基于图神经网络的智能变电站二次回路故障定位研究

张宸滔，郑永康，卢继平，张 豪，任 辉，杨 帜

基于图神经网络的智能变电站二次回路故障定位研究

张宸滔1,2，郑永康1，卢继平2，张 豪3，任 辉4，杨 帜2

(1.国网四川省电力公司电力科学研究院，四川 成都 610041；2.输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆 400044；3.国网四川省电力公司检修公司，四川 成都 610042；4.中国电力科学研究院有限公司南京分院，江苏 南京 210003)

为提高智能变电站二次回路故障定位的准确率与可移植性，提出了一种基于图神经网络的智能变电站二次回路故障定位方法。依据智能变电站配置文件制作图数据库，得到二次设备之间的连接关系。结合二次设备告警信号表征，提出了一种二次设备节点的信息表征作为图神经网络的输入。利用图神经网络的理论建立了故障定位模型。以某220 kV智能变电站的二次回路为基准，利用故障图生成模型改变组网方式、订阅关系及网络配置产生不同二次回路故障构成算例。通过实验比较了所提定位方法与其他模型的准确率，实验结果表明该方法有较高的定位精度及较好的鲁棒性。

图神经网络；智能变电站；二次回路；故障定位

0 引言

二次设备的安全可靠是智能变电站稳定运行的有力保障，利用二次系统中的故障信息对设备的运行状态进行判别与预测是智能化运维的基础[1-6]。

目前智能变电站中各种二次设备故障的原因主要由技术人员依据故障处理经验及装置的报文信息辅助判别[6-8]，但由于二次系统网络复杂且缺乏有效手段分析故障特征之间的关联性，难以对故障进行快速定位及分析，故实现二次设备故障的精确定位至关重要[9-12]。

在传统故障分析方面，文献[13]提出了基于Petri网模型的面向通用对象变电站(Generic Object Oriented Substation Event, GOOSE)回路故障诊断方法，但是对于复杂的二次系统网络还需人工搭建模型，这导致了工作量庞大且复杂。文献[14-15]分别采用举证表和枚举法，基于二次系统通信链路交叉的特点穷举出网络故障的范围，由于受限于二维表的表示形式，这类方法只能依赖单一的故障特征，无法精确判断故障出现的具体位置及故障原因。文献[16]利用故障树的分析方法建立了二次设备故障与告警信号之间的关联，增加了对故障特征的分析，但是对于设备出现关联告警信号或在网络中同时出现大量告警信号的情况依然无法精确分析故障原因。

随着人工智能技术在电网中的应用，文献[17]利用融合集成学习的方法进行二次设备状态评估，文献[18]利用语义构建词向量进行二次回路虚段子连接，在故障定位方面，文献[19-20]利用深度置信网络(Deep Belief Network, DBN)对故障状态特征进行提取，分别实现了智能变电站通信网络故障定位及电网故障类型辨识，其相比于传统故障分析方法准确度和鲁棒性更强，但是二次系统的故障往往只涉及某几个间隔，而深度学习建模需要对整个变电站的二次系统进行训练，存在样本难以获取且模型很难依据拓扑结构及故障特征进行变化的情况。文献[21]尝试融合专家经验与人工智能的方法对故障进行识别，但是其置信度依赖对历史数据的统计分析，在二次回路历史故障数据中相同的故障特征与故障类型映射关系会随着网络拓扑而改变，另外征兆阈值和限值的选取需要进行多次修正，不适用于二次回路数据大量累积并更新的情况。

综上所述，当前的故障诊断方法存在以下问题：(1) 二次设备的故障类型众多，但现有方法利用的故障特征较少且故障特征之间的关联性较弱；(2) 针对历史文本数据的特征提取，对故障精确定位帮助较少；(3) 传统分析方法还依据网络拓扑结构，深度学习的方法则放弃了将此因素纳入考量，导致故障特征的变化及网络拓扑结构的改变均会影响模型的准确性。

针对二次系统故障定位存在的以上问题，本文提出基于图神经网络的故障定位方法，从图的视角对二次系统进行了研究。首先基于对二次回路故障的分析依据智能变电站SCD配置文件建立了二次回路，而后在二次回路的故障特征信息的基础上提出了二次回路故障特征的表征方式。本文利用图神经网络(Graph neural network)搭建了二次回路故障诊断模型，通过对不同模型的比较及算例分析，证明了图神经网络能够更好地提取不同网络结构下的二次回路故障信息。

