面對上述情況,部分學者開始嘗試運用多源故障數(shù)據(jù)。文獻[8]引入了低壓側(cè)系統(tǒng)信息來提高診斷的容錯性,而文獻[9]則增加了對用采信息的處理,文獻[10]針對現(xiàn)有故障診斷方法測點布置繁多和斷路器誤報信息影響等問題,進一步地提出一種基于多源信息故障度融合的配電網(wǎng)故障定位方法。以上研究均在一定場景下獲得了較好的診斷效果,證明了基于多源數(shù)據(jù)的方法要優(yōu)于基于單源數(shù)據(jù)的方法,但是都沒有注意到越多的數(shù)據(jù)源會帶來越高的數(shù)據(jù)不健全可能性,在面對低質(zhì)量多源故障數(shù)據(jù)時,這些方法的診斷效果達不到高容錯性的標準。針對以上問題,近年來部分學者把注意力放到了故障數(shù)據(jù)校核上,即從源頭上解決問題,通過恰當?shù)靥幚聿唤∪嘣磾?shù)據(jù),使配電網(wǎng)高容錯故障診斷成為可能。針對缺乏有效管理手段導致電網(wǎng)通信資源數(shù)據(jù)完整性無法保障的問題,文獻[11]提出了基于元數(shù)據(jù)的電網(wǎng)通信資源數(shù)據(jù)校核方法;文獻[12]為解決主站系統(tǒng)與遠動系統(tǒng)的遠動數(shù)據(jù)無自動校核手段的問題,提出了高速匹配算法用于數(shù)據(jù)校核。上述研究證明,數(shù)據(jù)校核操作可顯著提高不健全數(shù)據(jù)的可用性。此外,多源故障數(shù)據(jù)也會帶來更高維度的信息,這些高維信息之間蘊含著各種細微的關聯(lián),如何感知并利用這些細微的關聯(lián)值得考慮。文獻[13]依托神經(jīng)網(wǎng)絡強大的特征提取能力和不俗的容錯能力,實現(xiàn)了較高精度的故障診斷,文獻[14]則引入帶殘差模塊的卷積神經(jīng)網(wǎng)絡,進一步提高了診斷精度,但以上研究并沒有考慮到數(shù)據(jù)之間的拓撲關聯(lián)。而文獻[15]通過實驗證明圖卷積神經(jīng)網(wǎng)絡具有極強的拓撲數(shù)據(jù)挖掘能力,在此基礎上,文獻[16]提出基于圖卷積神經(jīng)網(wǎng)絡的故障定位方法,可以針對配電網(wǎng)拓撲結(jié)構(gòu)有效提取數(shù)據(jù)在拓撲上的關聯(lián),提高了診斷精度。

基于此,本文針對多源故障信息不健全的問題,將數(shù)據(jù)校核操作與圖卷積神經(jīng)網(wǎng)絡結(jié)合來實現(xiàn)高容錯的配電網(wǎng)故障診斷。首先,針對多源數(shù)據(jù)難以匹配的問題,首次提出通過專家?guī)鞂?shù)據(jù)進行歸一化處理,再將得到的數(shù)據(jù)一一匹配校核,最大程度上改善多源數(shù)據(jù)不健全問題;然后,根據(jù)配電網(wǎng)圖模結(jié)構(gòu)將多源故障數(shù)據(jù)轉(zhuǎn)化為故障圖數(shù)據(jù);最后,將故障圖數(shù)據(jù)作為輸入,構(gòu)建圖卷積神經(jīng)網(wǎng)絡對故障數(shù)據(jù)進行訓練學習,訓練后的模型經(jīng)部署可實現(xiàn)對配電網(wǎng)的高容錯性故障診斷。為驗證所提方法的有效性,在Python 3.7平臺進行實驗,通過算例分析證明了本文所提方法在保障診斷精度的同時可有效提高診斷的容錯性。

