基于图卷积神经网络的电力通信网故障量化计算研究

徐珂航，王民昆，张 磊，王昊宇，谢俊虎

(国家电网公司西南分部，四川 成都 610041)

0 引言

智能电网的构建离不开电力系统通信网络的发展，电力系统通信网络的运行状态直接关系到智能电网系统的安全稳定运行。近年来，随着社会的发展，需要大量的电力能源供应，电力系统愈加庞大，系统架构愈加复杂，导致电力通信网在运行过程中发生的故障愈加频繁。在海量的故障告警信息中提取到关键有用的信息显得愈加困难。目前，针对电力通信网故障的风险评估方法大多基于人工经验，无法准确得到故障对整个系统的影响程度，经常出现误判、漏判，导致无法有力保障电力系统的安全运行[1-2]。因此，针对电力通信网故障风险的定量计算研究受到了研究者们的广泛关注。

近年来，面向电力通信网的故障告警诊断研究受到了专家学者的广泛关注。刘东等[3]构造了具有3层属性的调度信息数据集，并设计了利用知识网络控制推理过程的方法，实现了电力故障诊断的方案。Zhou等[4]提出了基于关联规则挖掘的电力通信网故障诊断方法，可以实现快速推断故障的根本原因。张为金[5]提出了基于机器学习的电力异常数据检测方法，实现了电力通信网告警数据的分析检测。汪崔洋等[6]提出了基于告警信号文本挖掘的电力调度故障诊断，实现了电力通信网络的故障诊断。刘军等[7]基于人工智能技术实现了电力骨干通信网中的告警预测。杜华清等[8]提出了一种基于Spark框架的加权FP-Growth并行电力通信网故障挖掘方法，能快速、准确地完成电力通信网故障诊断。

上述研究中，基于人工智能、机器学习、关联规则和文本挖掘等方法对电力通信网故障诊断进行了研究，取得了大量的成果，为电力通信网故障诊断提供了强有力的支撑。其中，大量电力通信网故障告警研究主要集中在电力通信网的故障定性检测[9-13]。目前，针对通信网络的定量计算研究主要通过构建风险管理模型，同时采用层次分析法对影响节点安全的风险指标进行风险赋值，并通过风险事件发生可能性的定量计算完成威胁风险分析[14-16]。定量计算方法中的安全风险指标赋值通过专家系统经验进行打分，没有反馈调节过程，导致指标打分适应性降低；在指标权重的确定过程中为采用智能手段进行指标权重训练，导致定量计算结果不佳。而对电力通信网故障告警进行定量计算，准确划分故障程度，提高工作人员处理故障的效率，对电力系统安全稳定运行具有十分重要的意义。

本文的主要贡献有以下2点：

① 建立了基于熵权法的自适应反馈专家打分系统，动态计算电力通信网最小单元故障告警库的评价指标权重。

② 提出了一种新型图卷积神经网络，实现节点级和区域级的故障量化计算。

1 电力通信网故障告警危害性评价体系

通过建立电力通信网故障告警危害性评价体系，并引入可以实时反馈干预的专家评估系统，采用专家决策干预的方法处理大规模电力通信网上的故障告警指标信息。

1.1 电力通信网故障告警分类

为了实现对电力通信网络的快速告警收集，阐述对现有故障告警信息[9-13]进行进一步整合分类的方法,给出了不同终端设备故障对网络整体影响的分级，显著降低系统的整体计算量。分级包括2层：在对故障告警的危害性进行评估时，先对告警信息的设备来源进行类别查询，再对每一类故障进行危害性评估。

告警终端视角下的电力系统如图1所示。整个电力系统从发电厂端出发到用户端[17]，电力通信网主要包括骨干通信网和终端通信网，骨干通信网中根据通信网中心层级的不同，共分成4个层级的通信网；终端通信网根据配电压的不同，分成2个层级的通信网[18]。整个电力通信网系统由传输网、交换网、数据网和支撑网等多种专业网络系统组成，包括电网运行控制、电网生产管理和管理信息化等业务。据此，可以将电力通信网故障分为6大类：一级通信网故障、二级通信网故障、三级通信网故障、四级通信网故障、中压通信网故障和低压通信网故障。

