基于圖神經網絡的智能變電站二次回路故障定位方法

陳 鑫

（國網宜興市供電公司，江蘇 無錫 214200）

0 引 言

隨著電氣系統通信技術和計算機互聯網技術的發展，智能變電站自動化技術獲得了階段性成就，電氣二次設計受到了廣泛關注。利用二次系統中的故障信息判別與預測設備的運行狀態，確保變電站的智能化運維。傳統的二次設備故障主要由技術人員依據處理經驗和裝置信息來處理，但二次系統網絡復雜，人工檢修缺乏對故障特征之間關聯性的有效分析。因此，實現二次設備故障的精確定位至關重要。

1 二次回路故障分析

智能變電站中的二次回路元件主要是信源、中繼設備、信宿以及連接元件，當二次回路中的設備發生故障時，回路中的網絡潮流分布會隨之改變，相關設備會發出相關的告警信號。因為二次回路中關聯設備均會產生告警信號，所以故障定位困難[1]。相同間隔內發生故障告警信號范圍如圖1所示，本間隔內外設備會受到線路間隔的影響，產生告警信號。告警信號又與間隔中的多個設備相關聯，因此僅根據設備的告警信息難以辨認具體故障位置。智能變電站的規格不同，組網方式也有很大差異，甚至同一變電站內不同電壓等級的間隔組網方式也不同，不同設備之間連接關系復雜，難以精確計算運維人員的排查范圍。

圖1 相同間隔內發生故障告警信號范圍

2 GNN模型

2.1 GNN模型的工作原理

圖神經網絡（Graph Neural Network，GNN）的變電站二次回路故障定位方法及系統比較復雜，需了解并掌握定位方法。首先，解析智能變電站配置描述文件，將解析結果存入圖數據庫，理清二次設備物理回路與虛回路的對應關系[2]。其次，利用故障歷史數據庫或傳統處理方法制作訓練集，即離線訓練GNN模型。最后，利用告警信號找出所有關聯故障設備。告警信號涵蓋的設備復雜，因此需預處理告警信號，判斷關聯故障設備是否構成連通圖。對于難以構成連通圖的告警信號，將其輸入訓練后的GNN模型，預測關聯故障設備的故障種類。GNN模型搭建故障定位模型，能夠在智能變電站組網方式不斷變更的情況下，保障預測故障與故障定位的準確性[3]。

2.2 GNN模型的構建

GNN作用于非歐氏空間的圖數據，在物理結構機理以及知識圖譜理解等方面得到了廣泛應用。GNN模型結構如圖2所示。GNN的目標是學習每個節點的隱層狀態hv，可以產生節點輸出Ov。其中，fv為節點的信息匯集函數，g為局部輸出函數。

圖2 GNN模型結構

2.3 基于GNN的二次回路故障定位的基本框架

基于GNN的二次回路故障定位的基本框架，如圖3所示。首先，依據歷史故障數據中不同故障事件集發生的最小時間間隔，劃分一段時間內的告警信號，形成告警信號集合為{S1，S2，…，Sn}。其次，對于每一組告警信號集合Si，搜索關聯的故障設備，計算故障設備形成的連通圖個數n。將與告警信號集合Si相鄰的告警信號依次加入Si，觀察n的變化，n不變繼續加入，n增加停止加入。再次，根據告警信號集合Si判斷故障原因及位置，如果難以利用現有知識庫判斷位置，則啟動實施診斷程序，將非連通圖拆分為連通子圖逐一生成故障圖。最后，將得到的故障圖送入已離線訓練好的全球網絡導航器定位故障，同時利用站控層告警信號分析故障原因，并將結果與故障圖存入歷史數據庫。

圖3 二次回路故障定位的基本框架

3 算例分析

以110 kV綜合自動化變電站和220 kV智能變電站為例，限定故障范圍為2個線路間隔、主變間隔及1個母線間隔，采樣故障生成模型。故障類型包含但不局限于種類設備自身故障、設備板卡故障、設備之間光纖連接錯誤、設備鏈路配置錯誤、設備之間的光纖以及光口故障等，如表1所示。

表1 故障分類

目前，110 kV綜合自動化變電站已實現無人值班。為保證自動化變電系統安全平穩運行，故障記錄與分析功能不可或缺。傳統的微機保護裝置能夠實現故障錄波，但是裝置內存并不能滿足儲存要求，因此該裝置記錄的波形數量與長度都達不到預期效果，也不能自動上傳電氣量的波形變化。鑒于此，110 kV綜合自動化變電站應當配備獨立的故障錄波裝置[4]。暫態故障記錄分析裝置能夠記錄和反映故障前后的電氣量波形變化數據，并自動分析與診斷，獨立完成處理工作，整合了暫態故障和網絡報文分析功能。它以數據共享和信息傳輸為出發點，快速精準定位故障點并自動分析，提高了故障處理效率。故障錄波裝置能夠智能分析電氣量波形變化，便于運行人員第一時間了解故障產生原因，為設備維修檢測爭取時間，整理并上報故障設備、故障原因、故障后果以及故障性質等數據，幫助工作人員提高故障判斷的準確率，盡快修復運行。

基于110 kV綜合自動化變電站的故障記錄與分析，GNN模型具備更強大的優化功能。對比深度神經網絡（Deep Neural Networks，DNN）模型和GNN模型，模型數據來源于220 kV智能變電站。設置不同的模型深度、通道維數、聚合函數、學習率、訓練批次、神經元丟棄率、全連接層的層數以及維度等數據對比模型的最優參數[5]。訓練過程中，假設輸出層的閾值設置為0.9，那么輸出層的神經元對應位置元素為1，否則為0?；赑ytorch框架，在訓練過程中利用訓練集、驗證集以及測試集對比模型的最優參數，如表2所示。

表2 數據集的最優參數

確定最優參數后，設置支持向量機（Support Vector Machine，SVM）、遠端故障（Remote Fault，RF）以及全連接神經網絡3個基準模型，并對比其參數。通過交叉驗證決定SVM和RF的超參數。全連接神經網絡的超參數取決于樣品量的10%的驗證集。為保持模型輸入維數不發生變化，需注意每個故障圖數據節點的不同。不同模型在不同數據集上的準確率如表3所示，其中 PCA 為主成分分析模型。

表3 不同模型在不同數據集上的準確率

GNN模型性能優越，始終保持著較高的準確率，且隨樣本故障數量的增多，準確率有所下降[6]。

相較于傳統的機器學習和深度學習方法，結合110 kV綜合自動化變電站的故障記錄等，GNN模型能夠在告警信號極差或是缺失的情況下準確預測和判斷故障類型，根據網絡分析儀等相關技術精準定位GNN故障。

4 結 論

為提高變電站的運行效率，維護變電站的安全穩定運行，本文提出基于GNN的故障定位方法，利用GNN搭建二次回路故障診斷模型，比較不同模型和分析算例，得到智能二次回路故障信息。二次設計過程兼顧變電站相關設備、系統整體以及局部效益，仔細分析各項系統的功能，采取科學合理的措施，有效發揮系統的價值。