基于圖卷積網絡的變電站故障診斷

摘 要：針對傳統故障診斷模式效率低、易遺漏潛在故障點等問題，本文提出基于圖卷積網絡（Graph Convolutional Networks，GCN）的變電站故障診斷方法，構建了基于ChebNet模型的GCN故障診斷系統，采集并分析變電站運行數據，對設備故障進行準確識別與預測。試驗結果表明，采用不同預測時間間隔的模型均表現出色，當間隔為10 s時效果最好。本文方法提高了變電站設備故障診斷的準確性和效率，為電力系統的安全、穩(wěn)定運行提供了有力保障。

關鍵詞：變電站；故障診斷；圖卷積網絡；ChebNet

中圖分類號：TM 63 " " " " " " " " " " " " " 文獻標志碼：A

變電站是電力系統的重要組成部分，其安全、穩(wěn)定運行影響整個電網。變電站設備眾多，結構復雜，其故障診斷工作存在較大挑戰(zhàn)。傳統模式一般采用人工巡檢，故障診斷、識別完全依靠經驗，容易遺漏潛在故障點，不能及時發(fā)現并處理一些隱蔽性較強的故障[1]。隨著物聯網、大數據等技術的發(fā)展，故障診斷出現了新模式。應用巡檢設備使運行數據的采集過程更加便捷、高效，為故障分析提供數據源[2]。運行數據規(guī)模較大，因此需要準確識別故障類型。

圖卷積網絡（Graph Convolutional Network， GCN）是一種新興的深度學習模型[3]，利用圖結構有效捕捉圖中的節(jié)點特征和拓撲關系，對圖結構數據進行挖掘、分析。本文針對變電站故障診斷工作中存在的問題，結合圖卷積網絡的優(yōu)勢，構建基于圖卷積網絡的變電站故障診斷分析模型，對設備運行數據進行深度挖掘，對設備故障進行準確識別、預測，保障電力系統安全、穩(wěn)定運行。

1 變電站運行數據采集與處理

1.1 數據采集

數據采集是完成故障診斷分析的基礎。變電站運行數據采集方式多樣，主要有3種，分別為監(jiān)控與數據采集（Supervisory Control And Data Acquisition，SCADA）系統接口、紅外測溫和設備參數圖像識別。SCADA系統接口訪問SCADA系統的數據接口來獲取數據，例如設備的運行電壓、電流等，紅外測溫技術采用非接觸式測量方式，能夠快速、準確地獲取設備的關鍵部位溫度數據。例如安裝在變壓器、斷路器和隔離開關等處的紅外測溫傳感器可以實時監(jiān)測這些設備的溫度變化。設備參數圖像識別技術利用巡檢機器人高清攝像頭拍攝設備外觀運行狀態(tài)圖像，采用圖像識別算法自動提取運行參數信息，例如油位、壓力指示等，有效避免人工讀取導致的誤差，提高了數據采集的準確性和效率。

1.2 數據處理

采集的設備運行數據存在噪聲、異常值以及格式不一致等問題，因此需要對數據進行處理。檢測原始數據的異常值，剔除明顯偏離正常范圍的數據點，例如溫度中的極高或極低值。對數據進行歸一化處理，將不同量綱特征數據轉換至同樣的數值范圍內，保證模型訓練的穩(wěn)定性和收斂性，例如將溫度數據、壓力數據等歸一化至[0，1]。對數據進行特征選擇和降維處理，以提取關鍵特征信息，降低模型訓練的復雜度，減少計算量。

2 基于圖卷積網絡模型的變電站故障診斷

2.1 圖卷積網絡模型

圖卷積網絡（Graph Convolutional Network，GCN）是一種適用于圖結構數據的深度學習模型，其建立了圖結構中的節(jié)點特征和拓撲關系。在變電站故障診斷過程中，本文利用GCN構建模型，對變電站設備復雜關系進行深度挖掘。ChebNet模型[4]利用切比雪夫多項式作為圖卷積的濾波器，例如，在變電站中，變壓器、斷路器等設備利用電氣連接形成復雜的網絡結構，ChebNet模型捕捉這些設備間的電氣連接關系及其運行狀態(tài)的變化，為故障診斷提供有力支持。ChebNet模型結構如圖1所示。

