本发明属于电力系统保护和控制领域，具体涉及一种基于图神经网络的配电网线路故障诊断方法、系统、设备和介质。
背景技术：
1、电力系统主要由“发、输、变、配、用”五大环节构成，其中，配电网作为衔接电网与用户的中间环节，在保证电力资源分配与供电可靠性中起到关键的作用。在新负荷接入、设备故障或系统扩建等情况下，配电网可能会进行拓扑重构，重新调整电力设备之间的连接关系，确保电力供应的稳定可靠。分布式能源在逐步并网，以降低能源损耗，提高供电可靠性与电网灵活性。
2、当配电网中发生电力故障后，电网管理侧通过及时检测和处理故障信息，定位故障位置并隔离故障区域，以保障其他区域的正常用电。但配电网在发生拓扑重构或分布式电源接入后，故障定位的准确性受到了显著影响。拓扑重构对依赖准确拓扑信息的传统的故障定位方法影响较大，为实现准确的故障定位需要不断更新拓扑数据信息，大大降低了故障定位的实时性和效率。而分布式能源的接入也会增加配电网络的复杂性，一方面可能会给遥信信号带来较大的噪声干扰，另一方面会导致故障数据更加微弱难以被及时检测与上报，增加故障扩散风险并带来额外安全隐患。
3、因此，开展配电网故障诊断研究对于提高配电网在新环境下的运行可靠性和安全性至关重要，亟需开发一种更为准确和适应性强的故障诊断技术，以减少故障导致的停电损失，实现更安全、可靠和高效的电力供应，并支持能源转型和可持续发展。
技术实现思路
1、本发明针对现有技术中的不足，提供一种基于图神经网络的配电网线路故障诊断方法、系统、设备和介质。在发生故障后能通过故障诊断模型快速定位故障区段、明确故障发生的类型与故障所在相别，同时能够对配电网拓扑重构以及有源配电网等情况下发生的配电网线路故障进行更精确的诊断。
2、为实现上述目的，本发明采用以下技术方案：
3、一种基于图神经网络的配电网线路故障诊断方法，包括以下步骤：
4、获取历史量测数据；
5、对历史量测数据预处理以补全缺失值和修正异常值；
6、利用预处理后的历史量测数据、电网拓扑数据、故障状态标签、故障类型标签以及故障相别标签制作故障数据集；
7、构建基于图神经网络的配电网故障诊断模型，所述配电网故障诊断模型包括故障区段定位模型、故障类型辨识模型以及故障相别辨识模型；
8、定义配电网故障诊断模型的参数，包括定义超参数、各模型的损失函数以及故障区段定位模型的判断阈值；利用故障数据集训练配电网故障诊断模型，包括训练故障区段定位模型、训练故障类型辨识模型以及训练故障相别辨识模型；训练配电网故障诊断模型过程中调整超参数，直到各模型的损失函数收敛；训练故障区段定位模型过程中实时调整判断阈值；
9、当发生配电网故障时，将实时量测数据以及电网拓扑数据进行数据预处理后，输入到训练好的配电网故障诊断模型，得到节点故障状态、故障类型以及故障相位，经综合评估后得到故障诊断结果。
10、为优化上述技术方案，采取的具体措施还包括：
11、进一步地，所述历史量测数据包括三相电压数据、三相电流数据、零序电压数据以及零序电流数据。
12、进一步地，所述对历史量测数据预处理的方法包括：通过最近邻插值的方式补全缺失值，以z_score法查找异常值，删除异常值，并以前后两个量测值的平均值修正该异常值，并采用mapstd方法对历史量测数据进行归一化。
13、进一步地，所述制作故障数据集包括：利用电网拓扑数据构建邻接矩阵a，利用历史量测数据建立节点特征矩阵x，获取故障状态标签l1，获取故障类型标签l2以及获取故障相别标签l3；
14、邻接矩阵a用于表征配电网中电力设备间的电气连接关系，以配电网中变压器作为图的节点，变压器间的拓扑连接关系作为图的边，将配电网拓扑结构转换为对应的邻接矩阵a，对于矩阵中的元素aij有：
15、
16、其中m为配电网中变压器的个数；
17、所述节点特征矩阵x由每个节点的三相电压、三相电流、零序电压以及零序电流的幅值构成；对于每个节点有节点特征向量x：
18、x＝[uamax,ubmax,ucmax,iamax,ibmax,icmax,u0max,i0max]
