[发明专利]基于S-TGCN的有源配电网故障定位方法

说明书

本发明公开了基于S‑TGCN的有源配电网故障定位方法，引入时‑空注意力机制及时‑空卷积层，从图形结构的时间序列中提取配电网故障时段的全局时‑空特征，提升了模型在高比例分布式电源接入场景下的全局故障特征提取能力，其故障定位精度达到98.76％。通过S‑TGCN的特征汇聚及差异化池化函数，增强了新方法在数据缺失及数据噪声场景下的鲁棒性。

技术领域

本发明属于配电网故障定位技术领域，具体涉及基于S-TGCN的有源配电网故障定位方法。

背景技术

配电网短路故障易导致供电中断，带来巨大的经济损失和社会影响。为提高配电网运行的可靠性，应对配电网故障位置进行及时准确的定位，便于隔离故障区域并快速恢复供电。近年来，基于大量微型相量测量单元的广域量测系统有效提高配电系统的可观测性，使基于机器学习的配电网故障定位成为可能。

机器学习方法具有良好的学习能力，可以利用故障前后的量测装置采集的电压、电流对故障位置做出准确判断。Sapountzoglou N,Lago J,De Schutter B,et al提出一种基于深度神经网络的有源配电网故障定位方法，利用故障前后各节点电压、电流及配电网中的发电量和负荷作为模型的输入对故障区段进行定位，取得了较好的效果。Deng X,YuanR,Xiao Z,et al利用小波变换从零序电流中提取特征值。然后使用支持向量机(SupportVector Machine，SVM)识别配电网中的故障区段。但该方法仅针对单相接地故障进行分析。Jin Q,Ju R提出将配电系统分为主支路和独立区域。用遗传算法寻找主支路故障和独立区域故障。现有机器学习方法在配电网故障定位方面已经有了一定的研究成果，但上述方法以欧式空间数据作为输入对故障定位模型进行训练，未考虑配电网的真实拓扑结构，忽略了节点间的相关性特征。

随着图神经网络(graph neural network，GNN)出现，神经网络方法扩展到了非欧式空间的图数据分析中。初步实现了深度学习与图数据的结合。时-空图卷积网络(Spatial-Temporal Graph Convolutional Network,S-TGCN)在图卷积的基础上引入了时间卷积，在处理各节点属性动态变化的场景中具有良好的分类性能。Chen K,Hu J,ZhangY,et al提出了将图卷积网络(Graph Convolutional Network，GCN)用于配电网的故障定位，由于考虑了系统拓扑的同时集成了不同总线上的多个测量，其具有较高的故障定位精度。为提高故障定位模型对拓扑变化的适应能力，李佳玮,王小君,和敬涵,张永杰,张大海于基于图注意力网络的配电网故障定位方法中提出利用图注意力网络(Graph AttentionNetwork，GAT)实现了配电网的故障定位。通过改变邻接矩阵及动态更新相邻顶点之间注意力系数提高配电网拓扑变化下的故障定位准确率。但上述方法未考虑分布式电源对配电网故障定位的影响。大功率分布式电源接入配电网后，故障时段各节点电压及电流值受到显著影响[12]，降低了样本间的可分性。