图1 告警终端视角下的电力系统

1.2 电力通信网设备故障告警危害性评价矩阵

本文提出了5个对电力通信网设备故障的评价指标，分别是通信设备控制执行器的可靠性、通信数据传输的稳定性、通信设备的可维护性、影响电力传输的安全性和影响电力调度管理的可行性，所有评价指标均满足目前电网安全性评估报告[19]，如图2所示。

图2 电力通信网设备故障评价指标

(1)

式中，元素的取值为0～1，数值越大表示故障对该设备节点评价指标的影响危害性越大。该矩阵为专家评估系统和系统告警信息提供了融合的反馈容器。在实际部署时，针对不同终端分别建立专家反馈锚点，从而形成基于通信设备节点的故障危害性评价系统。

1.3 基于熵权法的自适应反馈专家打分系统

专家打分系统包括对评价矩阵的正向干预和对打分信息的逆向反馈，结构如图3所示。建立的自适应反馈专家打分系统包括4个部分：故障告警危害性打分操作库、评价指标的危害性矩阵、评价指标权重以及反馈参数[20]。

图3 自适应反馈专家打分系统

通信设备节点故障告警危害性打分操作库由专家库和反馈参数φ组成，通过专家库中专家对不同故障告警对设备危害性评价进行评分。同时，在实际应用中，不同时期下对设备的要求会变化，因此为了专家评分系统具有自适应性，加入了反馈参数φ，根据实际工作情况对专家打分进行动态调整，提高专家打分系统的自由度，保障评分的合理性。

通过专家打分操作库中专家及反馈参数对通信节点故障告警危害性进行打分，采用加权平均的方法得到故障告警危害性矩阵Hn=(hij)m×k，其中，hij为第j个指标下第i个节点的危害性值，m为待评故障告警，k为评价指标个数。

首先，计算第j个指标下第i个节点的危害性值的比重qij：

(2)

然后，计算第j个指标的熵值ej：

(3)

其次，计算第j个指标的熵权aj：

(4)

由此，可以得到评价指标权重A。其中，反馈参数φ是通过实际操作人员对故障告警处理的长期记录，来评价不同评价指标的权重，反馈参数φ大于阈值δ时，会将操作人员的评价权重反馈给相应的评分专家，评分专家再根据实际情况进行参数调整。

由于不同设备在电力通信系统中具有不同的重要性，本文同样基于5个评价指标建立设备节点j对通信系统的重要性评价向量Kj：

(5)

2 基于大规模网络区域性嵌入故障告警的智能定量模型

由于电力通信网络节点之间存在拓扑结构，根告警及衍生告警作为一类告警族群，重叠分布在电力通信网中[21]，提出一种全新的可嵌入区域动态权重图卷积神经网络(Embedded-Regional Dynamic Weight Graph Convolutional Network,ERDW-GCN)的告警定量模型，基于前述成果，智能、快速地统筹区域内可观察告警，同时学习专家打分模式自动化定量故障。

2.1 符号表示

给定一个含有N个节点的电力通信网络N=(Z,ε)，其中Z∈N×d表示所有节点的属性，d为每个节点的最小单元告警故障定量计算模型的因素的特征维度，Zi·为Z的第i行，Z·j为Z的第j列，zij为节点i的第j个故障因素(上文已经给出具体意义)。N的度矩阵和邻接矩阵对应为D和A，同时规定其中I是单位矩阵，为对应的度矩阵。L表示N对应的拉普拉斯矩阵，定义为给定一个M层的图卷积神经网络[22]Φ(·)，其层向+1层传递表示为：

Z=σ(h(L)Z+b)，

(6)

式中，d为第层的输出维度；表示该层可训练矩阵；b∈N×dl表示可训练的偏差；σ(·)为激活函数。该GCN的前向传播可以表示为Φ(Z)。

2.2 区域内可训练权重参数

定理1给定一个Φ(·)，若di≡d，则Φ(Concatj(Z·j))=Concatj(Φ(Z·j))。其中，Concat(·)表示按列合并。

证明过程见附录A。定理1给出了GCN训练过程中不同故障因素之间的独立性。为了使GCN在训练过程中给出一个自适应的专家打分，需要额外设置可训练参数约束层间传输时不同因素的权重。具体地，根据定理1，给定一个节点i，一个映射f:→d将节点编号映射到d维赋范特征空间，即f(i)={zi1,zi2,…,zid}。