2 多源故障數(shù)據(jù)校核

由于故障信息存在誤報、漏報的情況,這些不健全的數(shù)據(jù)會導致配電網(wǎng)故障診斷準確率明顯下降,而采用多種信息源又會提高數(shù)據(jù)不健全的可能性,所以多源故障數(shù)據(jù)的不健全問題無法忽視,應當對這些數(shù)據(jù)一一進行校核,找出存在問題的數(shù)據(jù)樣本并修正,即從數(shù)據(jù)源頭上改善數(shù)據(jù)不健全的問題,給予診斷模型盡可能完善的故障數(shù)據(jù),從而提高模型的診斷精度,這也是區(qū)別于目前常用的通過改進診斷算法來提高容錯率這類方法的最根本地方。

2.1 多源故障數(shù)據(jù)來源

本文的配電網(wǎng)多源故障數(shù)據(jù)來源包括調(diào)度自動化系統(tǒng)、配網(wǎng)自動化系統(tǒng)、用電信息采集系統(tǒng)、配電線路在線監(jiān)測系統(tǒng)四個方面[17]。具體見表1。

表1 多源故障數(shù)據(jù)來源Tab.1 Data sources of multi-source fault

根據(jù)配電網(wǎng)的分層結(jié)構(gòu)特性,故障停電事故通?？煞譃?整線停電、支線停電、臺區(qū)停電、表箱停電和用戶停電,考慮到用戶層級的數(shù)據(jù)隱私以及低壓層級的數(shù)據(jù)規(guī)模,本文現(xiàn)針對前4類停電事故,選取如表2所示的系統(tǒng)數(shù)據(jù)。

表2 4類停電事故的信息來源Tab.2 Information sources for 4 types of power outages

2.2 基于專家?guī)斓亩嘣垂收蠑?shù)據(jù)歸一化處理及其校核流程

本文收集在2.1節(jié)所提4種系統(tǒng)中故障發(fā)生3 min內(nèi)的多源數(shù)據(jù),可是隨著數(shù)據(jù)源的增多,多源數(shù)據(jù)的描述形式會變得雜亂,無法直接使用,故需要對這些數(shù)據(jù)進行特征提取,包括線路名稱、臺區(qū)名稱、斷路器名稱和保護名稱等在系統(tǒng)中對應的編號,開關狀態(tài)0-1分布以及故障區(qū)段在系統(tǒng)中對應的編號,再將其制作成多源耦合的精簡故障數(shù)據(jù)樣本,最后對這些故障數(shù)據(jù)樣本進行字符串匹配來查驗這些樣本是否健全,以此實現(xiàn)數(shù)據(jù)校核的功能。

但這些精簡故障數(shù)據(jù)樣本中描述的測點對象眾多,所以在同一件故障事件中,由多個測點遙信數(shù)據(jù)組成的多源故障數(shù)據(jù)是無法進行字符串匹配的,這給數(shù)據(jù)校核帶來了困難。如在低壓臺區(qū)中,當用戶側(cè)停電時,若收集到兩個不同分支箱進線開關的動作信號,那么在對這兩條信號字符串進行匹配時會出現(xiàn)匹配失敗的情況;又如故障發(fā)生后,上游的斷路器發(fā)生跳閘,隨之斷路器下游的開關出現(xiàn)失電分閘動作,顯然這兩條信號字符串也是無法進行匹配的;此外,由于故障信息誤報漏報的情況存在,字符串匹配會更加困難。

考慮到目前電網(wǎng)公司已經(jīng)有一套完整的、基于圖模的配電網(wǎng)拓撲關系推理模塊,可以根據(jù)配電網(wǎng)的上下游拓撲關系,將相關聯(lián)的各個測點之間的邏輯關系錄入到系統(tǒng)中,形成一個可對多源故障信息進行邏輯推理的專家?guī)臁ａ槍Χ嘣垂收蠑?shù)據(jù)難以匹配的問題,本文首次提出基于專家?guī)斓亩嘣垂收蠑?shù)據(jù)歸一化方法,經(jīng)過該方法處理后,可實現(xiàn)對多源故障數(shù)據(jù)的校核,所提數(shù)據(jù)校核流程如圖1所示。

