基于圖卷積神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障量化計算研究

徐珂航，王民昆，張 磊，王昊宇，謝俊虎

(國家電網(wǎng)公司西南分部，四川 成都 610041)

0 引言

智能電網(wǎng)的構(gòu)建離不開電力系統(tǒng)通信網(wǎng)絡(luò)的發(fā)展，電力系統(tǒng)通信網(wǎng)絡(luò)的運行狀態(tài)直接關(guān)系到智能電網(wǎng)系統(tǒng)的安全穩(wěn)定運行。近年來，隨著社會的發(fā)展，需要大量的電力能源供應(yīng)，電力系統(tǒng)愈加龐大，系統(tǒng)架構(gòu)愈加復(fù)雜，導(dǎo)致電力通信網(wǎng)在運行過程中發(fā)生的故障愈加頻繁。在海量的故障告警信息中提取到關(guān)鍵有用的信息顯得愈加困難。目前，針對電力通信網(wǎng)故障的風險評估方法大多基于人工經(jīng)驗，無法準確得到故障對整個系統(tǒng)的影響程度，經(jīng)常出現(xiàn)誤判、漏判，導(dǎo)致無法有力保障電力系統(tǒng)的安全運行[1-2]。因此，針對電力通信網(wǎng)故障風險的定量計算研究受到了研究者們的廣泛關(guān)注。

近年來，面向電力通信網(wǎng)的故障告警診斷研究受到了專家學者的廣泛關(guān)注。劉東等[3]構(gòu)造了具有3層屬性的調(diào)度信息數(shù)據(jù)集，并設(shè)計了利用知識網(wǎng)絡(luò)控制推理過程的方法，實現(xiàn)了電力故障診斷的方案。Zhou等[4]提出了基于關(guān)聯(lián)規(guī)則挖掘的電力通信網(wǎng)故障診斷方法，可以實現(xiàn)快速推斷故障的根本原因。張為金[5]提出了基于機器學習的電力異常數(shù)據(jù)檢測方法，實現(xiàn)了電力通信網(wǎng)告警數(shù)據(jù)的分析檢測。汪崔洋等[6]提出了基于告警信號文本挖掘的電力調(diào)度故障診斷，實現(xiàn)了電力通信網(wǎng)絡(luò)的故障診斷。劉軍等[7]基于人工智能技術(shù)實現(xiàn)了電力骨干通信網(wǎng)中的告警預(yù)測。杜華清等[8]提出了一種基于Spark框架的加權(quán)FP-Growth并行電力通信網(wǎng)故障挖掘方法，能快速、準確地完成電力通信網(wǎng)故障診斷。

上述研究中，基于人工智能、機器學習、關(guān)聯(lián)規(guī)則和文本挖掘等方法對電力通信網(wǎng)故障診斷進行了研究，取得了大量的成果，為電力通信網(wǎng)故障診斷提供了強有力的支撐。其中，大量電力通信網(wǎng)故障告警研究主要集中在電力通信網(wǎng)的故障定性檢測[9-13]。目前，針對通信網(wǎng)絡(luò)的定量計算研究主要通過構(gòu)建風險管理模型，同時采用層次分析法對影響節(jié)點安全的風險指標進行風險賦值，并通過風險事件發(fā)生可能性的定量計算完成威脅風險分析[14-16]。定量計算方法中的安全風險指標賦值通過專家系統(tǒng)經(jīng)驗進行打分，沒有反饋調(diào)節(jié)過程，導(dǎo)致指標打分適應(yīng)性降低；在指標權(quán)重的確定過程中為采用智能手段進行指標權(quán)重訓練，導(dǎo)致定量計算結(jié)果不佳。而對電力通信網(wǎng)故障告警進行定量計算，準確劃分故障程度，提高工作人員處理故障的效率，對電力系統(tǒng)安全穩(wěn)定運行具有十分重要的意義。

