基于图神经网络的智能变电站二次回路故障定位方法

陈 鑫

（国网宜兴市供电公司，江苏 无锡 214200）

0 引 言

随着电气系统通信技术和计算机互联网技术的发展，智能变电站自动化技术获得了阶段性成就，电气二次设计受到了广泛关注。利用二次系统中的故障信息判别与预测设备的运行状态，确保变电站的智能化运维。传统的二次设备故障主要由技术人员依据处理经验和装置信息来处理，但二次系统网络复杂，人工检修缺乏对故障特征之间关联性的有效分析。因此，实现二次设备故障的精确定位至关重要。

1 二次回路故障分析

智能变电站中的二次回路元件主要是信源、中继设备、信宿以及连接元件，当二次回路中的设备发生故障时，回路中的网络潮流分布会随之改变，相关设备会发出相关的告警信号。因为二次回路中关联设备均会产生告警信号，所以故障定位困难[1]。相同间隔内发生故障告警信号范围如图1所示，本间隔内外设备会受到线路间隔的影响，产生告警信号。告警信号又与间隔中的多个设备相关联，因此仅根据设备的告警信息难以辨认具体故障位置。智能变电站的规格不同，组网方式也有很大差异，甚至同一变电站内不同电压等级的间隔组网方式也不同，不同设备之间连接关系复杂，难以精确计算运维人员的排查范围。

图1 相同间隔内发生故障告警信号范围

2 GNN模型

2.1 GNN模型的工作原理

图神经网络（Graph Neural Network，GNN）的变电站二次回路故障定位方法及系统比较复杂，需了解并掌握定位方法。首先，解析智能变电站配置描述文件，将解析结果存入图数据库，理清二次设备物理回路与虚回路的对应关系[2]。其次，利用故障历史数据库或传统处理方法制作训练集，即离线训练GNN模型。最后，利用告警信号找出所有关联故障设备。告警信号涵盖的设备复杂，因此需预处理告警信号，判断关联故障设备是否构成连通图。对于难以构成连通图的告警信号，将其输入训练后的GNN模型，预测关联故障设备的故障种类。GNN模型搭建故障定位模型，能够在智能变电站组网方式不断变更的情况下，保障预测故障与故障定位的准确性[3]。

2.2 GNN模型的构建

GNN作用于非欧氏空间的图数据，在物理结构机理以及知识图谱理解等方面得到了广泛应用。GNN模型结构如图2所示。GNN的目标是学习每个节点的隐层状态hv，可以产生节点输出Ov。其中，fv为节点的信息汇集函数，g为局部输出函数。

图2 GNN模型结构

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，如图3所示。首先，依据历史故障数据中不同故障事件集发生的最小时间间隔，划分一段时间内的告警信号，形成告警信号集合为{S1，S2，…，Sn}。其次，对于每一组告警信号集合Si，搜索关联的故障设备，计算故障设备形成的连通图个数n。将与告警信号集合Si相邻的告警信号依次加入Si，观察n的变化，n不变继续加入，n增加停止加入。再次，根据告警信号集合Si判断故障原因及位置，如果难以利用现有知识库判断位置，则启动实施诊断程序，将非连通图拆分为连通子图逐一生成故障图。最后，将得到的故障图送入已离线训练好的全球网络导航器定位故障，同时利用站控层告警信号分析故障原因，并将结果与故障图存入历史数据库。

图3 二次回路故障定位的基本框架

3 算例分析

以110 kV综合自动化变电站和220 kV智能变电站为例，限定故障范围为2个线路间隔、主变间隔及1个母线间隔，采样故障生成模型。故障类型包含但不局限于种类设备自身故障、设备板卡故障、设备之间光纤连接错误、设备链路配置错误、设备之间的光纤以及光口故障等，如表1所示。

表1 故障分类

目前，110 kV综合自动化变电站已实现无人值班。为保证自动化变电系统安全平稳运行，故障记录与分析功能不可或缺。传统的微机保护装置能够实现故障录波，但是装置内存并不能满足储存要求，因此该装置记录的波形数量与长度都达不到预期效果，也不能自动上传电气量的波形变化。鉴于此，110 kV综合自动化变电站应当配备独立的故障录波装置[4]。暂态故障记录分析装置能够记录和反映故障前后的电气量波形变化数据，并自动分析与诊断，独立完成处理工作，整合了暂态故障和网络报文分析功能。它以数据共享和信息传输为出发点，快速精准定位故障点并自动分析，提高了故障处理效率。故障录波装置能够智能分析电气量波形变化，便于运行人员第一时间了解故障产生原因，为设备维修检测争取时间，整理并上报故障设备、故障原因、故障后果以及故障性质等数据，帮助工作人员提高故障判断的准确率，尽快修复运行。

基于110 kV综合自动化变电站的故障记录与分析，GNN模型具备更强大的优化功能。对比深度神经网络（Deep Neural Networks，DNN）模型和GNN模型，模型数据来源于220 kV智能变电站。设置不同的模型深度、通道维数、聚合函数、学习率、训练批次、神经元丢弃率、全连接层的层数以及维度等数据对比模型的最优参数[5]。训练过程中，假设输出层的阈值设置为0.9，那么输出层的神经元对应位置元素为1，否则为0。基于Pytorch框架，在训练过程中利用训练集、验证集以及测试集对比模型的最优参数，如表2所示。

表2 数据集的最优参数

确定最优参数后，设置支持向量机（Support Vector Machine，SVM）、远端故障（Remote Fault，RF）以及全连接神经网络3个基准模型，并对比其参数。通过交叉验证决定SVM和RF的超参数。全连接神经网络的超参数取决于样品量的10%的验证集。为保持模型输入维数不发生变化，需注意每个故障图数据节点的不同。不同模型在不同数据集上的准确率如表3所示，其中 PCA 为主成分分析模型。

表3 不同模型在不同数据集上的准确率

GNN模型性能优越，始终保持着较高的准确率，且随样本故障数量的增多，准确率有所下降[6]。

相较于传统的机器学习和深度学习方法，结合110 kV综合自动化变电站的故障记录等，GNN模型能够在告警信号极差或是缺失的情况下准确预测和判断故障类型，根据网络分析仪等相关技术精准定位GNN故障。

4 结 论

为提高变电站的运行效率，维护变电站的安全稳定运行，本文提出基于GNN的故障定位方法，利用GNN搭建二次回路故障诊断模型，比较不同模型和分析算例，得到智能二次回路故障信息。二次设计过程兼顾变电站相关设备、系统整体以及局部效益，仔细分析各项系统的功能，采取科学合理的措施，有效发挥系统的价值。