本發(fā)明屬于神經(jīng)網(wǎng)絡(luò)，具體涉及基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的電網(wǎng)故障檢測和定位方法主要依賴于信號分析、模型預(yù)測和數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)算法。常見的故障檢測技術(shù)包括基于電壓和電流波形的保護(hù)裝置、基于相量測量的狀態(tài)估計方法、以及基于信號處理和變換域分析的方法。盡管這些方法在實際應(yīng)用中取得了一定的成效，但隨著電網(wǎng)規(guī)模的不斷擴(kuò)大和運(yùn)行復(fù)雜度的提高，傳統(tǒng)的檢測方法在以下幾個方面面臨著挑戰(zhàn)：

2、復(fù)雜拓?fù)浣Y(jié)構(gòu)下的故障傳播路徑難以準(zhǔn)確建模：在傳統(tǒng)電網(wǎng)中，節(jié)點和節(jié)點之間的連接關(guān)系通常較為簡單，因此故障的傳播路徑可以通過一些固定的傳輸方程來描述。然而，現(xiàn)代電網(wǎng)的拓?fù)浣Y(jié)構(gòu)愈發(fā)復(fù)雜，具有大量的支路和冗余連接，傳統(tǒng)的數(shù)學(xué)模型難以有效捕捉電網(wǎng)中復(fù)雜的節(jié)點間關(guān)系。特別是當(dāng)電網(wǎng)中發(fā)生多點故障或復(fù)雜的傳導(dǎo)故障時，傳統(tǒng)方法基于線性方程的傳播模型往往會失效，難以準(zhǔn)確反映故障的傳播路徑和影響范圍。

3、現(xiàn)有方法的實時性和魯棒性欠缺：電網(wǎng)故障檢測的實時性非常重要，因為故障的快速定位和修復(fù)能夠顯著減少電力供應(yīng)的中斷時間，并降低經(jīng)濟(jì)損失?，F(xiàn)有的許多方法在故障檢測的實時性上存在瓶頸，主要原因在于這些方法需要大量的計算資源來處理電網(wǎng)的大規(guī)模數(shù)據(jù)，或者在故障模式分析中依賴于預(yù)設(shè)的規(guī)則和模型。此外，在面對不確定的負(fù)載變化或外部干擾時，傳統(tǒng)的模型預(yù)測方法對輸入數(shù)據(jù)的噪聲非常敏感，難以在噪聲環(huán)境中保持較高的檢測準(zhǔn)確性。

4、對動態(tài)電氣特征的捕捉能力不足：電網(wǎng)的電氣參數(shù)，包括電壓、電流、功率、頻率等，通常會隨著負(fù)載變化或電網(wǎng)狀態(tài)的改變而動態(tài)變化。這種變化有時是緩慢的趨勢變化，有時是劇烈的短時波動?，F(xiàn)有的許多故障檢測方法主要側(cè)重于靜態(tài)特征的分析，或者依賴于線性的特征提取方法，難以有效捕捉電網(wǎng)中這些動態(tài)變化的特征，特別是當(dāng)電網(wǎng)故障發(fā)生時，電氣參數(shù)會呈現(xiàn)出高度非線性的劇烈變化。傳統(tǒng)的線性特征分析方法在這種非線性特征變化的情況下，往往無法準(zhǔn)確識別故障的起因和位置。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，本發(fā)明提高了系統(tǒng)對復(fù)雜電網(wǎng)拓?fù)涞慕Ｄ芰?，增?qiáng)了故障檢測的實時性和魯棒性，實現(xiàn)了故障區(qū)域和位置的精確定位。

2、為了解決上述問題，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

3、基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，所述系統(tǒng)包括：電網(wǎng)拓?fù)涮卣魈崛卧糜趯㈦娋W(wǎng)視為一個圖網(wǎng)絡(luò)，對電網(wǎng)的每個節(jié)點進(jìn)行實時數(shù)據(jù)采集，記錄每個節(jié)點實時的電氣測量值，構(gòu)建特征矩陣，特征矩陣中的每個元素表示電網(wǎng)的某個節(jié)點在某個時間的電氣特性；多層圖神經(jīng)網(wǎng)絡(luò)模型單元，用于將特征矩陣作為第一層的輸入，結(jié)合電網(wǎng)的鄰接矩陣和度矩陣，經(jīng)過預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型的多層特征提取后，輸出最后一層的結(jié)果，作為特征提取結(jié)果；故障識別與定位單元，用于基于特征提取結(jié)果，構(gòu)建故障傳播動力學(xué)模型，得到故障特征場；利用故障特征場，計算故障概率分布；根據(jù)故障概率分布，確定故障區(qū)域與故障邊界；根據(jù)故障區(qū)域和故障特征場，計算故障傳播分布；根據(jù)故障傳播分布，計算故障位置，以及計算得到的故障位置的可信度。