本文的主要貢獻有以下2點：

① 建立了基于熵權(quán)法的自適應(yīng)反饋專家打分系統(tǒng)，動態(tài)計算電力通信網(wǎng)最小單元故障告警庫的評價指標權(quán)重。

② 提出了一種新型圖卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)節(jié)點級和區(qū)域級的故障量化計算。

1 電力通信網(wǎng)故障告警危害性評價體系

通過建立電力通信網(wǎng)故障告警危害性評價體系，并引入可以實時反饋干預(yù)的專家評估系統(tǒng)，采用專家決策干預(yù)的方法處理大規(guī)模電力通信網(wǎng)上的故障告警指標信息。

1.1 電力通信網(wǎng)故障告警分類

為了實現(xiàn)對電力通信網(wǎng)絡(luò)的快速告警收集，闡述對現(xiàn)有故障告警信息[9-13]進行進一步整合分類的方法,給出了不同終端設(shè)備故障對網(wǎng)絡(luò)整體影響的分級，顯著降低系統(tǒng)的整體計算量。分級包括2層：在對故障告警的危害性進行評估時，先對告警信息的設(shè)備來源進行類別查詢，再對每一類故障進行危害性評估。

告警終端視角下的電力系統(tǒng)如圖1所示。整個電力系統(tǒng)從發(fā)電廠端出發(fā)到用戶端[17]，電力通信網(wǎng)主要包括骨干通信網(wǎng)和終端通信網(wǎng)，骨干通信網(wǎng)中根據(jù)通信網(wǎng)中心層級的不同，共分成4個層級的通信網(wǎng)；終端通信網(wǎng)根據(jù)配電壓的不同，分成2個層級的通信網(wǎng)[18]。整個電力通信網(wǎng)系統(tǒng)由傳輸網(wǎng)、交換網(wǎng)、數(shù)據(jù)網(wǎng)和支撐網(wǎng)等多種專業(yè)網(wǎng)絡(luò)系統(tǒng)組成，包括電網(wǎng)運行控制、電網(wǎng)生產(chǎn)管理和管理信息化等業(yè)務(wù)。據(jù)此，可以將電力通信網(wǎng)故障分為6大類：一級通信網(wǎng)故障、二級通信網(wǎng)故障、三級通信網(wǎng)故障、四級通信網(wǎng)故障、中壓通信網(wǎng)故障和低壓通信網(wǎng)故障。

圖1 告警終端視角下的電力系統(tǒng)

1.2 電力通信網(wǎng)設(shè)備故障告警危害性評價矩陣

本文提出了5個對電力通信網(wǎng)設(shè)備故障的評價指標，分別是通信設(shè)備控制執(zhí)行器的可靠性、通信數(shù)據(jù)傳輸?shù)姆€(wěn)定性、通信設(shè)備的可維護性、影響電力傳輸?shù)陌踩院陀绊戨娏φ{(diào)度管理的可行性，所有評價指標均滿足目前電網(wǎng)安全性評估報告[19]，如圖2所示。

圖2 電力通信網(wǎng)設(shè)備故障評價指標

(1)

式中，元素的取值為0～1，數(shù)值越大表示故障對該設(shè)備節(jié)點評價指標的影響危害性越大。該矩陣為專家評估系統(tǒng)和系統(tǒng)告警信息提供了融合的反饋容器。在實際部署時，針對不同終端分別建立專家反饋錨點，從而形成基于通信設(shè)備節(jié)點的故障危害性評價系統(tǒng)。

1.3 基于熵權(quán)法的自適應(yīng)反饋專家打分系統(tǒng)

專家打分系統(tǒng)包括對評價矩陣的正向干預(yù)和對打分信息的逆向反饋，結(jié)構(gòu)如圖3所示。建立的自適應(yīng)反饋專家打分系統(tǒng)包括4個部分：故障告警危害性打分操作庫、評價指標的危害性矩陣、評價指標權(quán)重以及反饋參數(shù)[20]。