2.2 構建設備運行狀態(tài)相關性

變電站設備之間的運行狀態(tài)存在高度相關性，為了準確捕捉這種相關性，筆者利用圖卷積網絡模型構建了設備運行狀態(tài)相關性網絡。將變電站中的設備作為圖結構中的節(jié)點，設備間的電氣連接或功能依賴關系作為邊，節(jié)點的特征向量包括設備的實時運行參數（例如電壓、電流和溫度等）。利用圖卷積操作得到自動學習設備間的狀態(tài)依賴關系，構建設備狀態(tài)關聯網絡。這種相關性網絡不僅反映了設備間的物理連接，還揭示了其在運行狀態(tài)方面的內在聯系，為故障診斷提供了更為全面的視角。典型的變電站設備間相關性描述見表1。

在表1中，設備A、B、C和D代表變電站內的不同設備，例如變壓器、斷路器、母線以及隔離開關等。相關性說明詳細描述了設備間相關性的來源和依據。例如，變壓器一與斷路器一直接相連，其運行狀態(tài)高度相關；空載變壓器二與其他設備存在間接聯系，由于其處于空載狀態(tài)，因此對相關性的影響較小。

2.3 構建圖卷積預測模型

本文應用ChebNet模型構建變電站設備間故障參數相關性預測模型。假設設備之間的運行參數存在相關性，根據某次運行參數的變化來分析這種相關性。為了更全面地分析，將設備視為圖結構中的元素，記為G={G "t1 " ，G "t2，...，G "tT}。每個GtN={Vt，Et}都描述了t時刻的設備拓撲信息，Xit∈RN為某個設備i在特定時間t的特征Gt={Vt，Et}矩陣，Xit∈RN×N 為在t時刻N個設備的二維相關性特征矩陣。將所有二維矩陣堆疊在時間序列中，形成一個三維特征矩陣Xi{t1，t2，t3，...，tT} ∈RT×N×N，其包括所有采集時間點的信息。構建一個二維數組A∈RN×N來表示這些特征之間的關系，以說明設備特征之間存在的關聯。

2.4 增強型ChebNet預測模型

針對變電站設備故障的復雜性，本文設計了增強型的ChebNet預測模型。模型在傳統ChebNet的基礎上融入針對故障特征的增強機制。分析歷史故障數據，提取當設備故障時的典型特征模式。將這些特征模式作為先驗知識融入ChebNet模型中，采用特征矩陣變換方式增強模型對故障特征的識別能力。例如，在變壓器故障診斷中，可以重點關注油溫異常升高、油位下降等特征，增強模型對這些特征的敏感度，提高故障診斷的準確性和及時性。具體操作如下。

ChebNet模型的核心是進行圖卷積操作，模型將X∈RN×N作為初始輸入數據，并根據圖結構G={V，E}進行操作。在這個過程中，模型從二維關聯矩陣A∈RN×N中學習權重，利用學到的權重來整合和更新相鄰設備的信息。

矩陣的乘積運算是數值計算領域中應用比較廣泛的代數工具，該運算進行不同特征矩陣之間的特征轉換與維度變換，對數據進行映射處理，能夠反映參與運算的數據特征。在增強ChebNet模型中，對矩陣進行乘積運算，獲得參與同步運算的相關性。為預測當前時間步的數據提供支持。在捕捉時間步相關性方面，采用矩陣乘積運算能夠提升模型的預測精度。矩陣乘積的計算過程如公式（1）所示。

（1）

式中：pt為t時刻前n個采集的數據矩陣的乘積，即在t點采集設備運行參數狀態(tài)的矩陣；n為共采集的時間點的數量；ht為當前時間步。分別讀取上一個時刻的矩陣數據，根據采集的數據頻率設定該數據，為5 s、10 s和20 s，一直到t-n時刻，即一個完整的時間周期數據，經過矩陣乘積，分析這些運行數據的相關性。

當進行設備故障預測時，增強ChebNet模型不僅考慮當前時間步t的信息，還綜合考慮前n個時間步的動態(tài)變化情況，能夠全面體現多個時間節(jié)點狀態(tài)的狀態(tài)演變。

2.5 模型訓練

本文在ChebNet圖卷積神經網絡模型中進行400次訓練，不斷調整參數來優(yōu)化模型。在訓練過程中將批量值設為64，學習率設為0.001。為了提高預測的準確性，本文采用了二階切比雪夫多項式和Adam算法作為優(yōu)化工具。在優(yōu)化過程中，損失函數能夠衡量預測值與真實值之間的差距，模型根據損失函數的反饋來指導參數更新的方向，確定迭代步長，其作用是將損失最小化或達到預設的閾值。經過這些操作，模型參數更新，模型整體性能提升。具體來說，本文采用均方損失函數來評估模型的預測效果，如公式（2）所示。