19、其中，uamax表示a相电压的幅值，ubmax表示b相电压的幅值，ucmax表示c相电压的幅值，iamax表示a相电流的幅值，ibmax表示b相电流的幅值，icmax表示c相电流的幅值，u0max表示零序电压的幅值，i0max表示零序电流的幅值；
20、对于节点特征矩阵x有：
21、x＝[x1,x2,...,xn]'
22、其中，n表示一个图的节点个数，xn表示属于节点n的节点特征向量；
23、故障状态标签l1表征每个节点的故障状态，每个节点的故障状态以二进制编码的形式表示，当某区段发生故障时，认为构成发生故障区段的两端节点为故障状态，其余节点为非故障状态，故障状态标签l1表示为：
24、l1＝[l1,l2,...,ln](li＝0或1，i＝1,2,...,n)，
25、其中，n表示节点个数，li表示第i个节点的故障状态；
26、故障类型标签l2包括无故障nl、单相接地短路故障lg、两相短路故障ll、两相接地短路故障llg、三相短路故障3l和三相接地短路故障3lg
27、故障相别标签l3包括无故障np、a相故障a、b相故障b、c相故障c、ab相故障ab、bc相故障bc、ca相故障ca、abc三相故障abc。
28、进一步地，所述故障区段定位模型构建时采用的图神经网络具体为图卷积神经网络，故障区段定位模型用于定位故障发生的具体区段，故障区段定位模型包括依次连接的3层图卷积层、2层全连接层和输出层，在图卷积层之间加入残差连接加快故障区段定位模型的收敛；
29、通过图卷积层提取故障的深层次特征，通过2层全连接层将图卷积层提取的深层次特征映射到最终的输出空间，最后输出层采用sigmoid函数，输出每个节点故障状态的概率值。
30、进一步地，所述故障区段定位模型构建时采用的图神经网络具体为图注意力神经网络，故障区段定位模型用于定位故障发生的具体区段，故障区段定位模型包括依次连接的3层图注意力层、全局平均池化层、全连接层和输出层，在图注意力层间加入残差连接加快故障区段定位模型的收敛；
31、图注意力层采用多头的注意力机制，学习故障的深层次特征，计算得到每个节点不同特征的权重，将第一层图注意力层的输出通过一个全连接层映射至与第三层图注意力层的输出相同的维度，全局平均池化层将加权的特征进行平均池化，得到整体的特征表示，输出层采用sigmoid激活函数，以一维矩阵的形式输出每个节点故障状态的概率值。
32、进一步地，所述故障类型辨识模型和所述故障相别辨识模型构建时采用的图神经网络均为图卷积神经网络；
33、所述故障类型辨识模型和所述故障相别辨识模型均包括依次连接的3层图卷积层、两层全连接层和输出层；故障类型辨识模型与故障相别辨识模型输入的节点特征数据的维度均为8，故障类型辨识模型输出的维度为6，故障相别辨识模型输出的维度为8；故障类型辨识模型与故障相别辨识模型的输出层均采用softmax激活函数；
34、故障类型辨识模型的图卷积层提取故障类型的深层次特征后经过两层全连接层将特征降维至输出维度，最后输出层输出故障类型的概率值；
35、故障相别辨识模型的图卷积层提取故障相别的深层次特征后经过两层全连接层将特征降维至输出维度，最后输出层输出故障相别的概率值。
36、进一步地，所述故障类型辨识模型和所述故障相别辨识模型构建时采用的图神经网络均为图注意力神经网络；故障类型辨识模型和故障相别辨识模型均包括依次连接的2层图注意力层、全局平均池化层、全连接层和输出层；
37、故障类型辨识模型经过图注意力层和全局平均池化层得到整体的特征表示后，全连接层将不同特征之间的关系进行线性组合和非线性变换，将整体的特征展平成一维特征，最后输出层采用softmax激活函数，输出每个节点的故障类型的概率值；
38、故障相别辨识模型经过图注意力层和全局平均池化层得到整体的特征表示后，全连接层将不同特征之间的关系进行线性组合和非线性变换，将整体的特征展平成一维特征，最后输出层采用softmax激活函数，输出每个节点的故障相别的概率值。
39、进一步地，所述故障区段定位模型的判断阈值具体为：
40、判断阈值θ由n个节点判断阈值θ构成，即θ＝[θ1,θ2,...，θn]，θn表示第n个节点的判断阈值，训练故障区段定位模型过程中实时调整判断阈值的过程用公式表达如下：
41、