圖3 自適應(yīng)反饋專家打分系統(tǒng)

通信設(shè)備節(jié)點故障告警危害性打分操作庫由專家?guī)旌头答亝?shù)φ組成，通過專家?guī)熘袑＜覍Σ煌收细婢瘜υO(shè)備危害性評價進行評分。同時，在實際應(yīng)用中，不同時期下對設(shè)備的要求會變化，因此為了專家評分系統(tǒng)具有自適應(yīng)性，加入了反饋參數(shù)φ，根據(jù)實際工作情況對專家打分進行動態(tài)調(diào)整，提高專家打分系統(tǒng)的自由度，保障評分的合理性。

通過專家打分操作庫中專家及反饋參數(shù)對通信節(jié)點故障告警危害性進行打分，采用加權(quán)平均的方法得到故障告警危害性矩陣Hn=(hij)m×k，其中，hij為第j個指標下第i個節(jié)點的危害性值，m為待評故障告警，k為評價指標個數(shù)。

首先，計算第j個指標下第i個節(jié)點的危害性值的比重qij：

(2)

然后，計算第j個指標的熵值ej：

(3)

其次，計算第j個指標的熵權(quán)aj：

(4)

由此，可以得到評價指標權(quán)重A。其中，反饋參數(shù)φ是通過實際操作人員對故障告警處理的長期記錄，來評價不同評價指標的權(quán)重，反饋參數(shù)φ大于閾值δ時，會將操作人員的評價權(quán)重反饋給相應(yīng)的評分專家，評分專家再根據(jù)實際情況進行參數(shù)調(diào)整。

由于不同設(shè)備在電力通信系統(tǒng)中具有不同的重要性，本文同樣基于5個評價指標建立設(shè)備節(jié)點j對通信系統(tǒng)的重要性評價向量Kj：

(5)

2 基于大規(guī)模網(wǎng)絡(luò)區(qū)域性嵌入故障告警的智能定量模型

由于電力通信網(wǎng)絡(luò)節(jié)點之間存在拓撲結(jié)構(gòu)，根告警及衍生告警作為一類告警族群，重疊分布在電力通信網(wǎng)中[21]，提出一種全新的可嵌入?yún)^(qū)域動態(tài)權(quán)重圖卷積神經(jīng)網(wǎng)絡(luò)(Embedded-Regional Dynamic Weight Graph Convolutional Network,ERDW-GCN)的告警定量模型，基于前述成果，智能、快速地統(tǒng)籌區(qū)域內(nèi)可觀察告警，同時學習專家打分模式自動化定量故障。

2.1 符號表示

給定一個含有N個節(jié)點的電力通信網(wǎng)絡(luò)N=(Z,ε)，其中Z∈N×d表示所有節(jié)點的屬性，d為每個節(jié)點的最小單元告警故障定量計算模型的因素的特征維度，Zi·為Z的第i行，Z·j為Z的第j列，zij為節(jié)點i的第j個故障因素(上文已經(jīng)給出具體意義)。N的度矩陣和鄰接矩陣對應(yīng)為D和A，同時規(guī)定其中I是單位矩陣，為對應(yīng)的度矩陣。L表示N對應(yīng)的拉普拉斯矩陣，定義為給定一個M層的圖卷積神經(jīng)網(wǎng)絡(luò)[22]Φ(·)，其層向+1層傳遞表示為：

Z=σ(h(L)Z+b)，

(6)

式中，d為第層的輸出維度；表示該層可訓練矩陣；b∈N×dl表示可訓練的偏差；σ(·)為激活函數(shù)。該GCN的前向傳播可以表示為Φ(Z)。

2.2 區(qū)域內(nèi)可訓練權(quán)重參數(shù)