（2）

式中：l為均方損失函數的值，表示模型預測值與實際值之間的差異程度；n為訓練樣本的總數，表示用于模型訓練和評估的數據點數量；yi為第i個樣本的真實值，表示實際觀測的故障類型或狀態(tài)；為第i個樣本的預測值，表示模型對第i個樣本的故障類型或狀態(tài)的預測結果。在模型訓練過程中，使用優(yōu)化算法調整模型參數，以最小化均方損失函數的值，提高模型預測的準確性和穩(wěn)定性。

3 模型試驗

3.1 數據集

為了驗證本文模型的有效性和準確性，從某變電站采集2023年1月—2024年5月的某風場330 kV滄海變的部分運行數據。數據來源于變電站的運行監(jiān)控系統，包括該變電站在這個時間段內的所有關鍵設備運行數據。為了捕捉故障發(fā)生前的細微變化，數據采用高頻率采集模式，設置采集周期為5 s。

試驗共采集38 665條數據，包括變電站當正常運行時的數據以及當發(fā)生故障時的數據。在故障發(fā)生點采集19 655條數據，在采集過程中，以30 min為時間窗口，保證模型能夠獲得故障發(fā)生前的持續(xù)的特征變化。為了合理評估模型的性能，將數據集劃分為訓練集、測試集和驗證集，比例為7∶2∶1。

3.2 試驗評價指標

本文試驗評價指標為3個，分別為平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）。MAE為預測值與真實值之間誤差的平均絕對值，RMSE為平均誤差的平方根，MAPE為預測值與真實值誤差的平均百分比。

3.3 試驗過程

為了驗證基于圖卷積網絡的變電站故障診斷模型的有效性，本文進行了模型試驗。試驗過程包括數據預處理、模型構建、模型訓練以及模型評估等多個階段。

3.4 試驗結果

為了全面評估基于ChebNet圖卷積網絡的變電站故障診斷模型的性能，筆者進行詳細的試驗，不同跳步時間的故障預測結果的各類指標見表2，這些指標反映了模型預測的準確性和穩(wěn)定性。

由表2可知，跳步時間有10 s、20 s、30 s和40 s，當跳步時間為10 時，預測模型的參數值較好，當跳步時間為20 s、30 s時，2個參數值MAE、MAPE比較一致，但是指標性一般，當跳步時間為40 s時，MAE、MAPE與RMSE指標較差。

由上文試驗過程可知，當模型的預測時間為10 s時，模型整體性能較好，預測準確率最高，因此設這2個參數為固定參數值，用于模型訓練，為變電站設備故障診斷提供更有價值的參考。

4 模型應用效果

本文模型泛化能力較好，除了330 kV變電站外，還能夠應用于110 kV、220 kV變電站的故障診斷中。在不改變原有變電站控制系統的基礎上，本文模型動態(tài)分析設備運行參數，實時預測設備故障，使運維人員能夠及時發(fā)現并處理潛在故障點，避免故障導致的電力中斷情況和安全事故，減輕了變電站日常運維工作負擔。

5 結語

本文研究GCN網絡在變電站故障診斷領域的應用，構建了一種高效、準確的變電站故障診斷分析模型。模型充分利用設備間的復雜電氣連接關系，利用圖卷積操作捕捉設備運行狀態(tài)的相關性，對變電站故障類型進行精準識別和預測。試驗結果表明，模型在多種評價指標中均表現優(yōu)秀，不僅提高了故障診斷的準確性和效率，還可以保障系統安全、穩(wěn)定地運行。未來將研究該模型在電力系統其他領域的應用潛力，例如電網狀態(tài)監(jiān)測、負荷預測等，為推動電力系統的智能化升級和可持續(xù)發(fā)展貢獻更多力量，為構建更加安全、高效和環(huán)保的電力網絡提供有力支持。

參考文獻

[1]賀臻.基于大數據的繼電保護智能診斷系統分析[J].集成電路應用，2024，41（5）：308-309.

[2]蔣健，劉年，孫超.基于Faster R-CNN圖像處理的變電站異常設備紅外檢測方法[J].沈陽工業(yè)大學學報，2024，46（2）：157-164.

[3]鐘振茂.基于噪聲和圖卷積神經網絡的電機故障診斷[J].聲學技術，2024，43（3）：426-431.

[4]金尚柱，郁昇，趙彥，等.基于ChebNet的交通流量預測研究[J].重慶科技學院學報（自然科學版），2022，24（4）：99-102.