1 二次回路故障分析与建模

1.1 二次回路故障分析

二次回路中的元件根据其功能可分为信源、中继设备、信宿和连接元件[22-23]。当二次回路中任意设备出现故障时，二次回路通信网络的潮流分布会发生改变[24]，同时因设备的运行状态及网络拓扑的改变使得相关设备发出告警信号。由于当某一设备发生故障时，二次回路中与之相关联的设备均会产生告警信号，造成了二次回路故障定位困难。如图1所示，线路间隔不同光纤断链，既有可能造成本间隔内设备产生告警信号，也有可能造成本间隔外设备产生告警信号，且告警信号往往涵盖了间隔中的多个设备，因此仅仅根据设备的告警信息无法精确定位故障。另一方面，由于不同智能变电站的组网方式不同，甚至同一变电站内不同电压等级的间隔组网方式也会变化，这造成了不同设备之间连接关系的变化，改变了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示意图

1.2 二次回路图数据库的建立

根据上节所述，一个完整的二次回路应包含设备种类、设备连接关系、设备报文订阅关系及设备相关联的告警信号等信息。智能变电站配置文件(Substation Configuration Description, SCD)记录了智能变电站通信网络配置、智能装置配置与数据对象及属性等信息，通过建立基于IEC61850的语义化模型对SCD文件的信息进行抽取而后以节点和边的形式存储于neo4j图数据库中。

在图数据库中遍历图不同IED关联的ExtRef节点可得到不同IED之间的虚段子订阅关系，对于不同IED之间的物理回路，可通过遍历不同PhysConn节点[15]或建立SPCD、SLCD文件[25-26]而后遍历Port节点获得。将虚连接的内容以边属性的形式存储至对应物理回路中，最终可得二次回路的物理回路与虚回路对应关系。部分节点的对应关系如图2所示，其中棕色代表IED节点，黄色代表端口节点，红色边代表GOOSE传输链路，蓝色边代表SV传输链路。其中某条边关系的数据如表1所示，表示其编号为135 988，开始节点编号为14 752，结束节点编号为8 193，边的连接值为L11号光纤，种类为GOOSE。

图2 neo4j中存储的二次回路可视化

在故障发生时，通过解析GOOSE和MMS报文的MAC-Address、APPID等信息在图数据库中依据路径“IED-AccessPoint-LDevice-LN0-GSEControl”及“SubNetwork-ConnectedAP-GSE”查询得到报文对应的装置，同时依据报文中的FCDA信息结合路径“IED-Server-LDevice-LN-DataSet-FCDA-DOI”查询得到告警信号的具体信息，其中某一告警信号节点属性值如表2所示，表示其节点编号为5 689，节点类别为DOI，节点属性中名称为Alm4，描述为定值自检出错。

表1 图数据库中某关系的存储格式

表2 图数据库中某节点的存储格式

2 二次回路故障信息表征

当二次回路发生故障时，设备的告警信号主要有：(1) 信宿通信状态告警：如果过程层网络通信的信宿在指定时间内没有接收到订阅报文，则判断为该条报文传输异常；(2) 设备运行状态告警：设备会监测自身运行状态及端口的发送与接收光功率，如果设备自身异常则会产生相应告警，如自检信息异常，GOOSE/SV断链等，如果端口功率超出或低于设定阈值，则发出对应光口功率告警；(3) 中继设备流量监测告警[27]：交换机对报文流量进行监测，当通信网络潮流分布变化时，交换机对应端口会发出低流量告警。二次设备的故障告警信号主要分布在“G1”和“S1”访问点下的“dsAlarm”、“dsWarning”与“dsComm”数据集中。

2.1 二次回路故障信息表征

2.2 故障图生成模型

由于网络分析仪存储空间有限，且在智能变电站实际运维过程中记录的故障数据通常只包含实际故障设备的站控层网络的告警信号，因此存在故障样本告警信号缺失的情况，另一方面由于某些设备可靠性较高，积累故障样本所需时间较长，本文利用构建的图数据库生成故障样本。

