[发明专利]基于图神经网络的变电站二次回路故障定位方法及系统

权利要求书

1.基于图神经网络的变电站二次回路故障定位方法，其特征在于，包括：

解析智能变电站配置描述文件，将解析结果存入图数据库中，并建立二次设备物理回路与虚回路的对应关系；其中，建立对应关系的具体过程为：S1-1：利用Xpath解析变电站配置描述文件中的节点及属性，并根据父子节点之间的关系提取实体-关系-实体三元组；S1-2：利用PhysConn节点下的Port与Cable属性建立二次设备的物理回路连接；利用ExtRef节点intAddr属性找到输入虚段子节点与端口号，根据daName、doName、ldInst、lnClass、iedName、lnInset、Prefix属性组成的外部虚段子引用路径找到输出虚段子，再根据物理连接关系匹配输出端口至输入端口的完整连接关系，将虚连接内容存储至对应边关系属性中；S1-3：遍历所有二次设备节点及其三度连接关系，得到二次设备物理回路与虚回路关系图G(V,E)，其中V为二次回路图G中所有节点集合，E为连接所有节点的边的集合；

利用历史数据库，以所述图数据库的形式制作训练集，离线训练图神经网络模型；或者，利用故障涌现的方法制作训练集，离线训练图神经网络模型，具体为：S2-1：根据二次设备物理回路与虚回路关系图G(V,E)，将外界影响因素输入二次系统，二次系统根据自身状态和输入的外界因素，产生二次回路故障图G(V_fault,E_fault,X_fault)，其中V_fault为故障时二次设备节点集合，E_fault故障时连接二次设备节点的边的集合，X_fault为故障时二次设备节点特征，经反复采样，获得二次回路故障图数据集G_fault；S2-2：根据二次回路故障图数据集G_fault制作训练集，通过图神经网络模型利用训练集中的节点信息X_fault在故障图中的汇集来表征整个故障图的信息，将故障定位任务定义为图分类任务，图神经网络模型节点信息汇集过程如式(1)所示：式中：h_v^l，h_v^l-1为中心节点l层和l-1层状态，W_l为中心节点权重矩阵，W_r为邻居节点信息权重矩阵，N(v)为节点v的邻居节点集合,σ(·)代表激活函数；

提取并解析二次系统产生的不同告警信号以及网络拓扑信息；

利用所述告警信号找出所有关联故障设备，并对所述告警信号进行预处理，判断所述关联故障设备是否构成连通图，若不构成连通图，则将其拆分为独立的连通图后的拓扑信息及告警信号表征输入训练后的图神经网络模型；其中，对所述告警信号进行预处理，具体包括：S4-1：根据故障信息对二次设备故障断面进行如式(2)所示：式中：表示二次设备运行状态信息，表示报文流量状态信息，表示GOOSE/SV接收状态信息，N表示故障事件总数；所述二次设备运行状态信息包括该故障断面内所有设备的运行状态信息，如式(3)所示：

式中：表示第k个故障设备的告警信号集合，包括装置总告警A、SV/GOOSE告警C及每个端口接收与发送功率告警P_receive,P_deliver，N_P为设备端口数量；所述GOOSE/SV接收状态信息包括信宿设备的报文接收状态信息，所述报文流量状态信息包括交换机流量状态信息，如式(4)所示：

式中：message_n表示第n条报文的接收状态集合，其中包括了所有信宿节点的报文接收状态R_n，如果第a个节点接收到报文，则R_na＝1，否则R_na＝0，表示第m台交换机的流量监测状态集合，其中包括了所有经过该交换机的报文流量状态F_m，如果交换机监测到第b条报文流量过低，F_mb＝1，否则F_mb＝0；S4-2：利用故障断面特征对故障图G中的节点v的故障特征x进行如式(5)所示的表征，式中，N_ET为故障设备种类编号，Encoding为故障设备独热编码，为设备端口特征，R^u为节点v的报文接收状态集合，F^u为节点v的报文流量状态集合，P^u_receivce,P^u_deliver为节点v的端口接收与发送功率状态集合，N_N(v)为节点v的邻居的设备种类编号；

利用所述图神经网络模型预测得到所述关联故障设备的故障种类。