圖1 多源故障數(shù)據(jù)校核流程圖Fig.1 Data check flow chart of multi-source fault

首先,將收集到的包含不同測點的全部故障數(shù)據(jù)輸入專家?guī)?由專家?guī)焯赜械倪壿嬐评砟K對其進行初步的故障分析。專家?guī)焓紫壤靡延械呐潆娋W(wǎng)圖模建立網(wǎng)絡樹狀圖[18]來充分感知配電網(wǎng)的拓撲結(jié)構(gòu),接著根據(jù)輸入數(shù)據(jù)中測點各自的編號信息來構(gòu)建多源故障數(shù)據(jù)之間的上下游拓撲關系,然后根據(jù)輸入數(shù)據(jù)中的開關狀態(tài)信息推斷各個測點之間的上下游邏輯關系,最后由拓撲關系和邏輯關系計算網(wǎng)絡樹狀圖中多源字符串之間的相關度,如式(1)、式(2)所示,輸出其中相關度最大的字符串,由此可實現(xiàn)對多源故障數(shù)據(jù)的歸一化處理。一般來說,完整的多源故障數(shù)據(jù)經(jīng)過歸一化后專家?guī)鞎敵鲎钌嫌螠y點的故障數(shù)據(jù),而如果出現(xiàn)信息不健全的情況,專家?guī)斓耐评韯t會出現(xiàn)邏輯錯誤,輸出不屬于原始故障數(shù)據(jù)中的字符串。

(1)

(2)

式中,Ei為第i個測點的相關度;eij為第i個測點相對第j個測點的相關度;N為配電網(wǎng)中的測點總數(shù)。

接著,將所獲得的歸一化數(shù)據(jù)與處理之前的多源故障數(shù)據(jù)一一進行匹配,若存在匹配成功的字符串則認為該組多源故障數(shù)據(jù)正常,若全部匹配失敗則認為該組多源故障數(shù)據(jù)存在異常,進入人工校核階段,通過專業(yè)的知識去修正不健全的多源故障數(shù)據(jù)。

通過以上操作,數(shù)據(jù)不健全的問題得到解決,這對第3節(jié)使用圖卷積神經(jīng)網(wǎng)絡進行故障診斷提供了有利條件。

3 基于圖卷積神經(jīng)網(wǎng)絡的故障診斷模型

由2.1節(jié)可知,多源故障數(shù)據(jù)為多個測點的遙信信息集合,其本質(zhì)上可描述為多個節(jié)點相互之間存在空間耦合關系的高維度0-1離散數(shù)據(jù),該數(shù)據(jù)集不僅體現(xiàn)測點本身的遙信信息,更蘊含了各個測點之間的拓撲關系,所以可將多源故障數(shù)據(jù)進一步轉(zhuǎn)化為圖數(shù)據(jù)。圖數(shù)據(jù)是由頂點數(shù)據(jù)和邊數(shù)據(jù)構(gòu)成的數(shù)據(jù)集,其中頂點數(shù)據(jù)可由測點的鄰接矩陣直接表示,而邊數(shù)據(jù)可通過測點的特征矩陣來間接表示?；谝陨戏治?本文引入圖卷積神經(jīng)網(wǎng)絡作為故障的診斷器,來充分挖掘多源故障數(shù)據(jù)之間的拓撲關系,提高模型的診斷精度。

3.1 圖卷積神經(jīng)網(wǎng)絡原理

圖卷積神經(jīng)網(wǎng)絡是一種在同層網(wǎng)絡中共享參數(shù)的圖神經(jīng)網(wǎng)絡,相比于普通的卷積神經(jīng)網(wǎng)絡在處理圖數(shù)據(jù)時會瞬間失效的情況,該算法可實現(xiàn)在圖上進行卷積操作,其對帶有圖屬性的多源故障數(shù)據(jù)具有極強的特征感知與提取能力[19],該算法的單層網(wǎng)絡傳播公式如式(3)所示:

(3)

3.2 圖數(shù)據(jù)形成

僅依靠多源故障數(shù)據(jù)自身是無法形成圖數(shù)據(jù)的,因為詳細的拓撲關系并不可知,故本文選擇配電網(wǎng)圖模來作為圖數(shù)據(jù)形成的拓撲依據(jù)。