3 基于图神经网络的二次回路故障定位模型

3.1 图神经网络模型

式中：N为样本数量；为预测第n个样本为正例的概率；为第n个样本的标签。

3.2 基于图神经网络的二次回路故障定位框架

基于上述内容，本文建立了基于图神经网络的二次回路故障定位的基本框架，如附图2所示。

(6) 将得到的故障图送入已离线训练好的GNN故障定位模型进行故障定位；

(7) 若得到的定位结果为设备故障，则结合站控层告警信号进一步分析故障原因，否则依据故障图返回定位结果，并将定位结果与故障图存入历史数据库中。

4 算例分析

4.1 算例简析

本文根据某220 kV智能变电站的SCD文件生成图数据库，为方便不同模型的对比，限定故障范围为两个线路间隔、两个主变间隔及一个母线间隔，通过故障生成模型进行故障采样，采样了110 kV、220 kV侧不同的组网方式下的二次回路故障。其中故障类型包括不同种类设备自身故障、不同设备之间的光纤及光口故障、不同种类设备板卡故障、不同设备之间光纤连接错误、不同设备链路配置错误等共30种故障类型，具体故障类型见附表1，故障数量设置为一至三重故障。共采样了1 078、800、800组单一故障、双重故障、三重故障数据，将三者组合制作为数据集，如表3所示。其中，I、II、III分别代表单一故障、双重故障、三重故障数据。

表3 不同故障组成的算例

4.2 模型优化细节及不同模型对比

本文设置了不同的模型深度(1,2,3)，不同的通道维数(64,128,256,512)，不同的聚合函数(add, mean,max,GCN)，不同的学习率(0.005～0.02)，不同的训练批次(32,64,128)，全连接层的层数(1,2,3)，全连接层维度(64,128,256)，不同的神经元丢弃率(0.2～0.8)，以及不同的全局池化(global pooling)函数(add,mean,max)来搜寻模型的最优超参数。训练过程中输出层的阈值设置为0.9，即输出层的神经元大于0.9时对应位置元素为1，否则为0。本文的GNN模型基于Pytorch框架实现，训练平台为Tesla T4 GPU。训练过程中，本文将训练样本按照8:1:1的比例分为训练集、验证集与测试集，其中模型的超参数由验证集确定，其中数据集(I+II+III)的最优超参数如表4所示。

表4 数据集(I+II+III)的最优超参数

本文设置了支持向量机(SVM)、随机森林(RF)、全连接神经网络三个基准模型作为对比，SVM和RF的超参数通过5折交叉验证决定，全连接神经网络的超参数由样本量的10%的验证集决定。需要注意的是由于每个故障图数据节点不同，为保持以上模型输入维数保持不变，本文将图样本中无特征的节点作全0填充(padding)处理。不同模型在不同数据集上的准确率如表5所示。其中对于多重故障的样本，只有当故障种类全部预测正确时才计算正确率。对于神经网络模型，进行5次实验后记录其均值与方差。

表5 不同模型在不同数据集上的准确率

从表5中可以看出，GNN模型一直保持着最高的准确率，随着同一样本中故障数量的增加，不同模型的准确率均有不同程度的下降。

4.3 不同干扰下模型的性能分析

表6 不同干扰对模型准确率的影响

从表6中可以看出，GNN模型对于不同干扰准确率下降的幅度更小，鲁棒性更高。表7模拟了在训练数据集中加入干扰的情况，更加符合实际，可以看出两者准确率基本与表6一致，且数据干扰对GNN模型的影响同样小于对DNN的影响。

表7 训练数据带不同干扰对于模型准确率的影响

4.4 案例分析

为了进一步说明模型的定位效果，本文对模型的定位结果进行举例说明。

(1) 当直采网跳组网结构中发生主变间隔合并单元-母线保护装置光纤链路断链及中心交换机与主变间隔交换机相连的光口故障时，受影响的链路及告警信号范围如图4所示，其中保护装置无法接收SV报文而产生SV告警、端口接收功率低并同时产生SV总告警信号及装置总告警信号，合并单元则报装置闭锁和合并单元告警总信号，同时由于中心交换机无法接收间隔交换机发送的报文，由主变间隔至母线间隔的报文传递均会产生流量告警，故障图中的节点特征如式(10)所示。

