基于GNN的电网动态特性评估及其知识图谱应用_张晓华.pdf

第51卷 第3期2023 年 3 月华 中 科 技 大 学 学 报（自 然 科 学 版）J.Huazhong Univ.of Sci.&Tech.(Natural Science Edition)Vol.51 No.3Mar.2023基于GNN的电网动态特性评估及其知识图谱应用张晓华1 袁肖赟2 杨红英3 杨延栋4 赛峰4(1国网冀北电力有限公司，北京 100053；2清华大学电子工程系，北京 100876；3中国电力科学研究院有限公司，北京 100192；4国网新疆电力有限公司电力科学研究院，新疆维吾尔自治区 乌鲁木齐 830000)摘要 提出了一种基于图神经网络(GNN)的电网故障检测方法，辅助解决网络运维领域的故障问题通过构建电网特征抽取模型以及知识图谱，将所提出图神经网络应用于电网的故障节点定位；通过引入时间维度信息，将前后时刻的节点状态辅助当前时刻的故障检测；将图神经网络层的各个节点输出特征进行相关性分析，验证图神经网路对节点特征抽取的有效性结果表明：所提出的图神经网络能够有效地定位电网故障节点，在仿真故障场景上获得了99.53%的定位准确率，图神经网路对节点的特征建模可以定性观测节点故障扰动传播情况，对故障节点分析起到了重要辅助作用关键词 电网故障检测；图神经网络；智能故障诊断；故障定位；知识图谱中图分类号 TK391 文献标志码 A 文章编号 1671-4512(2023)03-0047-05Evaluation of dynamic characteristics of power grid based on GNN and application on knowledge graphZHANG Xiaohua1 YUAN Xiaoyun2 YANG Hongying3 YANG Yandong4 SAI Feng4(1State Grid Jibei Electric Power Co.Ltd.，Beijing 100053，China；2Department of Electronic Engineering，Tsinghua University，Beijing 100876，China；3China Electric Power Research Institute，Beijing 100192，China；4State Grid Xinjiang Electric Power Research Institute，Urumqi 830000，China)Abstract A power grid fault detection method based on graph neural network(GNN)was proposed for intelligent fault diagnosis，which can help solve fault problems in the field of network operation and maintenanceThe proposed GNN-based neural network was utilized to locate faulty nodes of the power grid by constructing an electrical feature extraction model and a knowledge graphBy introducing the information in the temporal dimension，the node statuses of the previous and next time instances were used to assist the fault detection for the current time instanceThe correlation analysis was conducted on the output features of each node in the graph neural network layer to verify the effectiveness of the graph neural network for node feature extractionThe experimental results demonstrate that the proposed method can achieve an accuracy of 99.53%in locating the fault nodes on