真實的配電網(wǎng)圖模可以簡化為測點與支路的組成,測點對應圖數(shù)據(jù)中的頂點,支路對應圖數(shù)據(jù)中的邊。對節(jié)點特征矩陣的設計見本文3.3.2節(jié),而關于鄰接矩陣的含義,本文結(jié)合簡易配電網(wǎng)測點分布圖予以說明。如圖2所示,其中9個不同的測點分布于配電網(wǎng)中,包含8條支路也就是8條不同的連接關系,為了體現(xiàn)各個測點之間不同的連接情況,可以用鄰接矩陣A來詳細表示圖2中頂點和邊的連接關系,如式(4)所示。

(4)

圖2 簡易配電網(wǎng)測點圖Fig.2 Simple distribution network measuring point diagram

式中,A∈R9×9,R為實數(shù)矩陣;元素aij為0表示第i個測點與第j個測點沒有拓撲上的連接關系,元素aij為1表示存在連接關系。

經(jīng)過上述操作,可將經(jīng)過校核過的多源故障數(shù)據(jù)轉(zhuǎn)化為可供圖卷積神經(jīng)網(wǎng)絡學習的圖數(shù)據(jù)。

3.3 基于圖卷積神經(jīng)網(wǎng)絡的故障診斷模型

3.3.1 模型結(jié)構(gòu)概述

本文所提模型針對多源故障遙信數(shù)據(jù)不健全的問題,從數(shù)據(jù)校核以及圖特征挖掘兩個角度對歷史數(shù)據(jù)進行處理,模型經(jīng)訓練后可對故障進行診斷并迅速獲取故障區(qū)段定位結(jié)果。模型如圖3所示,首先利用專家?guī)焯赜械倪壿嬐评砉δ軐⒍嘣磾?shù)據(jù)歸一化處理以生成方便匹配的字符串,接著對字符串進行匹配以校核故障數(shù)據(jù)的正常與否,目的是在源頭找到多源故障數(shù)據(jù)之間的矛盾,盡量多地排除誤報、漏報的情況,給神經(jīng)網(wǎng)絡提供高度完整的多源故障數(shù)據(jù),給神經(jīng)網(wǎng)絡的高精度診斷創(chuàng)造條件;然后根據(jù)校核過的數(shù)據(jù),按照3.2節(jié)的方法將其轉(zhuǎn)化為圖故障數(shù)據(jù)的形式,作為圖卷積神經(jīng)網(wǎng)絡的輸入,接著利用圖卷積神經(jīng)網(wǎng)絡來感知故障數(shù)據(jù)所蘊含的拓撲特征,最后經(jīng)過全連接層的Sigmoid函數(shù)分類后,輸出多標簽二分類結(jié)果即故障區(qū)段定位結(jié)果,圖3輸出層表示故障發(fā)生在測點3與測點4之間。該模型經(jīng)部署后可實現(xiàn)從多源故障遙信數(shù)據(jù)到故障區(qū)段的最優(yōu)非線性映射。

圖3 模型結(jié)構(gòu)圖Fig.3 Model structure diagram

3.3.2 神經(jīng)網(wǎng)絡樣本輸入

輸入圖卷積神經(jīng)網(wǎng)絡的樣本特征包括鄰接矩陣A和節(jié)點特征矩陣,鄰接矩陣在3.1節(jié)已有解釋,對節(jié)點特征矩陣的設計如式(5)所示:

X=[x1,x2,…,xi,…,xN]

(5)

xi=[xi1,…,xii,…,xin,…,xiN]T

(6)

式中,X為樣本的輸入特征矩陣,該輸入特征矩陣由N個測點所表示的節(jié)點特征向量構(gòu)成;xi為第i個節(jié)點的輸入特征向量,用來表示該測點周圍的支路信息,每個節(jié)點的特征向量均為0-1離散序列,若xii值為1則表示測點i發(fā)出故障遙信信號,若xin值為1則表示與測點i直接連接的相應測點n發(fā)出故障遙信信號,若值為0則表示沒有發(fā)出故障遙信信號。