图4 双重故障发生时告警信号范围与受影响的链路

当输出层阈值为0.9时，两种模型输出如式(11)和式(12)所示，由于输出维度较大，式中只展示了输出值保留两位小数后大于0的部分。

从式(11)、式(12)可以看出，在设定阈值为0.9的情况下，GNN模型能够正确判断出两类故障，而DNN模型只能判断出合并单元-保护装置光口(光纤)故障，如果调低阈值则DNN模型可能出现交换机-合并单元光口(光纤)故障的误判，且会造成模型整体准确率的下降。如果采用传统的交叉比对法，所得故障范围如式(13)所示。

由式(13)可见，交叉比对法所定位的故障范围除了定位到光纤与端口，还将范围扩大至设备自身，且同时发生的另一处故障由于举证值太小而被忽略。

(2) 网采网跳结构中线路保护CPU故障，而站控层无相关告警信号时，受影响的链路及告警信号范围如图5所示。其中线路智能终端与母线保护无法接收GOOSE报文产生GOOSE断链告警，相关链路产生流量告警信息，由此产生的节点特征如式(14)所示。

图5 保护告警型号丢失时告警信号范围与受影响的链路

两种模型的预测结果如式(15)、式(16)所示，GNN模型在告警信号缺失的情况下正确判断出了故障，而DNN则漏判了故障，在识别出故障类型为保护本体故障后，根据网络分析仪对MMS报文的侦测结果可以定位故障为线路保护CPU故障，且线路保护上送站控层告警出现问题。

而传统的交叉分析法得到的故障范围如式(17)所示，其将定位范围扩大至间隔交换机及保护板卡故障。

5 结论

针对智能变电站二次回路故障定位传统方法难以处理大量高维数据，深度学习方法可移植性差的问题，本文提出了一种基于图神经网络的智能变电站故障定位方法。首先构建了智能变电站二次回路的图数据库，而后建立了二次设备节点特征的表征方式，作为图神经网络的输入。针对历史数据库信息记录不全，难以快速积累故障样本等问题，利用图数据库生成故障后构建训练集，而后依据图神经网络搭建了故障定位模型，并给出了故障定位框架。

依据不同组网方式下的故障算例结果显示，本文所提出的图神经网络故障定位模型相较于传统机器学习及深度学习的方法更能精准定位故障，并且具有较好的鲁棒性，对今后以图的视角研究和推进智能变电站智能运维具有重要的意义。

本文对告警信号的表征采用的是离散式表征法，今后的研究能否将告警信号的语义信息采用分布式表征法进行表示来提高模型的性能有待进一步研究；另一方面对于二次系统网络本文采用同质图进行建模，如果采用异质图是否是更好的表征模式同样值得进一步研究。

附录

附图1 故障生成流程图

Attached Fig. 1 Fault generation flowchart

附图2 二次回路故障定位的基本框架

Attached Fig. 2 Basic structure of secondary circuit fault location

附表1 故障分类

Attached Table 1 Classes of faults

故障类别故障分类故障类别故障分类 装置本体故障P装置光口(光纤)故障IT-P ITIT-SW MUMC-SW MCMU-SW SWMU-MU 装置接线错误IT-P.ConnectMU-P IT-SW.ConnectP-SW MU-SW.ConnectSW-SW MU-MU.Connect装置配置错误P.Config MU-P.ConnectIT.Config P-SW.ConnectMU.Config P-IT.ConnectMC.Config P-MU.Connect装置板卡故障P.Borad SW-MC.ConnectIT.Borad SW-SW.ConnectMU.Borad

[1] 王同文, 谢民, 孙月琴, 等. 智能变电站继电保护系统可靠性分析[J]. 电力系统保护与控制, 2015, 43(6): 58-66.

WANG Tongwen, XIE Min, SUN Yueqin, et al. Analysis of reliability for relay protection systems in smart substation[J]. Power System Protection and Control, 2015, 43(6): 58-66.

[2] TAVAKOLI M, NAFAR M. Human reliability analysis in maintenance team of power transmission system protection[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 1-13.

[3] 张炜, 梁俊斌, 覃剑. 基于多智能体的变电站机器人巡检远程集控系统[J]. 电力信息与通信技术, 2020, 18(12): 9-16.