定理1給定一個Φ(·)，若di≡d，則Φ(Concatj(Z·j))=Concatj(Φ(Z·j))。其中，Concat(·)表示按列合并。

證明過程見附錄A。定理1給出了GCN訓練過程中不同故障因素之間的獨立性。為了使GCN在訓練過程中給出一個自適應(yīng)的專家打分，需要額外設(shè)置可訓練參數(shù)約束層間傳輸時不同因素的權(quán)重。具體地，根據(jù)定理1，給定一個節(jié)點i，一個映射f:→d將節(jié)點編號映射到d維賦范特征空間，即f(i)={zi1,zi2,…,zid}。

(7)

式中，ωi∈1×d代表了可訓練權(quán)重參數(shù)，第j項表示為ωi(j)。每次自動評價通過f(i)⊙ωi(i)完成。也就是說，給定本輪訓練的目標故障區(qū)域?qū)⑵鋵酉?1層的前向傳播改進為：

(8)

式中，⊙表示哈達瑪積。此時，改進的GCN已經(jīng)可以容納節(jié)點粒度的因素控制能力，接下來將所有可訓練參數(shù)向?qū)＜医?jīng)驗收斂。

2.3 參數(shù)正則項與模型訓練

(9)

進一步地，為了確保打分的可解釋性，需要擬合可訓練權(quán)重參數(shù)ωi至專家給出的權(quán)重Bi。具體地，在每一輪結(jié)束后，添加正則項：

(10)

用來使可訓練的權(quán)重參數(shù)向?qū)＜覚?quán)重收斂。

最后，RDW-GCN的損失函數(shù)為：

(11)

RDW-GCN的訓練過程如算法1所示。

算法1 RDW-GCNRequire:待檢測電力通信網(wǎng)絡(luò) ,初始化的RDW-GCNΦ (·)。1:初始化RDW-GCN參數(shù)θΦ (·)=Gauss(0,1)2:for訓練周期 edo3: 隨機選取 ?α? 4: y?i←Φ (Z?i)∥計算當前GCN的輸出5: LossθΦ (·)(Z?i)←∑i∈ ?αCC(SS(y?i),Ki) ?i6: Reg(θΦ (·))←∑dk=1(ωi(k)- ik)7: ?e←LossΦ (·)(Z?i)+Reg(Φ (·))8: θΦ (·)←θΦ (·)←?e∥梯度更新9:end forEnsure:訓練好的RDW-GCN權(quán)重θΦ (·)。

2.4 區(qū)域內(nèi)故障嵌入量化

目前，RDW-GCN可以根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)，模擬專家統(tǒng)籌區(qū)域內(nèi)故障，實現(xiàn)智能化節(jié)點級打分。本節(jié)介紹計算區(qū)域總故障的方法。RDW-GCN具有匯聚周圍節(jié)點信息的功能，它可以從全局角度自動化綜合節(jié)點級別的故障因素至區(qū)域級別，從而實現(xiàn)區(qū)域內(nèi)故障量化。

(12)

式中，μi為可訓練參數(shù)，也就是說，區(qū)域內(nèi)的故障節(jié)點的特征因素被嵌入至嵌入空間E～d中。ERDW-GCN的訓練過程保證隨著網(wǎng)絡(luò)的擴張，其嵌入位置不會劇烈震動。使用利普希茨連續(xù)條件約束嵌入空間的振動[23]。具體地，對于任意和規(guī)定滿足利普希茨連續(xù)條件，即：

也就是說，使用新增鄰居節(jié)點的度來度量自變量的變化?；谏鲜鰲l件，構(gòu)建動態(tài)擴張的ERDW-GCN訓練方法。對于網(wǎng)絡(luò)N，ERDW-GCN的訓練參數(shù)μ∈|N|根據(jù)神經(jīng)網(wǎng)絡(luò)輸出的嵌入坐標的振動幅度動態(tài)調(diào)整，直到隨著網(wǎng)絡(luò)擴張，ERDW-GCN提供的嵌入坐標變化滿足上述利普希茨連續(xù)條件[23]。ERDW-GCN在訓練和預(yù)測過程中凍結(jié)了參數(shù)中的θΦR(·)，即參數(shù)θΦE(·)=μ。ERDW-GCN的訓練過程如算法2所示。

