本發(fā)明涉及電網(wǎng)故障定位的，具體涉及一種用于電網(wǎng)的故障定位方法及系統(tǒng)。
背景技術(shù)：
1、在現(xiàn)代電力系統(tǒng)中，電網(wǎng)結(jié)構(gòu)日益復(fù)雜，分布式能源和可再生能源的大量接入使得電網(wǎng)運(yùn)行狀態(tài)更加動(dòng)態(tài)化和不確定，給故障定位帶來(lái)了新的挑戰(zhàn)。傳統(tǒng)的電網(wǎng)故障定位方法主要依賴于規(guī)則推理、專家知識(shí)或基于單點(diǎn)測(cè)量的簡(jiǎn)單判據(jù)，難以有效處理海量、多源、多維度的電氣量數(shù)據(jù)，尤其在面對(duì)多節(jié)點(diǎn)、多路徑的復(fù)雜拓?fù)浣Y(jié)構(gòu)時(shí)，定位精度和魯棒性均受到限制。此外，這類方法通常需要大量人工設(shè)置閾值參數(shù)，對(duì)電網(wǎng)運(yùn)行狀態(tài)的變化敏感，容易導(dǎo)致誤判或漏判，嚴(yán)重影響供電可靠性與維護(hù)效率。
2、隨著智能電網(wǎng)的發(fā)展，雖然已有部分研究嘗試引入機(jī)器學(xué)習(xí)進(jìn)行故障識(shí)別定位，但多數(shù)模型未能有效結(jié)合電網(wǎng)的拓?fù)湫畔ⅲ瑹o(wú)法充分挖掘監(jiān)測(cè)點(diǎn)之間的空間結(jié)構(gòu)關(guān)系，導(dǎo)致故障定位準(zhǔn)確性低。同時(shí)，傳統(tǒng)優(yōu)化算法，比如粒子群優(yōu)化算法、遺傳算法、人工魚(yú)群算法等，在故障區(qū)段組合搜索中存在易陷入局部最優(yōu)解、迭代速度慢等問(wèn)題，難以滿足快速定位的實(shí)際需求。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于解決上述背景技術(shù)中提到的故障定位準(zhǔn)確性低的問(wèn)題，而提出一種用于電網(wǎng)的故障定位方法及系統(tǒng)。
2、本發(fā)明實(shí)施的第一方面，提供了一種用于電網(wǎng)的故障定位方法，所述方法包括：
3、獲取目標(biāo)電網(wǎng)中各監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；
4、根據(jù)目標(biāo)電網(wǎng)的拓?fù)浣Y(jié)構(gòu)和每個(gè)監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)，進(jìn)行圖結(jié)構(gòu)建模，得到節(jié)點(diǎn)特征矩陣和鄰接矩陣；每個(gè)節(jié)點(diǎn)的特征向量包括其對(duì)應(yīng)的監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；
5、將所述節(jié)點(diǎn)特征矩陣和鄰接矩陣作為預(yù)訓(xùn)練的區(qū)段定位模型的輸入，得到候選區(qū)段集；
6、根據(jù)所述候選區(qū)段集和預(yù)設(shè)的搜索優(yōu)化算法，確定最終的故障區(qū)段。
7、可選的，所述電氣量數(shù)據(jù)包括三相電壓的幅值、三相電壓的相位、三相電流的幅值、三相電流的相位、有功功率和無(wú)功功率中至少一種。
8、可選的，所述區(qū)段定位模型是一種基于注意力改進(jìn)的圖同構(gòu)神經(jīng)網(wǎng)絡(luò)模型；所述區(qū)段定位模型包括多層圖同構(gòu)網(wǎng)絡(luò)層、圖特征聚合層和分類器；每一圖同構(gòu)網(wǎng)絡(luò)層包括消息聚合模塊和節(jié)點(diǎn)特征更新模塊；其中：
9、消息聚合模塊，用于對(duì)各節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的特征進(jìn)行加權(quán)聚合；消息聚合模塊的計(jì)算公式為：
10、；
11、其中，和是第k-1層圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)u和節(jié)點(diǎn)v的特征，節(jié)點(diǎn)v是節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)；、和是可學(xué)習(xí)參數(shù)，的上標(biāo)t表示轉(zhuǎn)置；concat表示拼接操作；leakyrelu是一種激活函數(shù)；是節(jié)點(diǎn)v對(duì)節(jié)點(diǎn)u的注意力分?jǐn)?shù)；是歸一化的注意力權(quán)重；表示節(jié)點(diǎn)u的鄰居集合；表示鄰居節(jié)點(diǎn)的融合特征；
12、節(jié)點(diǎn)特征更新模塊，用于根據(jù)鄰居節(jié)點(diǎn)的融合特征更新節(jié)點(diǎn)特征；節(jié)點(diǎn)特征的更新公式為：