ZHANG Wei, LIANG Junbin, QIN Jian. A remote centralized control system of substation robot inspection based on MAS[J]. Electric Power Information and Communication Technology, 2020, 18(12): 9-16.

[4] 朱建斌, 李宝伟, 倪传坤, 等. 一种应用于第三代智能变电站主设备就地模块的研究及开发[J]. 高压电器, 2020, 56(12): 226-234.

ZHU Jianbin, LI Baowei, NI Chuankun, et al. Research and development of a local module applied to the main equipment of the third generation intelligent substation[J]. High Voltage Apparatus, 2020, 56(12): 226-234.

[5] 李书山, 刘宏君, 吴忠福, 等. 智能变电站二次系统可靠性建模及分析[J]. 电测与仪表, 2020, 57(21): 61-69.

LI Shushan, LIU Hongjun, WU Zhongfu, et al. Reliability modeling and analysis of secondary system insmart substation[J]. Electrical Measurement & Instrumentation, 2020, 57(21): 61-69.

[6] 李新海, 徐宝军, 罗其锋, 等. 变电站微环境智能控制系统的研究与应用[J]. 供用电, 2020, 37(11): 75-82.

LI Xinhai, XU Baojun, LUO Qifeng, et al. Research and application of microenvironment intelligent control system in substation[J]. Distribution & Utilization, 2020, 37(11): 75-82.

[7] 蒲天骄, 乔骥, 韩笑, 等. 人工智能技术在电力设备运维检修中的研究及应用[J]. 高电压技术, 2020, 46(2): 369-383.

PU Tianjiao, QIAO Ji, HAN Xiao, et al. Main features and key technologies of digital substation[J]. High Voltage Engineering, 2020, 46(2): 369-383.

[8] 王治民, 陈炯聪, 任雁铭, 等. 网络通信记录分析系统在数字化变电站中的应用[J]. 电力系统自动化, 2010, 34(14): 92-95.

WANG Zhimin, CHEN Jiongcong, REN Yanming, et al. Application of network communication recorder and analyzer in digital substations[J]. Automation of Electric Power Systems, 2010, 34(14): 92-95.

[9] 刘渝根, 陈超, 杨蕊菁, 等. 基于小波相对熵的变电站直流系统接地故障定位方法[J]. 高压电器, 2020, 56(1): 169-174.

LIU Yugen, CHEN Chao, YANG Ruijing, et al. Location method of ground fault in DC system of substation based on waveletrelative entropy[J]. High Voltage Apparatus, 2020, 56(1): 169-174.

[10] 尹相国, 张文, 路致远, 等. 面向智能变电站二次设备的故障诊断方法研究[J]. 电测与仪表, 2020, 57(3): 39-45.

YIN Xiangguo, ZHANG Wen, LU Zhiyuan, et al. Research on fault diagnosis method for secondary equipment of intelligent substation[J]. Electrical Measurement & Instrumentation, 2020, 57(3): 39-45.

[11] 李宽宏. 变电站二次设备防误风险管控系统实现方案[J]. 电力系统自动化, 2020, 44(17): 95-101.

LI Kuanhong. Implementation scheme of risk management and control system for anti-misoperation of secondary devices in substation[J]. Automation of Electric Power Systems, 2020, 44(17): 95-101.

[12] 刘健, 张志华, 王毅钊. 基于电压信息的配电网断线故障定位[J]. 电力系统自动化, 2020, 44(21): 123-131.

LIU Jian, ZHANG Zhihua, WANG Yizhao. Voltage information based line-broken fault location for distribution network[J]. Automation of Electric Power Systems, 2020, 44(21): 123-131.

[13]周红阳, 黄佳胤, 张弛, 等. 基于Petri网的智能变电站GOOSE回路故障诊断[J]. 南方电网技术, 2017, 11(6): 49-56.

ZHOU Hongyang, HUANG Jiayin, ZHANG Chi, et al. Petri net based fault diagnosis for GOOSE circuits of smart substation[J]. Southern Power System Technology, 2017, 11(6): 49-56.

[14]戴志辉, 鲁浩, 刘媛, 等. 基于改进D-S证据理论的智能站保护二次回路故障诊断方法[J]. 电力系统保护与控制, 2020, 48(9): 59-67.