(7)

式中，ωi∈1×d代表了可训练权重参数，第j项表示为ωi(j)。每次自动评价通过f(i)⊙ωi(i)完成。也就是说，给定本轮训练的目标故障区域将其层向+1层的前向传播改进为：

(8)

式中，⊙表示哈达玛积。此时，改进的GCN已经可以容纳节点粒度的因素控制能力，接下来将所有可训练参数向专家经验收敛。

2.3 参数正则项与模型训练

(9)

进一步地，为了确保打分的可解释性，需要拟合可训练权重参数ωi至专家给出的权重Bi。具体地，在每一轮结束后，添加正则项：

(10)

用来使可训练的权重参数向专家权重收敛。

最后，RDW-GCN的损失函数为：

(11)

RDW-GCN的训练过程如算法1所示。

算法1 RDW-GCNRequire:待检测电力通信网络 ,初始化的RDW-GCNΦ (·)。1:初始化RDW-GCN参数θΦ (·)=Gauss(0,1)2:for训练周期 edo3: 随机选取 ∗α⊂ 4: y∗i←Φ (Z∗i)∥计算当前GCN的输出5: LossθΦ (·)(Z∗i)←∑i∈ ∗αCC(SS(y∗i),Ki) ∗i6: Reg(θΦ (·))←∑dk=1(ωi(k)- ik)7: ∇e←LossΦ (·)(Z∗i)+Reg(Φ (·))8: θΦ (·)←θΦ (·)←∇e∥梯度更新9:end forEnsure:训练好的RDW-GCN权重θΦ (·)。

2.4 区域内故障嵌入量化

目前，RDW-GCN可以根据网络结构，模拟专家统筹区域内故障，实现智能化节点级打分。本节介绍计算区域总故障的方法。RDW-GCN具有汇聚周围节点信息的功能，它可以从全局角度自动化综合节点级别的故障因素至区域级别，从而实现区域内故障量化。

(12)

式中，μi为可训练参数，也就是说，区域内的故障节点的特征因素被嵌入至嵌入空间E～d中。ERDW-GCN的训练过程保证随着网络的扩张，其嵌入位置不会剧烈震动。使用利普希茨连续条件约束嵌入空间的振动[23]。具体地，对于任意和规定满足利普希茨连续条件，即：

也就是说，使用新增邻居节点的度来度量自变量的变化。基于上述条件，构建动态扩张的ERDW-GCN训练方法。对于网络N，ERDW-GCN的训练参数μ∈|N|根据神经网络输出的嵌入坐标的振动幅度动态调整，直到随着网络扩张，ERDW-GCN提供的嵌入坐标变化满足上述利普希茨连续条件[23]。ERDW-GCN在训练和预测过程中冻结了参数中的θΦR(·)，即参数θΦE(·)=μ。ERDW-GCN的训练过程如算法2所示。

算法2 ERDW-GCNRequire:训练好的θΦ (·)。1:初始化ERDW-GCN参数θΦE(·)=Gauss(0,1),随机选取初始化故障区域取 ∗tar⊂ 2: ←ΦE( ∗tar)∥计算初始嵌入位置3:for训练周期edo4: ∗,+tar← ∗tar∪Nab(N∗tar)5: +←ΦE( ∗,+tar)∥嵌入空间的位置6: d← , +ΦE∥嵌入空间的距离7: nd←c∑i( ∗tar)Nab( ∗tar)i8: if dnd≥cthen9: θdirect←θbackΦE(·)-θΦE(·)∥回滚方向10: θdirect←θΦE(·)-γθdirect∥回滚参数11:else12: ∇e←∇θΦE(·)[CC(SS( ),SS( +))]∥梯度计算13: θΦE(·)←θΦE(·)←∇e∥参数更新14: θbackΦE(·)←θΦE(·)∥梯度备份15: ← +∥记录嵌入位置16:end if 10:end forEnsure:训练好的ERDW-GCN权重θΦE(·)。

(13)