算法2 ERDW-GCNRequire:訓練好的θΦ (·)。1:初始化ERDW-GCN參數(shù)θΦE(·)=Gauss(0,1),隨機選取初始化故障區(qū)域取 ?tar? 2: ←ΦE( ?tar)∥計算初始嵌入位置3:for訓練周期edo4: ?,+tar← ?tar∪Nab(N?tar)5: +←ΦE( ?,+tar)∥嵌入空間的位置6: d← , +ΦE∥嵌入空間的距離7: nd←c∑i( ?tar)Nab( ?tar)i8: if dnd≥cthen9: θdirect←θbackΦE(·)-θΦE(·)∥回滾方向10: θdirect←θΦE(·)-γθdirect∥回滾參數(shù)11:else12: ?e←?θΦE(·)[CC(SS( ),SS( +))]∥梯度計算13: θΦE(·)←θΦE(·)←?e∥參數(shù)更新14: θbackΦE(·)←θΦE(·)∥梯度備份15: ← +∥記錄嵌入位置16:end if 10:end forEnsure:訓練好的ERDW-GCN權(quán)重θΦE(·)。

(13)

2.5 神經(jīng)網(wǎng)絡(luò)訓練方式及參數(shù)細節(jié)

神經(jīng)網(wǎng)絡(luò)的訓練設(shè)置為：

(1)參數(shù)θΦB(·)和θΦE(·)初始化方法采用在[0,1]區(qū)間隨機初始化的方法；參數(shù)θΦR(·)采用均值為0的正態(tài)分布初始化方法。

(2)訓練的學習率為0.05，采用隨機梯度下降(Stochastic Gradient Descent,SGD)的方法進行反向傳播。

(4)神經(jīng)網(wǎng)絡(luò)的層數(shù)為2，第一層為算法1所規(guī)定的RDW-GCN，第二層為算法2所規(guī)定的ERDW-GCN，每一輪訓練結(jié)束后，第一層向第二層傳遞θΦE(·)。

(5)學習總共輪數(shù)為500，經(jīng)試驗判定該輪數(shù)可以使式(11)所規(guī)定的Loss函數(shù)很好地收斂。

(6)第一層所采用的激活函數(shù)是Softmax函數(shù)，第二層所采用的激活函數(shù)是Sigmoid函數(shù)。

3 實驗分析

本文實驗分析所采用的電網(wǎng)故障告警數(shù)據(jù)取自某省電力調(diào)控中心2020年8月13日—2020年9月24日的所有故障報警數(shù)據(jù)。由于數(shù)據(jù)量較大，對其中的某個變電站A的通信網(wǎng)故障報警數(shù)據(jù)進行實驗分析，其數(shù)據(jù)信息如表1所示。同時，將變電站A的故障報警量按8∶2的比例隨機劃分為訓練集和測試集，以驗證本文提出的故障告警定量計算研究方法的可行性。

表1 實驗數(shù)據(jù)詳細信息

3.1 通信網(wǎng)絡(luò)節(jié)點權(quán)重訓練的收斂性

在對電力通信網(wǎng)故障進行定量計算前，需要對通信網(wǎng)絡(luò)節(jié)點進行指標評價，根據(jù)算法1，通過對定義的通信網(wǎng)絡(luò)節(jié)點進行訓練，可以自動準確地得到每個節(jié)點的權(quán)重指標，將其與專家打分系統(tǒng)進行對比，得到算法對通信節(jié)點權(quán)重訓練的收斂性。