神經(jīng)網(wǎng)絡根據(jù)A與X的信息進行拓撲維度上的特征提取,而使用本文所提X來表示測點之間的支路信息,則賦予了圖卷積神經(jīng)網(wǎng)絡更好的動態(tài)學習能力,因為即使配電網(wǎng)因故障而發(fā)生拓撲上的變化,但是根據(jù)網(wǎng)絡傳遞原理,數(shù)據(jù)的傳遞方向也會隨著拓撲改變而變化。

3.3.3 神經(jīng)網(wǎng)絡樣本輸出

本文的故障診斷任務是對故障區(qū)段進行定位,所以神經(jīng)網(wǎng)絡的輸出是配電網(wǎng)中依托于測點而表現(xiàn)出來的支路運行狀態(tài)。于是,可把本文的問題歸為關于配電網(wǎng)故障區(qū)段定位的多標簽二分類問題[20]。多源故障數(shù)據(jù)經(jīng)過圖卷積神經(jīng)網(wǎng)絡的特征提取后送入全連接神經(jīng)網(wǎng)絡,作出分類結(jié)果,輸出配電網(wǎng)的故障區(qū)段定位結(jié)果,如式(7)所示:

Y=[y1,y2,…,yi,…,yN]T

(7)

式中,Y為樣本的輸出,該輸出由N個測點所表示的節(jié)點構(gòu)成;yi為第i個節(jié)點的輸出特征值;每個節(jié)點的特征值均為0-1變量,值為1表示與該節(jié)點連接的某個區(qū)段存在故障,當存在兩個節(jié)點的特征值為1時,可根據(jù)拓撲圖直接對故障的區(qū)段進行定位。如圖3輸出所示,該結(jié)果表明測點x3和測點x4之間的區(qū)段存在故障。

3.3.4 神經(jīng)網(wǎng)絡損失函數(shù)

文中使用二元交叉熵函數(shù)作為損失函數(shù),用于神經(jīng)網(wǎng)絡分類訓練任務,表達式如式(8)所示:

(8)

式中,Eloss(o,t)為二元交叉熵損失函數(shù),用來評估給定故障診斷訓練樣本的真實結(jié)果和預測結(jié)果之間的誤差;o與t分別為對輸出標簽的預測結(jié)果和真實標簽;o[i]為神經(jīng)網(wǎng)絡對第i個故障樣本作出的診斷結(jié)果,即標簽的預測值;t[i]為第i個故障樣本所對應的實際區(qū)段故障結(jié)果,即標簽的真實值;n為故障樣本總數(shù)。

4 算例分析

4.1 算例描述

本文采用某電力公司下轄10 kV大饋線段進行算例分析,基于Python 3.7編寫本算例程序,使用Pytorch框架搭建神經(jīng)網(wǎng)絡模型。文中所提多源故障數(shù)據(jù)樣本選擇2020年9月～2022年9月兩年內(nèi)該大饋線的故障數(shù)據(jù)。經(jīng)圖模分析,該大饋線存在終端測點數(shù)338個,由終端測點構(gòu)成的拓撲圖存在邊數(shù)362條,由此形成可供圖卷積神經(jīng)網(wǎng)絡學習的圖故障數(shù)據(jù)。

此外,采集的故障數(shù)據(jù)為第2.1節(jié)中所提4種不同系統(tǒng)采集到的4類停電事故的多源數(shù)據(jù)。由于實際配電網(wǎng)系統(tǒng)運行的高可靠性,出現(xiàn)整線停電與支線停電的概率較低,但是不平衡的數(shù)據(jù)結(jié)構(gòu)會讓神經(jīng)網(wǎng)絡失去泛化性能,所以有必要采用過采樣算法來平衡這兩類停電事故與其他兩類停電事故之間的比例以增強模型的泛化性能。各類停電事故樣本比例見表3,樣本總數(shù)為9 733個,樣本不健全率為9.62%,選擇所有樣本作為訓練集,從4類停電事故中按訓練集的比例隨機抽取樣本共1 000個作為驗證集。