simulated fault scenarios From the feature modeling of the graph neural network，the disturbance propagation of the fault nodes can be qualitatively inspected，which plays an important role to facilitate the fault node analysisKey words fault detection of power grid；graph neural network；intelligent fault diagnosis；fault location；knowledge graph随着电力物联网的不断发展，电力大数据迎来新机遇1；同时，智能配电网建设的蓬勃发展，投资的不断增加，对智能配电网建设质量进行评估已成为一项紧迫的任务2近年来，数据驱动的建模和人工智能算法迅速发展，基于样本学习的配电网评估方式也成为研究DOI：10.13245/j.hust.230330收稿日期 2022-08-03作者简介 张晓华(1963-)，男，高级工程师；杨红英(通信作者)，高级工程师，E-mail：基金项目 国家电网有限公司总部科技项目(5100-202155016A-0-0-00)华 中 科 技 大 学 学 报（自 然 科 学 版）第 51 卷热点调控机构利用人工智能技术模拟人类思维，通过学习海量电网运行数据和运行经验，发现规律、形成知识并指导电网运行，是推动调度控制技术升级的有效途径3目前，电网故障后的处置调度工作主要依赖于调度人员的主观性决策，由调度人员实时分析故障后电网的状态、参数变化情况，查明故障发生的原因并制定相应的故障处置措施4随着电力系统的快速发展，电网结构和运行模式愈加复杂，故障后的处置难度不断提高，依赖于人工经验的传统调度决策机制越来越难以应对复杂大电网的快速故障分析和故障处置5近几十年来，国内外学者提出了一系列故障诊断的方法和思路，主要有 Petri 网、人工神经网络、遗传算法、粗糙集决策、专家系统和数据挖掘等智能方法6电力系统须要借助数据处理对非结构化的故障数据抽取关键性特征，由于电网结构的电气连接属性，可以将电网结构抽象为图结构，借助图神经网络进行辅助判断，当电网故障发生时，帮助调度员快速分析事故原因，全面地掌握故障处理的关键信息，并进行辅助决策，以提高电网的应急处置能力本研究基于图神经网络进行电网节点的故障检测，对电网节点间相关性进行统计分析，对辅助检测的关键特征进行抽取并进行可视化分析，在IEEE 10 机 39 节点系统仿真数据上能实现 99.53%的故障检测准确度1 电网系统基本结构及图神经网络技术介绍 1.1IEEE10机39节点系统基本结构IEEE 10机39节点系统是一个在电力系统领域较为有名的区域性输电系统网络，又称新英格兰39节点系统(new england 39 bus system，NE39BS)，其基本结构如图1所示该基准网络配置于美国新英格兰地区，由39个母线组成，其中包括10个发电机母线和19个负荷母线，广泛应用于小信号稳定性研究、动态稳定分析、电能质量分析与控制等领域本研究基于39节点系统，数据主要来源于39节点系统仿真1.2图神经网络基本概念近年来，深度学习算法发展迅速，并已在众多领域得到了广泛的实践与应用7,14-15依托深度学习技术，图神经网络8-9提取图结构中的拓扑信息、节点相关性等复杂特征，解决了计算机视觉10、知识图谱11等领域的许多相关问题，有着广泛的应用前景3-5图是由顶点集合及顶点间的关系组成的一种数据结构，可表示为Grpah=(V，E)，其中：V表示顶点集合；E表示顶点间关系的集合，通常被称为边集合常见的图结构数据有社交网络、化学分子结构等除此之外，其他形式的数据也可根据结构关系通过一定方法转换成图结构的数据，如图像、文本等图神经网络的概念最早由Gori等7于2005年提出，之后Scarselli等8对该模型进行了更为详细的阐述Gori等7提出的图神经网络借鉴了神经网络领域的研究成果，能够对图结构数据进行处理，利用图结构关系，根据节点及边包含的属性，提取和挖掘图的深层次特征，并利用该特征进行进一步的计算和分析应用图神经网络提取特征时，首先将待处理的数据抽象转换成图结构的数据，令其属性矩阵为Q，并根据节点间的连接关系构建邻接矩阵G构建邻接矩阵时，若为无向图，则边属性中不包含方向信息，节点i和j连接时Gij和Gji值均为1，未连接时均为0；若为有向图，则边属性中包含方向信息，节点i和j连接且由i指向j时，Gij值为 1，Gji值为0，未连接时Gij和Gji值均为0对图神经网络的每一层初始化可训练的权重，对数据进行维度转换，进而提取特征，学习节点间的相关性。