對10個典型的通信網(wǎng)絡(luò)節(jié)點進行權(quán)重指標訓練，如圖4所示。由于本文提出了5個權(quán)重指標，圖中縱軸為5個指標權(quán)重的交叉熵(·)，橫軸為迭代次數(shù)?？梢钥闯?，算法有較好的收斂效果,為電力通信網(wǎng)絡(luò)故障告警定量計算奠定了基礎(chǔ)。

(a)節(jié)點1的收斂曲線

3.2 電力通信網(wǎng)故障告警定量計算實例

根據(jù)采集到的故障報警數(shù)據(jù)報文，從報文數(shù)據(jù)信息定位到具體發(fā)生故障的相關(guān)站點，并基于已有的算法得到通信網(wǎng)故障報警的根節(jié)點和衍生告警節(jié)點，將根告警和衍生告警視為一個區(qū)域，基于本文提出的RDW-GCN告警定量計算模型，準確計算出區(qū)域告警值。

為更直觀地解釋定量計算模型的工作原理，令某根告警為A，B兩類，其衍生告警分別為(A1,A2),(B1,B2,B3)且衍生告警設(shè)備節(jié)點不全在同一個設(shè)備節(jié)點中，其中根告警A及其衍生告警涉及2個不同設(shè)備s1,s2，根告警B及其衍生告警涉及到3個不同設(shè)備s1,s2,s3。根據(jù)專家打分系統(tǒng)以及算法1可以得到設(shè)備節(jié)點故障的危害性評價指標值，如表2所示。

表2 設(shè)備節(jié)點故障危害性評價指標值

通過上述計算可以看出，本文提出的方法可以精確計算出通信節(jié)點設(shè)備的告警等級。如ωB所示，其告警值較低，由于復(fù)雜的電網(wǎng)通信系統(tǒng)中存在大量的告警信息，根據(jù)計算出的告警值，設(shè)置一定大小的閾值ε，若計算出的告警值大于ε，系統(tǒng)向管理員可視化展示報警信息；若小于ε，則忽略該報警信息。

為更好體現(xiàn)本文提出方法的效果，將本文提出的方法與目前基于風險管理模型[21]以及基于矩陣法的風險定量計算[22]方法進行對比，如表3所示。由表3可以看出，本文提出方法在權(quán)重指標的計算上可實現(xiàn)智能自適應(yīng)反饋調(diào)節(jié)，同時可實現(xiàn)節(jié)點級和區(qū)域級的故障量化計算，更好地為電力通信網(wǎng)故障判斷提供依據(jù)。

表3 本文提出的方法與其他方法的對比效果

3.3 電力通信網(wǎng)故障告警事務(wù)處理效率

該方法不僅能精確地計算出通信節(jié)點設(shè)備的告警等級，同時在處理告警數(shù)據(jù)的效率上也有很大的優(yōu)勢，告警事務(wù)處理效率對比如圖5所示。

圖5 告警事務(wù)處理效率對比

可以看出，與傳統(tǒng)的通過普通滑動窗口和層次分析法來處理告警數(shù)據(jù)相比，本文提出的方法在處理同樣的告警事務(wù)量下，消耗的時間最小。

4 結(jié)束語

針對電力通信網(wǎng)的故障告警問題，提出了一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障量化計算研究方法，通過建立電力通信網(wǎng)故障告警危害性評價模型，并引入可以實時向外呈現(xiàn)并向內(nèi)干預(yù)的專家評估系統(tǒng)，在不引入額外資源需求的情況下對告警故障危害性進行量化評估，建立了基于大規(guī)模網(wǎng)絡(luò)區(qū)域性嵌入的故障告警智能定量模型，實現(xiàn)了節(jié)點級和區(qū)域級的故障量化。實驗結(jié)果表明，提出的方法可以實現(xiàn)根告警及其衍生告警的告警等級確定以及告警值的定量計算，同時可以提高告警事務(wù)的處理效率，提高電力通信網(wǎng)的安全水平。