DAI Zhihui, LU Hao, LIU Yuan, et al. A fault diagnosis method for the secondary circuits of protection systems in smart substations based on improved D-S evidence theory[J]. Power System Protection and Control, 2020, 48(9): 59-67.

[15] 高磊, 杨毅, 刘玙, 等. 基于举证表的智能变电站过程层通道故障定位方法[J]. 电力系统自动化, 2015, 39(4): 147-151.

GAO Lei, YANG Yi, LIU Yu, et al. Proof table based fault location method for process level channel in smart substations[J]. Automation of Electric Power Systems, 2015, 39(4): 147-151.

[16] 王洪彬, 徐亨, 童晓阳, 等. 基于结构熵权法与故障树的智能变电站保护系统扰动度在线评估方法[J]. 电网技术, 2019, 43(5): 1772-1787.

WANG Hongbin, XU Heng, TONG Xiaoyang, et al. The online disturbance degree assessment method of protection systems in intelligent substation based on the structure entropy weight method and fault trees[J]. Power System Technology, 2019, 43(5): 1772-1787.

[17]叶远波, 黄太贵, 谢民, 等. 基于多模型融合集成学习的智能变电站二次设备状态评估[J]. 电力系统保护与控制, 2021, 49(12): 148-157.

YE Yuanbo, HUANG Taigui, XIE Min, et al. A state assessment method for intelligent substation secondary equipment based on multi-model ensemble learning[J]. Power System Protection and Control, 2021, 49(12): 148-157.

[18]范卫东, 冯晓伟, 董金星, 等. 基于历史数据语义相似度的智能变电站虚端子自动连接[J]. 电力系统保护与控制, 2020, 48(17): 179-186.

FAN Weidong, FENG Xiaowei, DONG Jinxing, et al. Automatic matching method of a virtual terminal in intelligent substation based on semantic similarity of historical data[J]. Power System Protection and Control, 2020, 48(17): 179-186.

[19]孙宇嫣, 蔡泽祥, 郭采珊, 等. 基于深度学习的智能变电站通信网络故障诊断与定位方法[J]. 电网技术, 2019, 43(12): 4306-4314.

SUN Yuyan, CAI Zexiang, GUO Caishan, et al. Fault diagnosis and positioning for communication network in intelligent substation based on deep learning[J]. Power System Technology, 2019, 43(12): 4306-4314.

[20]杨雯, 尹康涌, 鲍奕宇, 等. 基于深度置信网络的电网故障类型辨识[J]. 电力工程技术, 2021, 40(2): 169-177.

YANG Wen, YIN Kangyong, BAO Yiyu, et al. Fault types identification of power grid based on deep belief network[J]. Electric Power Engineering Technology, 2021, 40(2): 169-177.

[21]钱虹, 郑子彬, 冯裕卿, 等. 基于故障样本的滚动轴承故障诊断置信规则库研究[J]. 电力科学与技术学报, 2020, 35(1): 144-150.

QIAN Hong, ZHENG Zibin, FENG Yuqing, et al. Research of confidence rule base for fault diagnosis of rolling bearing based on faulty sample[J]. Journal of Electric Power Science and Technology, 2020, 35(1): 144-150.

[22]张延旭, 蔡泽祥, 龙翩翩, 等. 智能变电站通信网络实时故障诊断模型与方法[J]. 电网技术, 2016, 40(6): 1851-1857.

ZHANG Yanxu, CAI Zexiang, LONG Pianpian, et al. Real-time fault diagnosing models and method for communication network in smart substation[J]. Power System Technology, 2016, 40(6): 1851-1857.

[23] 李辉, 张孝军, 潘华, 等. 面向智能变电站通信网络可靠性研究[J]. 电力系统保护与控制, 2021, 49(9): 165-171.

LI Hui, ZHANG Xiaojun, PAN Hua, et al. Research on a reliability evaluation method of a communication network for an intelligent substation[J]. Power System Protection and Control, 2021, 49(9): 165-171.

[24]刘玮, 王海柱, 张延旭. 智能变电站过程层网络报文特性分析与通信配置研究[J]. 电力系统保护与控制, 2014, 42(6): 110-115.

LIU Wei, WANG Haizhu, ZHANG Yanxu. Study on message characteristics and communication configuration of process layer network of intelligent substation[J]. Power System Protection and Control, 2014, 42(6): 110-115.