2.5 神经网络训练方式及参数细节

神经网络的训练设置为：

(1)参数θΦB(·)和θΦE(·)初始化方法采用在[0,1]区间随机初始化的方法；参数θΦR(·)采用均值为0的正态分布初始化方法。

(2)训练的学习率为0.05，采用随机梯度下降(Stochastic Gradient Descent,SGD)的方法进行反向传播。

(4)神经网络的层数为2，第一层为算法1所规定的RDW-GCN，第二层为算法2所规定的ERDW-GCN，每一轮训练结束后，第一层向第二层传递θΦE(·)。

(5)学习总共轮数为500，经试验判定该轮数可以使式(11)所规定的Loss函数很好地收敛。

(6)第一层所采用的激活函数是Softmax函数，第二层所采用的激活函数是Sigmoid函数。

3 实验分析

本文实验分析所采用的电网故障告警数据取自某省电力调控中心2020年8月13日—2020年9月24日的所有故障报警数据。由于数据量较大，对其中的某个变电站A的通信网故障报警数据进行实验分析，其数据信息如表1所示。同时，将变电站A的故障报警量按8∶2的比例随机划分为训练集和测试集，以验证本文提出的故障告警定量计算研究方法的可行性。

表1 实验数据详细信息

3.1 通信网络节点权重训练的收敛性

在对电力通信网故障进行定量计算前，需要对通信网络节点进行指标评价，根据算法1，通过对定义的通信网络节点进行训练，可以自动准确地得到每个节点的权重指标，将其与专家打分系统进行对比，得到算法对通信节点权重训练的收敛性。

对10个典型的通信网络节点进行权重指标训练，如图4所示。由于本文提出了5个权重指标，图中纵轴为5个指标权重的交叉熵(·)，横轴为迭代次数。可以看出，算法有较好的收敛效果,为电力通信网络故障告警定量计算奠定了基础。

(a)节点1的收敛曲线

3.2 电力通信网故障告警定量计算实例

根据采集到的故障报警数据报文，从报文数据信息定位到具体发生故障的相关站点，并基于已有的算法得到通信网故障报警的根节点和衍生告警节点，将根告警和衍生告警视为一个区域，基于本文提出的RDW-GCN告警定量计算模型，准确计算出区域告警值。

为更直观地解释定量计算模型的工作原理，令某根告警为A，B两类，其衍生告警分别为(A1,A2),(B1,B2,B3)且衍生告警设备节点不全在同一个设备节点中，其中根告警A及其衍生告警涉及2个不同设备s1,s2，根告警B及其衍生告警涉及到3个不同设备s1,s2,s3。根据专家打分系统以及算法1可以得到设备节点故障的危害性评价指标值，如表2所示。

表2 设备节点故障危害性评价指标值

通过上述计算可以看出，本文提出的方法可以精确计算出通信节点设备的告警等级。如ωB所示，其告警值较低，由于复杂的电网通信系统中存在大量的告警信息，根据计算出的告警值，设置一定大小的阈值ε，若计算出的告警值大于ε，系统向管理员可视化展示报警信息；若小于ε，则忽略该报警信息。

为更好体现本文提出方法的效果，将本文提出的方法与目前基于风险管理模型[21]以及基于矩阵法的风险定量计算[22]方法进行对比，如表3所示。由表3可以看出，本文提出方法在权重指标的计算上可实现智能自适应反馈调节，同时可实现节点级和区域级的故障量化计算，更好地为电力通信网故障判断提供依据。

表3 本文提出的方法与其他方法的对比效果

3.3 电力通信网故障告警事务处理效率

该方法不仅能精确地计算出通信节点设备的告警等级，同时在处理告警数据的效率上也有很大的优势，告警事务处理效率对比如图5所示。

图5 告警事务处理效率对比

可以看出，与传统的通过普通滑动窗口和层次分析法来处理告警数据相比，本文提出的方法在处理同样的告警事务量下，消耗的时间最小。

4 结束语

针对电力通信网的故障告警问题，提出了一种基于图卷积神经网络的电力通信网故障量化计算研究方法，通过建立电力通信网故障告警危害性评价模型，并引入可以实时向外呈现并向内干预的专家评估系统，在不引入额外资源需求的情况下对告警故障危害性进行量化评估，建立了基于大规模网络区域性嵌入的故障告警智能定量模型，实现了节点级和区域级的故障量化。实验结果表明，提出的方法可以实现根告警及其衍生告警的告警等级确定以及告警值的定量计算，同时可以提高告警事务的处理效率，提高电力通信网的安全水平。