13、；
14、其中，是第k層圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)u的特征；是可學(xué)習(xí)參數(shù)；是多層感知機(jī)；
15、圖特征聚合層，用于將多個(gè)圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)特征組合，得到圖特征向量；
16、分類器，用于將圖特征向量輸入全連接網(wǎng)絡(luò)，得到各區(qū)段線路的故障概率；將故障概率大于預(yù)設(shè)閾值的區(qū)段線路納入候選區(qū)段集。
17、可選的，所述搜索優(yōu)化算法為改進(jìn)的粒子群優(yōu)化算法；所述根據(jù)所述候選區(qū)段集和預(yù)設(shè)的搜索優(yōu)化算法，確定最終的故障區(qū)段包括：
18、步驟一，在連續(xù)空間內(nèi)，隨機(jī)生成初始粒子群，每個(gè)粒子代表一組故障區(qū)段組合；使用候選區(qū)段集中的故障區(qū)段初始化部分粒子的位置；通過(guò)sigmoid函數(shù)和分段函數(shù)將粒子位置映射至離散空間；
19、步驟二，計(jì)算每個(gè)粒子的適應(yīng)度值，評(píng)估其對(duì)應(yīng)的故障區(qū)段組合與實(shí)際故障的匹配程度；
20、步驟三，更新個(gè)體歷史最優(yōu)位置和全局最優(yōu)位置；
21、步驟四，在連續(xù)空間內(nèi)，更新粒子的速度和位置，并將粒子位置映射為離散故障狀態(tài)；
22、步驟五，以第一預(yù)設(shè)概率觸發(fā)遺傳迭代，執(zhí)行預(yù)設(shè)次數(shù)的遺傳迭代，若在迭代過(guò)程中生成比全局最優(yōu)位置更優(yōu)的解，則更新全局最優(yōu)位置，退出遺傳迭代過(guò)程；
23、步驟六，檢查終止條件，若滿足終止條件，則結(jié)束優(yōu)化過(guò)程，輸出全局最優(yōu)位置對(duì)應(yīng)的故障狀態(tài)；否則，返回步驟二。
24、可選的，一次遺傳迭代的運(yùn)算過(guò)程包括：
25、步驟一，從粒子群中選擇兩個(gè)個(gè)體作為父代；
26、步驟二，以第二預(yù)設(shè)概率執(zhí)行交叉操作，得到子代；
27、步驟三，以第三預(yù)設(shè)概率執(zhí)行變異操作，更新子代；
28、步驟四，計(jì)算子代適應(yīng)度，若優(yōu)于當(dāng)前的全局最優(yōu)，則更新全局最優(yōu)位置，并提前退出遺傳迭代過(guò)程。
29、本發(fā)明實(shí)施的第二方面，提供了一種用于電網(wǎng)的故障定位系統(tǒng)，所述系統(tǒng)包括：
30、數(shù)據(jù)獲取模塊，用于獲取目標(biāo)電網(wǎng)中各監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；
31、圖構(gòu)建模塊，用于根據(jù)目標(biāo)電網(wǎng)的拓?fù)浣Y(jié)構(gòu)和每個(gè)監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)，進(jìn)行圖結(jié)構(gòu)建模，得到節(jié)點(diǎn)特征矩陣和鄰接矩陣；每個(gè)節(jié)點(diǎn)的特征向量包括其對(duì)應(yīng)的監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；
32、初步定位模塊，用于將所述節(jié)點(diǎn)特征矩陣和鄰接矩陣作為預(yù)訓(xùn)練的區(qū)段定位模型的輸入，得到候選區(qū)段集；
33、搜索優(yōu)化模塊，用于根據(jù)所述候選區(qū)段集和預(yù)設(shè)的搜索優(yōu)化算法，確定最終的故障區(qū)段。
34、可選的，所述電氣量數(shù)據(jù)包括三相電壓的幅值、三相電壓的相位、三相電流的幅值、三相電流的相位、有功功率和無(wú)功功率中至少一種。
35、可選的，所述區(qū)段定位模型是一種基于注意力改進(jìn)的圖同構(gòu)神經(jīng)網(wǎng)絡(luò)模型；所述區(qū)段定位模型包括多層圖同構(gòu)網(wǎng)絡(luò)層、圖特征聚合層和分類器；每一圖同構(gòu)網(wǎng)絡(luò)層包括消息聚合模塊和節(jié)點(diǎn)特征更新模塊；其中：
36、消息聚合模塊，用于對(duì)各節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的特征進(jìn)行加權(quán)聚合；消息聚合模塊的計(jì)算公式為：
37、；