其中图神经网络部分的对应公式可抽象表示为Zk+1=f(Zk)，(1)式中：Zk和Zk+1为第k和k+1层的特征矩阵；f为图神经网络层图1IEEE10机39节点系统48第 3 期张晓华，等：基于GNN的电网动态特性评估及其知识图谱应用2 基于图神经网络的电网特征提取 在电网故障检测的相关研究12-13中，可以将电网系统的基本结构抽象为图结构数据应用图神经网络对抽象所得的图结构数据进行特征提取，即可对电网系统中的各节点的状态进行检测，同时还可以利用相似度计算探究节点间的相关性2.1基于图神经网络的节点故障分析网络结构及算法流程2.1.1构建图结构数据对 IEEE10机 39节点系统的状态进行分析时，通常可以将一个母线看作一个节点，母线之间的支路构成节点之间的连边，进而39节点电网系统可被定义为图G，结构见图2IEEE10机39节点系统中，节点属性包括母线幅值、相角，发电机励磁电压、功角、有功功率、无功功率为了引入时间维度的特征，利用相邻时刻的信息辅助对中间时刻状态的预测，设置时间维度的滑窗大小为T个时刻，计算当前时刻与前后各两个时刻的母线幅值、相角的均值和方差，也作为节点的属性，因此该39节点电网系统的图结构数据可表示为Z R39 102.1.2构建邻接矩阵不考虑潮流方向，将IEEE10机39节点系统抽象生成的拓扑图视为无向图根据节点之间的连接关系，构建邻接矩阵G R39 39为G=|01000110100001000000000000000010000039 39(2)2.1.3图神经网络总体架构图神经网络总体架构采用了U型结构，对输入的图结构数据先升维后降维，最终得到的输出特征维度为39 1，其中每个图神经网络层后都通过激活函数进行非线性变换图神经网络层的计算过程可表示为Zk+1=G Zk Wk，(3)式中：Zk和Zk+1为第k和k+1层的属性矩阵；G为邻接矩阵；Wk为第k层的权重矩阵图神经网络总体架构见图32.1.4损失函数对网络的输出应用掩码，屏蔽除15节点外的其他维度数据，并通过Sigmoid函数得到最终预测值利用最终预测值和标签计算损失函数，损失函数采用二分类交叉熵损失(LBCE)，表达式为LBCE=-1Nn=1N ynlogxn+(1-yn)log(1-xn)，(4)式中：N为样本总量；yn为真实值概率，取0或1；xn为预测值概率2.1.5特征域节点相关性分析除了对15节点的状态进行判断，还可以利用网络提取出的特征进行节点间的相关性分析提取网络不同层的输出特征进行余弦相似度分析，与原始数据中节点间的相关性结论进行对比，验证通过图神经网络分析动态特性的有效性假设两个节点之间的特征矩阵分别为A和B，那么它们之间的余弦相似度为S(A，B)=A BAB(5)3 实验分析 3.1评价指标给定某时刻 IEEE10 机 39 节点系统的母线幅值、相角，发电机励磁电压、功角、有功功率、无功功率，通过该组数值对IEEE10机39节点系统15节点的状态进行判断，预测其是否产生故障，评价指标设置为预测的准确率图2IEEE10机39节点系统拓扑结构图3图神经网络总体架构49华 中 科 技 大 学 学 报（自 然 科 学 版）第 51 卷3.2实验数据集与实验设置将IEEE10机39节点系统的发电机参数按照表1设置，定子电阻和定子电抗均设置为0，直轴次暂态电抗和交轴次暂态电抗均设置为0.2，15节点故障处的附加阻抗设置为 0，负荷采用恒功率模型故障发生时刻设置为 0.1 s，分别在 0.70，0.72，0.74，0.76 和 0.78 s 切除故障以得到仿真数据将在0.70，0.72，0.74，0.76和0.78 s切除故障生成的故障态数据标签设置为 1，共 320 个样本将0.74 s切除故障至最终的时间节点的非故障态数据标签设置为0，共927个样本该数据集共1 247个样本将得到的数据集划分为训练集和测试集，具体划分方式为：根据时序关系，每三个时间节点为一组，前两个设置为训练集，后一个设置为测试集其中，训练集共832个样本，测试集共415个样本，比例约为21该数据集中所有样本的拓扑结构是相同的经过参数寻优，模型采用了 5 层图神经网络层，并设置为 U 型结构，每层的输出分别为 12，18，12，6和1，通过先升维后降维的方式学习更深层次的特征，每层的输出都通过ReLU激活函数进行非线性变换设置滑窗大小T为5模型共训练了50个周期，其中学习率设置为0.000 