[25]高磊, 杨毅, 苏麟, 等. 智能变电站二次系统物理回路建模方法及设计实现[J]. 电力系统保护与控制, 2016, 44(24): 130-139.

GAO Lei, YANG Yi, SU Lin, et al. A modeling approach and design implementation of secondary system physical circuit for smart substation[J]. Power System Protection and Control, 2016, 44(24): 130-139.

[26] 郝晓光, 耿少博, 任江波, 等. 智能变电站二次电缆回路建模方法研究与应用[J]. 电力科学与技术学报, 2020, 35(4): 161-168.

HAO Xiaoguang, GENG Shaobo, REN Jiangbo, et al. Research and application of modeling method of secondary cable loop in intelligent substation[J]. Journal of Electric Power Science and Technology, 2020, 35(4): 161-168.

[27]席禹, 邹俊雄, 蔡泽祥, 等. 基于报文识别与流量管控的智能变电站保护控制信息安全防护方法[J]. 电网技术, 2017, 41(2): 624-629.

XI Yu, ZOU Junxiong, CAI Zexiang, et al. Information security protection method for smart substation communication network based on message identification and flow control[J]. Power System Technology, 2017, 41(2): 624-629.

[28] SANCHEZ-GONZALEZ, HEESS N, SPRINGENBERG T, et al. Graph networks as learnable physics engines for inference and control[J]. arXiv: 1806.01242, 2018.

[29] FOUT A, BYRD J, SHARIAT B, et al. Protein interface prediction using graph convolutional networks[C] // NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems, December 4, 2017: 6530–6539.

[30] WANG Z, LV Q, LAN X, et al. Cross-lingual knowledge graph alignment via graph convolutional networks[C] // Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, October 30th-November 2nd, 2018, Brussels, Belgium: 349-357.

[31]许鹏程, 林建森, 林缔, 等. 改进严重度模型下计及二次系统影响的电网风险评估[J]. 电力工程技术, 2021, 40(2): 212-219.

XU Pengcheng, LIN Jiansen, LIN Di, et al. Grid risk assessment based on the improved severity model considering the influence of secondary system[J]. Electric Power Engineering Technology, 2021, 40(2): 212-219.

Fault location of secondary circuits in a smart substation based on a graph neural network

ZHANG Chentao1, 2, ZHENG Yongkang1, LU Jiping2, ZHANG Hao3, REN Hui4, YANG Zhi2

(1. State Grid Sichuan Electric Power Co., Ltd. Research Institute, Chengdu 610041, China; 2. State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University), Chongqing 400044, China; 3. Maintenance Branch, State Grid Sichuan Electric Power Co., Ltd., Chengdu 610042, China; 4. Nanjing Branch, China Electric Power Research Institute Co., Ltd., Nanjing 210003, China)

To improve the accuracy and portability of secondary circuit fault location in smart substations, a graph neural network-based smart substation secondary circuit fault location method is proposed. From the substation configuration description file, a graph database is established to obtain the connection relationship between the secondary equipment. Combined with the alarm signal representation of the secondary equipment, a kind of information representation of the secondary equipment node is proposed as the input of the graph neural network. Graph neural network theory is used to establish the fault location model. Taking the secondary circuits of a 220 kV smart substation as a benchmark, using the fault generation model to change the networking mode, a subscription relationship and network configuration is used to generate different secondary circuits faults. The experiment compares the accuracy of the proposed fault location model with other models and the experimental results show that this method has higher fault location accuracy and better robustness.

graph neural network; intelligent substation; secondary circuits; fault location

10.19783/j.cnki.pspc.211042

国家电网公司科技项目资助(5108-202018037A- 0-0-00)；国网四川省电力公司科技项目资助(521997190004)

This work is supported by the Science and Technology Project of State Grid Corporation of China (No. 5108-202018037A-0-0-00).

2021-08-07；

2021-09-24

张宸滔(1997—)，男，硕士研究生，研究方向为智能变电站二次系统故障定位等；E-mail: zhangchentao123@ gmail.com

郑永康(1977—)，男，通信作者，博士，教授级高级工程师，研究方向为电力系统继电保护等。E-mail: zyk555@ 163.com

(编辑 葛艳娜)