38、其中，和是第k-1層圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)u和節(jié)點(diǎn)v的特征，節(jié)點(diǎn)v是節(jié)點(diǎn)u的鄰居節(jié)點(diǎn)；、和是可學(xué)習(xí)參數(shù)，的上標(biāo)t表示轉(zhuǎn)置；concat表示拼接操作；leakyrelu是一種激活函數(shù)；是節(jié)點(diǎn)v對(duì)節(jié)點(diǎn)u的注意力分?jǐn)?shù)；是歸一化的注意力權(quán)重；表示節(jié)點(diǎn)u的鄰居集合；表示鄰居節(jié)點(diǎn)的融合特征；
39、節(jié)點(diǎn)特征更新模塊，用于根據(jù)鄰居節(jié)點(diǎn)的融合特征更新節(jié)點(diǎn)特征；節(jié)點(diǎn)特征的更新公式為：
40、；
41、其中，是第k層圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)u的特征；是可學(xué)習(xí)參數(shù)；是多層感知機(jī)；
42、圖特征聚合層，用于將多個(gè)圖同構(gòu)網(wǎng)絡(luò)層輸出的節(jié)點(diǎn)特征組合，得到圖特征向量；
43、分類器，用于將圖特征向量輸入全連接網(wǎng)絡(luò)，得到各區(qū)段線路的故障概率；將故障概率大于預(yù)設(shè)閾值的區(qū)段線路納入候選區(qū)段集。
44、可選的，所述搜索優(yōu)化算法為改進(jìn)的粒子群優(yōu)化算法；
45、所述搜索優(yōu)化模塊包括：
46、初始化模塊，用于在連續(xù)空間內(nèi)，隨機(jī)生成初始粒子群，每個(gè)粒子代表一組故障區(qū)段組合；使用候選區(qū)段集中的故障區(qū)段初始化部分粒子的位置；通過(guò)sigmoid函數(shù)和分段函數(shù)將粒子位置映射至離散空間；
47、適應(yīng)度計(jì)算模塊，用于計(jì)算每個(gè)粒子的適應(yīng)度值，評(píng)估其對(duì)應(yīng)的故障區(qū)段組合與實(shí)際故障的匹配程度；
48、優(yōu)解更新模塊，用于更新個(gè)體歷史最優(yōu)位置和全局最優(yōu)位置；
49、粒子更新模塊，用于在連續(xù)空間內(nèi)，更新粒子的速度和位置，并將粒子位置映射為離散故障狀態(tài)；
50、遺傳迭代模塊，用于以第一預(yù)設(shè)概率觸發(fā)遺傳迭代，執(zhí)行預(yù)設(shè)次數(shù)的遺傳迭代，若在迭代過(guò)程中生成比全局最優(yōu)位置更優(yōu)的解，則更新全局最優(yōu)位置，退出遺傳迭代過(guò)程；
51、迭代控制模塊，用于檢查終止條件，若滿足終止條件，則結(jié)束優(yōu)化過(guò)程，輸出全局最優(yōu)位置對(duì)應(yīng)的故障狀態(tài)；否則，返回適應(yīng)度計(jì)算模塊。
52、可選的，所述遺傳迭代模塊包括：
53、父代選擇模塊，用于從粒子群中選擇兩個(gè)個(gè)體作為父代；
54、交叉操作模塊，用于以第二預(yù)設(shè)概率執(zhí)行交叉操作，得到子代；
55、變異操作模塊，用于以第三預(yù)設(shè)概率執(zhí)行變異操作，更新子代；
56、子代評(píng)價(jià)模塊，用于計(jì)算子代適應(yīng)度，若優(yōu)于當(dāng)前的全局最優(yōu)，則更新全局最優(yōu)位置，并提前退出遺傳迭代過(guò)程。
57、本發(fā)明的有益效果：
58、本發(fā)明提出了一種用于電網(wǎng)的故障定位方法，該方法包括：獲取目標(biāo)電網(wǎng)中各監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；根據(jù)目標(biāo)電網(wǎng)的拓?fù)浣Y(jié)構(gòu)和每個(gè)監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)，進(jìn)行圖結(jié)構(gòu)建模，得到節(jié)點(diǎn)特征矩陣和鄰接矩陣；每個(gè)節(jié)點(diǎn)的特征向量包括其對(duì)應(yīng)的監(jiān)測(cè)點(diǎn)的電氣量數(shù)據(jù)；將節(jié)點(diǎn)特征矩陣和鄰接矩陣作為預(yù)訓(xùn)練的區(qū)段定位模型的輸入，得到候選區(qū)段集；根據(jù)候選區(qū)段集和預(yù)設(shè)的搜索優(yōu)化算法，確定最終的故障區(qū)段。
59、通過(guò)引入圖結(jié)構(gòu)建模，將電氣量數(shù)據(jù)與電網(wǎng)拓?fù)浣Y(jié)構(gòu)融合，利用預(yù)訓(xùn)練模型給出可疑故障區(qū)段，再結(jié)合搜索優(yōu)化算法精確定位故障區(qū)段。相較傳統(tǒng)方法，二階段策略能夠有效提升故障定位的準(zhǔn)確性與魯棒性，降低誤判漏判風(fēng)險(xiǎn)，提高供電可靠性與維護(hù)效率。