13.3实验结果将数据集输入到图神经网络，利用训练集对该网络进行训练，从曲线可以观察到：随着训练周期增大，损失函数值在不断减小，说明网络参数在不断优化利用测试集对网络性能进行评估，从曲线中可以观察到，随着训练周期增大，准确率在不断增大当训练周期等于45时，损失函数的值基本不变，模型趋于收敛，最终准确率达 99.53%，模型预测性能良好准确率曲线和损失函数曲线见图4除此之外，利用其他各节点的故障数据训练网络，即可预测IEEE10机39节点系统各节点在某一时刻的状态，实时观察系统的整体运行情况，进而尽可能地减少因系统故障带来的损失3.4消融实验为了研究搭建的图卷积网络模型结构是否有效，这里实现了多个网络框架变体，并在数据集上评估各个网络框架变体的性能，进行消融实验表2中给出了各网络框架变体得到的准确率结果表2中A为搭建的网络框架，B为图神经网络每层的输出分别为6，2，1的非U型结构网络，C为图神经网络每层的输出分别为 32，64，32，6，1的U型结构网络由表2可以看出：相较于模型A，由于维度较低，模型B不能够充分地提取数据的特征，准确率很低；模型C虽然与模型A达到了近似的结果，但其参数量更大，计算量也随之变大，模型推理时间长因此这里选取模型A的网络结构3.5节点相关性动态分析3.5.1节点动态特征分析图5(a)为滑窗1-3(包含故障发生时刻)中，采用相轨迹距离分析法，与故障节点(15 节点)相关性(利用式(5)计算)最大的前10个节点，其中颜色的深表1发电机参数设置发电机属性直轴同步电抗交轴同步电抗直轴暂态电抗交轴暂态电抗直轴开路暂态时间常数交轴开路暂态时间常数惯性时间常数10.100 00.0690.031 00.008 010.200.0142.020.295 00.2820.069 70.170 06.561.5030.330.249 50.2370.053 10.087 65.701.5035.840.262 00.2580.436 00.166 05.691.5038.650.670 00.6200.132 00.166 05.400.4436.060.254 00.2410.050 00.081 47.300.4034.870.295 00.2920.049 00.186 05.661.5026.480.290 00.2800.057 00.091 16.700.4124.390.210 60.2050.057 00.058 74.791.9634.5100.200 00.0190.006 00.008 07.000.7050.0图4准确率和损失函数曲线表2网络框架变体的测试结果模型ABC通道数12-18-12-6-16-2-132-64-32-6-1准确率/%99.5374.6499.5150第 3 期张晓华，等：基于GNN的电网动态特性评估及其知识图谱应用度与相关程度呈正相关，颜色越深代表与故障节点的相关度(0-1)越高，为简洁表示，图中已略去节点标号，相关节点标号与图1和图2中一致可以观察到15节点发生故障所产生的影响在时间和空间上都会对其周边节点产生更大的影响，影响的区域也会随着时间进行空间上的转移图神经网络主要包含4层，提取2-4层网络的输出特征进行余弦相似度分析，图 5(b)可以看到网络的特征提取的过程，浅层网络特征聚集于故障节点右侧区域节点，随着网络的加深，网络的特征逐渐向故障节点的左下侧聚集通过分别对39电网节点在时间-空间域和特征域的相关性分析，可以定性观测到节点故障扰动传播情况，对于辅助故障节点定位起到了重要作用利用节点故障的扰动传播规律，就可以在故障发生时进行初步筛选，缩小故障节点的排查范围，提高故障检测及定位的效率后续的研究还可以利用扰动传播的规律在节点特征进入图神经网络前赋予不同的权重，提高网络的检测准确率3.5.2面向故障分析的知识图谱表达电网故障节点检测对电网事故应急工作的高效有序进行有着重要的指导意义利用知识图谱技术对故障信息进行抽取、融合和表示，用于辅助调度人员进行故障检测与处置，可有效提升电网应急处理能力与调度智能化水平针对电网15节点故障，对故障数据进行知识抽取之后，共形成12个节点与 12 个实体间关系将这些三元数组进行存储，可以构建面向故障分析的知识图谱为了辅助故障节点的判断，须要综合借助多个节点的信息根据实验结果，可应用节点的特征相关性、时间相关性以及空间相关性信息进行融合根据15故障节点的实验结果，可选取 8 个节点的信息进行综合判断，提高辅助判断的准确性某些重要节点，如17节点，在特征相关性和空间相关性中与故障节点具有较强的相关度，可以赋予更高的权重进行融合通过将不同母线节点的信息进行综合表达能够对故障节点的特征有更全面的认识，为故障分析提供了更有力的数据支撑4 结论 