4、進(jìn)一步的，電氣測量值包括：電壓幅值、電流幅值、電壓相角、電流相角、有功功率、無功功率、頻率偏差和節(jié)點阻抗。

5、進(jìn)一步的，特征矩陣為：

6、

7、其中，x(t)為電網(wǎng)在時間t時的特征矩陣；n表示電網(wǎng)中節(jié)點的總數(shù)；vk(t)為節(jié)點k在時間t的電壓幅值；cos(θk(t))為節(jié)點k在時間t的電壓相角的余弦值；ik(t)為節(jié)點k在時間t的電流幅值；sin(φk(t))為節(jié)點k在時間t的電流相角的正弦值；pk(t)為節(jié)點k在時間t的有功功率；qk(t)為節(jié)點k在時間t的無功功率；sbase為功率的基準(zhǔn)值，用于將有功功率和無功功率歸一化；δfk(t)為節(jié)點k在時間t的頻率偏差，即實際頻率相對于基準(zhǔn)頻率f0的偏差量；zk(t)為節(jié)點k在時間t的阻抗；zbase為阻抗的基準(zhǔn)值；δt為時間步長，表示兩個時間之間的時間差；λ為衰減參數(shù)，控制特征矩陣隨時間衰減的速率，為設(shè)定值。

8、進(jìn)一步的，預(yù)設(shè)的多層圖神經(jīng)網(wǎng)絡(luò)模型總共有l(wèi)層，通過如下公式，得到特征提取結(jié)果：

9、

10、其中，hl為最后一層的結(jié)果，作為特征提取結(jié)果；d為電網(wǎng)的度矩陣；a為電網(wǎng)的鄰接矩陣；wl為第l層的權(quán)重；σ(·)為激活函數(shù)；⊙為哈達(dá)瑪積；hl-1為第l-1層的結(jié)果；對于輸入層，h0＝x(t)。

11、進(jìn)一步的，基于特征提取結(jié)果，構(gòu)建故障傳播動力學(xué)模型的公式為：

12、

13、其中，k為下標(biāo)整數(shù)索引；hk表示多層圖神經(jīng)網(wǎng)絡(luò)模型的第k層的結(jié)果；表示梯度算子；為拉普拉斯算子；f(t)為時間t時的故障特征場。

14、進(jìn)一步的，利用故障特征場，通過如下公式，計算故障概率分布p(r，t)：

15、

16、其中，p(r，t)表示在位置r處，時間t時的故障概率分布；ω為電網(wǎng)域。

17、進(jìn)一步的，通過如下公式，根據(jù)故障概率分布，確定故障區(qū)域與故障邊界：

18、

19、其中，rfault為故障區(qū)域；bfault為故障邊界；ηth為概率閾值；ξth為概率梯度閾值；n為邊界法向量；s為邊界積分變量，表示在故障區(qū)域邊界上每個微小線段的位置。

20、進(jìn)一步的，根據(jù)故障區(qū)域和故障特征場，通過如下公式，計算故障傳播分布：

21、

22、其中，tfault(t)為時間t時的故障傳播分布；τ為時間積分變量；為張量積。

23、進(jìn)一步的，通過如下公式，計算故障位置，以及計算得到的故障位置的可信度：

24、

25、其中，lfinal為故障位置；creliability為故障位置lfinal的可信度；t為總時間。

26、本發(fā)明的基于圖神經(jīng)網(wǎng)絡(luò)的電網(wǎng)拓?fù)涔收隙ㄎ幌到y(tǒng)，具有以下有益效果：本發(fā)明通過圖神經(jīng)網(wǎng)絡(luò)對電網(wǎng)的拓?fù)浣Y(jié)構(gòu)進(jìn)行建模，能夠在特征提取過程中全面捕捉節(jié)點之間的復(fù)雜關(guān)系。圖神經(jīng)網(wǎng)絡(luò)利用電網(wǎng)的鄰接矩陣和度矩陣作為輸入，逐層融合節(jié)點特征，通過特征傳播和非線性激活實現(xiàn)對全局拓?fù)浣Y(jié)構(gòu)的建模。這種方法不僅能夠捕捉電網(wǎng)的全局拓?fù)潢P(guān)系，還能夠通過多層特征提取提高對局部復(fù)雜關(guān)系的表達(dá)能力，從而更準(zhǔn)確地反映電網(wǎng)的故障傳播路徑。相比于傳統(tǒng)方法，本發(fā)明在面對大規(guī)模、復(fù)雜拓?fù)涞碾娋W(wǎng)時，能夠表現(xiàn)出更高的建模能力，有效解決了多節(jié)點、多連接情況下的故障傳播路徑難以描述的問題。電網(wǎng)的電氣參數(shù)通常受到外部干擾和噪聲的影響，傳統(tǒng)故障檢測方法往往對輸入數(shù)據(jù)的噪聲較為敏感，容易導(dǎo)致誤報或漏報。本發(fā)明通過引入圖神經(jīng)網(wǎng)絡(luò)的特征提取機(jī)制，在特征傳播過程中對節(jié)點的電氣特性和鄰接關(guān)系進(jìn)行深度融合，有效提高了系統(tǒng)對噪聲的免疫力。此外，通過對特征矩陣的動態(tài)時間衰減處理，系統(tǒng)能夠自適應(yīng)地調(diào)整不同時間點特征對當(dāng)前時刻的貢獻(xiàn)，從而增強(qiáng)對動態(tài)變化的敏感度和抗噪能力。與傳統(tǒng)的靜態(tài)分析方法不同，本發(fā)明利用時間相關(guān)的特征融合策略，能夠更好地捕捉到電網(wǎng)中節(jié)點的動態(tài)變化特征，提高了在復(fù)雜電網(wǎng)環(huán)境中的檢測準(zhǔn)確度和魯棒性。