表3 各類停電事故樣本比例Tab.3 Proportion of sample incidents by type of outage

在網(wǎng)絡超參數(shù)的選擇上目前尚無理論指導,一般均需通過實驗對比取得。因此為確定參數(shù),本文通過對比不同參數(shù)模型的精度來確定最佳參數(shù)。經(jīng)實驗,神經(jīng)網(wǎng)絡超參數(shù)設定見表4。

表4 神經(jīng)網(wǎng)絡超參數(shù)表Tab.4 Neural network super parameter setting

神經(jīng)網(wǎng)絡經(jīng)訓練后,驗證損失與驗證精度分別如圖4與圖5所示,驗證損失可穩(wěn)定在0.1以下,驗證精度可穩(wěn)定在0.955以上,可見所提神經(jīng)網(wǎng)絡可以穩(wěn)定擬合多源故障數(shù)據(jù)樣本。

圖4 驗證損失Fig.4 Validation loss

圖5 驗證精度Fig.5 Validation accuracy

4.2 模型有效性分析

為了證明本文所提的數(shù)據(jù)校核部分和圖卷積神經(jīng)網(wǎng)絡部分的作用,現(xiàn)將文中所提圖卷積神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡、前饋神經(jīng)網(wǎng)絡以及各自加上數(shù)據(jù)校核部分后所得驗證精度進行對比,以上6種方法從1～6依次編號,如下所示:

(1)方法1:僅使用圖卷積神經(jīng)網(wǎng)絡進行診斷。

(2)方法2:僅使用卷積神經(jīng)網(wǎng)絡進行診斷。

(3)方法3:僅使用前饋神經(jīng)網(wǎng)絡進行診斷。

(4)方法4:在方法1的基礎上加上數(shù)據(jù)校核操作。

(5)方法5:在方法2的基礎上加上數(shù)據(jù)校核操作。

(6)方法6:在方法3的基礎上加上數(shù)據(jù)校核操作。

所得結(jié)果見表5,分析表5得如下結(jié)論:

表5 文中方法與其他方法性能對比Tab.5 Performance comparison between method in this paper and other methods

(1)方法1與方法2、方法3相比,訓練后其驗證精度分別高了5.85%、9.00%,性能最好,這表明文中所提的圖卷積神經(jīng)網(wǎng)絡相比于普通的卷積神經(jīng)網(wǎng)絡和前饋神經(jīng)網(wǎng)絡而言,能利用高維的節(jié)點信息與邊信息更好地挖掘多源故障數(shù)據(jù)中所蘊含的拓撲結(jié)構(gòu)信息,也說明了把故障數(shù)據(jù)轉(zhuǎn)化為圖故障數(shù)據(jù)的有效性。方法2相比方法3驗證精度高了3.15%,這是由于卷積神經(jīng)網(wǎng)絡具有較好的空間特征提取能力,可增強模型的分類效果,而前饋神經(jīng)網(wǎng)絡并沒有感知不同特征之間細微聯(lián)系的能力,所以學習效果最差。

(2)方法4～方法6之間的對比分析與方法1～方法3之間相似,不同的是方法4～方法6的驗證精度相比方法1～方法3均有提高,分別提高了4.13%、7.90%、7.74%。這是由于方法4～方法6的神經(jīng)網(wǎng)絡所用故障數(shù)據(jù)均經(jīng)過了數(shù)據(jù)校核,從源頭改善了數(shù)據(jù)不健全的情況,發(fā)現(xiàn)并糾正了多源數(shù)據(jù)中的異常數(shù)據(jù),這其中很可能包括了一些重要的特征信息,所以提供給神經(jīng)網(wǎng)絡的原始故障樣本的完整性與可用性更好,實驗結(jié)果對比證明了數(shù)據(jù)校核操作有利于提高模型的學習效果。

