基于超分辨率和图神经网络的配电网故障诊断与定位方法

技术特征：
leibler散度损失组成，表达式如下：式中，l表示损失值，y
i
为每个节点i的真实特征数据测量；z
i
为每个节点i的模型输出特征；n为节点数量。4.根据权利要求书1所述的方法，其特征在于，所述步骤(3)具体包括：(3.1)将配电网故障类型与位置标签和步骤(2)得到的故障状态下配电网全节点特征数据估值作为模型训练的输出和输入样本；(3.2)搭建基于图注意力网络的故障诊断与定位模型，用于实现故障诊断和故障节点定位这两个功能；(3.3)利用输入输出样本，分别就故障诊断和不同故障类型下的故障节点定位这两部分内容对模型进行训练；(3.4)将故障状态下的配电网全节点特征数据估值输入训练好的故障诊断与定位模型，进行故障诊断后得到配电网故障类型；(3.5)根据得到的故障类型，将故障状态下的配电网全节点特征数据估值再次输入故障诊断与定位模型，进行相应的故障节点定位，得到配电网故障节点位置。5.根据权利要求4所述方法，其特征在于，所述步骤(3.2)具体包括：(3.2.1)以配电网故障状态下的全节点特征数据估值组成的输入矩阵x与配电网拓扑邻接矩阵a作为所述故障诊断与定位模型的输入，表示为：input＝(x，a)式中，x是由每个节点i的特征估值x
i
组成的f
×
n维矩阵，n为节点数量，f为特征数量；模型的输出标签包含两个部分，分别为故障类型标签yc和故障位置标签yl；(3.2.2)所述故障诊断与定位模型是一个能实现故障诊断和故障节点定位这两个功能的统一模型，各功能单元均由两个图注意力层和一个全连接层组成，仅模型输出维度不同，每个图注意力层的表达式如下：式中，h
′
表示全部节点的图注意力层的输出，表示第i个节点的图注意力层的输出，||表示矩阵拼接；为归一化的注意力系数，由第k个注意机制计算；为相应的权重矩阵；是节点i的全部邻居节点的集合；k是注意机制中头的数量；σ(.)是激活函数leakyrelu；n为节点数量；上述注意力机制为一个由权重向量参数化的单层前馈神经网络，其表达式为：式中，为权重矩阵；softmax(.)为归一化指数函数；exp(.)为e为底的指数函数；表示第i个节点的图注意力层的输出；表示注意力机制网络的权重向量；(3.2.3)全连接层的输出由下式计算获得：
式中，和分别为第1个和第2个图形注意层的第i个节点的特征输出；σ(.)是激活函数；k1和k2分别是第1个和第2个图形注意层中注意机制中头的数量；为第j个节点的特征输入；和分别为第1个和第2个图形注意层的归一化注意力系数；和分别为第1个和第2个图形注意层的权重矩阵，其中f
h
为图注意层的输出维数；z是全连接层的输出；n为节点数量；和为全连接层的权重矩阵和偏置矩阵，其中n
o
为全连接层的输出维数；(3.2.4)所述故障诊断与定位模型将采用监督方式训练，其损失函数采用交叉熵损失，表达式如下：式中，onehot(.)表示独热向量化函数，l为损失值，y
i
为故障类型或位置标签，z
i
为故障诊断和定位模型的输出。

技术总结
本发明涉及配电网故障诊断与定位技术，旨在提供一种基于超分辨率和图神经网络的配电网故障诊断与定位方法。包括：采集配电网中关键节点的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；利用该数据估值再继续使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。本发明将图神经网络应用到配电网故障诊断和定位领域，提高了配电网故障诊断和定位的有效性和准确性，能够提高配电网的运行稳定性和可靠性；本发明将超分辨率技术用于故障诊断定位前的配电网特征重构，有效减少了配电网智能采集设备的部署，大幅降低了配电网的建设成本。电网的建设成本。电网的建设成本。


技术研发人员：彭勇刚 莫浩杰 孙静 韦巍
受保护的技术使用者：浙江大学
技术研发日：2022.04.28
技术公布日：2022/7/22