提出了一种基于图神经网络的电网特征提取模型，并通过IEEE10机39节点系统的仿真数据验证了模型预测故障的有效性；同时，还利用该模型提取出的特征计算电网系统节点之间的相关性，并与传统方法计算的节点相关性进行了对比后续将面向更大规模的IEEE10机39节点系统仿真数据集进行实验，依靠更丰富的数据实现对各节点状态的预测；同时，重点考虑该模型的实际应用场景，不断提高模型迁移到真实数据时的适应能力参 考 文 献1徐慧慧，李德识，王继业，等面向智能电网的天地一体化混合路由算法J电力信息与通信技术，2020，18(5)：13-18(下转第59页)图5节点动态特征分析51第 3 期杨敬钰，等：基于多层级跨模态特征融合的深度图重建算法lin：Springer，2022：685-69425 GU J，XIANG Z，YE Y，et alDenselidar：a real-time pseudo dense depth guided depth completion networkJIEEE Robotics and Automation Letters，2021，6(2)：1808-181526 ZHU Y，DONG W，LI L，et alRobust depth completion with uncertainty-driven loss functionsC/Proceedings of the AAAI Conference on Artificial IntelligenceMenlo Park：AAAI，2022：72-8027 ZHANG Y，WEI P，ZHENG NA multi-cue guidance network for depth completion J Neurocomputing，2021，441(3)：291-29928 HU M，WANG S，LI B，et alPENet：towards precise and efficient image guided depth completionC/Proceedings of the IEEE International Conference on Robotics and Automation Piscataway：IEEE，2021：13656-13662(上接第51页)2卫泽晨，赵凤展，王佳慧，等网格化中低压智能配电网评价指标体系与方法J电网技术，2016，40(1)：249-2553李明节，陶洪铸，许洪强，等电网调控领域人工智能技术框架与应用展望J电网技术，2020，44(2)：393-4004乔骥，王新迎，闵睿，等面向电网调度故障处理的知识图谱框架与关键技术初探J中国电机工程学报，2020，40(18)：5837-58495孙宏斌，黄天恩，郭庆来，等面向调度决策的智能机器调度员研制与应用J电网技术，2020，44(1)：1-86董仕镇电网故障诊断研究方法J广东电力，2009，22(5)：32-367GORI M，MONFARDINI G，SCARSELLI FA new model for learning in graph domainsC/Proc of 2005 IEEE International Joint Conference on Neural NetworksNew York：IEEE，2005：729-7348SCARSELLI F，GORI M，TSOI A C，et al The graph neural network modelJ IEEE Transactions on Neural Networks，2008，20(1)：61-809李晓理，张博，王康，等人工智能的发展及应用J北京工业大学学报，2020，46(6)：583-59010 张晨基于图神经网络的多模态视觉表征技术研究J西安文理学院学报(自然科学版)，2022，25(3)：38-4211 孙水发，李小龙，李伟生，等图神经网络应用于知识图谱推理的研究综述J计算机科学与探索，2023，17(1)：2712 欧阳勇，万豆，高榕，等基于自注意力的 TCN-Transformer的电网单相故障检测方法J微电子学与计算机，2022，39(9)：89-9713 严莉，张凯，徐浩，等基于图注意力机制和Transformer 的 异 常 检 测 J 电 子 学 报，2022，50(4)：900-90814 鲍宇，程硕，王靖涛基于深度学习的化工过程故障检测与诊断研究综述J化学工业与工程，2022，39(2)：9-2215 任浩，屈剑锋，柴毅，等深度学习在故障诊断领域中的研究现状与挑战J控制与决策，2017，32(8)：1345-135859