(3)綜合以上分析,方法4即本文所提方法診斷性能最好。

為了進一步探究本文所提方法在故障診斷容錯性方面的表現(xiàn),圖6展示了以上6種方法在5種多源數(shù)據(jù)不健全場景下驗證精度的對比,5種場景的生成均基于終核過后不健全率為0的完整多源故障數(shù)據(jù),再通過固定比例隨機添加噪音的方式來實現(xiàn)。5種場景下數(shù)據(jù)不健全率分別為:15.5%、20.5%、25.5%、30.0%、40.5%。分析圖6可得如下結(jié)論:

圖6 6種方法容錯性能對比Fig.6 Fault tolerance performance comparison of 6 methods

(1)方法1與方法2、方法3相比,在5種數(shù)據(jù)不健全場景下其驗證精度均是最高的,這證明了將原始故障數(shù)據(jù)轉(zhuǎn)化為圖數(shù)據(jù)后,可更好地對抗數(shù)據(jù)不健全給神經(jīng)網(wǎng)絡帶來的負面影響,但在場景4和場景5下,驗證精度出現(xiàn)大幅降低的情況,這表明數(shù)據(jù)不健全率達到一定程度后圖卷積神經(jīng)網(wǎng)絡也不能很好地應對。方法2與方法3在5種場景下,性能表現(xiàn)差距不大,兩種方法都不能很好應對數(shù)據(jù)不健全的故障。

(2)方法4～方法6之間的對比分析與方法1～方法3之間相似,不同的是方法4～方法6在5種不同場景下的驗證精度相比方法1～方法3均有較大幅度的提高,而且方法4也是唯一一個在5種場景下驗證精度均處于90%以上的方法,隨著數(shù)據(jù)不健全率的上升,方法4的驗證精度并沒有出現(xiàn)明顯下降,這充分證明了本文所提數(shù)據(jù)校核操作在源頭上改善數(shù)據(jù)完整性以提高模型診斷精度這一方法的有效性,考慮到目前電網(wǎng)公司所獲取的多源故障數(shù)據(jù)不健全率最高不會超過30%,所以可認為方法4擁有較好的容錯性,可有效對抗不健全數(shù)據(jù)給故障診斷帶來的負面影響。

(3)綜合以上分析,方法4即本文所提方法容錯性能最好。

4.3 數(shù)據(jù)驅(qū)動方法與模型驅(qū)動方法性能分析

為了驗證數(shù)據(jù)驅(qū)動的方法即本文所提方法相對于模型驅(qū)動的方法即傳統(tǒng)方法在配電網(wǎng)故障診斷上的優(yōu)勢,將文中方法與基于改進粒子群算法的故障診斷方法[21]和基于故障判別矩陣的故障診斷方法[22]在多源故障數(shù)據(jù)背景下進行診斷性能對比,以上3種方法從1～3依次編號。為了充分挖掘3種方法在不同場景下故障診斷的適應能力,實驗在4.1節(jié)所提原始場景和4.2節(jié)所提5種場景下分別進行,圖7展示了6種不同場景下3種方法的診斷性能表現(xiàn)。分析圖7得如下結(jié)論:

圖7 3種方法性能對比Fig.7 Performance comparison of 3 methods

(1)在6種不同場景下,方法1的平均診斷精度均遠高于方法2和方法3,且隨著數(shù)據(jù)不健全率的提高,方法1相比于方法2、方法3的優(yōu)勢越來越大,這表明本文所提方法相比于傳統(tǒng)方法來說,可適應不同的多源數(shù)據(jù)不健全場景下的故障診斷需求,數(shù)據(jù)校核操作與圖卷積神經(jīng)網(wǎng)絡拓撲特征感知相結(jié)合形成優(yōu)勢疊加,可有效對抗原始數(shù)據(jù)不健全給故障診斷帶來的負面影響。

(2)方法2與方法3在較低的不健全率場景下,可獲得90%左右的診斷精度,但是隨著不健全率提高,兩種方法的診斷精度都出現(xiàn)明顯的下降,當達到40.5%不健全率時,方法2的平均診斷精度為72.8%,方法3的平均診斷精度僅為56.84%,這表明基于改進粒子群算法的方法2相比之下有著更好的容錯性能,而方法3雖然原理簡單,運算成本低,但是基于故障判別矩陣的方法使其十分依賴原始故障數(shù)據(jù)的完整性,所以診斷性能最差。

(3)綜合以上分析,方法1即本文所提方法診斷性能最好。

為進一步說明3種方法的性能表現(xiàn),現(xiàn)結(jié)合該饋線近期3個典型的由于數(shù)據(jù)不健全而導致初步故障研判失誤的樣本進行實驗。樣本故障細節(jié)如下:

(1)樣本1:停電類型為支線停電,故障信息:10 kV 69#桿老鷹巖開關跳閘、10 kV東升二組支線01#桿開關跳閘、10 kV東升二組支線03#桿開關跳閘、10 kV農(nóng)團支線8#桿后段故障指示器停電告警。經(jīng)終核,10 kV東升二組支線03#桿開關跳閘信號為終端故障導致誤報。

(2)樣本2:停電類型為整線停電,故障信息:10 kV 913開關跳閘、10 kV朱山支線1#桿故障指示器告警、10 kV建設支線1#桿故障指示器告警、10 kV漆樹支線1#桿漆樹開關跳閘、10 kV丁香村支線1#桿后段故障指示器告警、10 kV 69#桿老鷹巖開關跳閘。經(jīng)終核,10 kV王溝支線1#桿故障指示器告警、10 kV百勝支線1#桿故障指示器告警均出現(xiàn)漏報情況。

(3)樣本3:停電類型為單臺區(qū)停電,故障信息:10 kV王溝支線11#桿隔離開關跳閘、10 kV長田3組臺變失電告警、10 kV長田8組臺變失電告警。經(jīng)終核,10 kV王溝支線13#桿隔離開關跳閘信號漏報。

現(xiàn)采用3種方法分別對3個樣本進行故障診斷,診斷結(jié)果見表6,分析可得:方法1在3種案例下均可以通過數(shù)據(jù)校核操作與圖卷積神經(jīng)網(wǎng)絡推理,獲得與終核一致的故障區(qū)段定位結(jié)果,展現(xiàn)了很好的容錯性能;方法2具有一定的容錯性,在樣本1下獲得屬實的結(jié)果,但在另外兩個樣本下失效;方法3由于過度依賴原始數(shù)據(jù)完整性,所以在3個樣本下,其區(qū)段定位的結(jié)果均不屬實。由表6可見,方法1已充分擬合該大饋線的多源故障數(shù)據(jù),即使面對訓練集之外的數(shù)據(jù),依然可以做到在數(shù)據(jù)不健全的背景下進行高效的故障診斷,所以方法1的診斷性能最好。

表6 典型案例下不同方法性能對比Tab.6 Performance comparison of different methods in typical cases

5 結(jié)論

針對配電網(wǎng)多源故障數(shù)據(jù)不健全的問題,提出了一種基于數(shù)據(jù)校核和圖卷積神經(jīng)網(wǎng)絡的配電網(wǎng)故障診斷方法,旨在保證配電網(wǎng)故障診斷準確率的同時提高診斷的容錯性。經(jīng)過仿真實驗分析,證明了文中所提數(shù)據(jù)校核操作可以從源頭改善數(shù)據(jù)的完整性,從而提高神經(jīng)網(wǎng)絡的診斷精度;而圖卷積神經(jīng)網(wǎng)絡通過將多源故障數(shù)據(jù)轉(zhuǎn)化為圖數(shù)據(jù),可有效提取多源數(shù)據(jù)特征之間的拓撲聯(lián)系,提高神經(jīng)網(wǎng)絡的診斷精度,兩種方法相互配合,對高容錯性故障診斷有著積極的效果;此外,與傳統(tǒng)方法對比,文中所提方法容錯性能更好,對不健全故障數(shù)據(jù)的適應性更好。未來針對配電網(wǎng)故障診斷的研究工作,會考慮增加遙測數(shù)據(jù)來擴大多源數(shù)據(jù)維度,并引入圖像識別技術,以實現(xiàn)圖?？焖僮R別,進一步提高診斷工作的效率。