42、其中，θi[0]表示第i个节点的初始判断阈值，θi[j]表示第i个节点第j次迭代时的判断阈值，fnri[j]表示第i个节点第j次迭代时的漏判率，fpri[j]表示第i个节点第j次迭代时的误判率，p为比重系数，用于调节误判率和漏判率对判断阈值影响的比重；
43、误判率fpr与漏判率fnr的表达式如下：
44、
45、其中，tp表示正样本被正确识别的数量，fp为误报的负样本数量，tn为负样本被正确识别的数量，fn为漏报的正样本数量。
46、进一步地，所述故障区段定位模型的损失函数采用双重差错损失；
47、双重差错损失的表达式如下：
48、
49、其中，lossdf表示双重差错损失，k为样本类别数，(losscs)i为第i类代价敏感损失值，q为调控系数，q∈[0,1]，用于调整误判率与漏判率对损失函数的重要性，fnri表示节点i的漏判率，fpri表示节点i的误判率。
50、进一步地，所述故障类型辨识模型和所述故障相别辨识模型的损失函数采用焦点损失；
51、焦点损失的计算公式为：
52、
53、其中，lossfl表示焦点损失，n表示样本数量，k为样本类别数，tic表示第i个观测样本为第c类的真实值，yic表示第i个观测样本为第c类的预测值，ac用于调节第c类正负样本的权重，g用于调节对难分类样本的惩罚程度。
54、进一步地，所述故障类型辨识模型和所述故障相别辨识模型的损失函数采用代价敏感损失；
55、代价敏感损失的计算公式为：
56、
57、其中，losscs表示代价敏感损失，n表示样本数量，k为样本类别数；tic表示第i个观测样本为第c类的真实值，yic表示第i个观测样本为第c类的预测值，c(i,c)表示属于第i类的样本yi被误分类为第c类的代价。
58、进一步地，训练所述故障区段定位模型具体为：
59、输入故障状态标签l1，故障区段定位模型得到节点故障概率矩阵后，利用判断阈值θ对节点故障概率矩阵中的节点故障概率进行判断，将节点故障概率转换为故障预测标签，将故障预测标签与故障状态标签l1计算双重差错损失，更新故障区段定位模型参数，利用故障状态标签与故障预测标签更新判断阈值θ。
60、进一步地，训练所述故障类型辨识模型和所述故障相别辨识模型具体为：
61、对故障类型标签l2和故障相别标签l3进行onehot编码，经过onehot编码后，单个标签被编码变成一维矩阵，故障类型标签矩阵和故障相别标签矩阵的维度分别为6和8；
62、利用编码后的故障类型标签矩阵与故障类型辨识模型输出的预测概率矩阵计算损失，利用编码后的故障相别标签矩阵与故障相别辨识模型输出的预测概率矩阵计算损失，故障类型辨识模型和故障相别辨识模型进行参数更新，直至模型损失收敛。
63、进一步地，所述经综合评估后得到故障诊断结果具体为：
64、若故障区段定位模型判断线路无故障区段且故障类型辨识模型与故障相别辨识模型均判断为无故障时，故障诊断模型输出结果为线路无故障；
65、若故障区段定位模型定位出故障区段，且故障类型辨识模型判断的故障类型与故障相别辨识模型判断的相别具有对应关系，所述对应关系包括单相接地短路故障时仅能判断出一个故障相，两相短路故障或两相接地短路故障只能判断出两个故障相，以及三相短路故障或三相接地短路故障只能判断出三个故障相；最终故障诊断模型输出发生故障的区段、类型和相别；
66、若故障区段定位模型输出故障区段，但故障类型辨识模型判断的故障类型与故障相别辨识模型判断的相别不对应，则选取新的实时量测数据以及电网拓扑数据重新进行诊断流程。
67、进一步地，所述训练配电网故障诊断模型过程中调整超参数使用的优化器为adam优化器。
68、本发明还提出一种基于图神经网络的配电网线路故障诊断系统，包括：
69、数据采集模块，用于获取历史量测数据；
70、预处理模块，用于对历史量测数据预处理以补全缺失值和修正异常值；
71、故障数据集制作模块，用于利用预处理后的历史量测数据、电网拓扑数据、故障状态标签、故障类型标签以及故障相别标签制作故障数据集；
72、建模模块，用于构建基于图神经网络的配电网故障诊断模型，所述配电网故障诊断模型包括故障区段定位模型、故障类型辨识模型以及故障相别辨识模型；
73、训练模块，用于定义配电网故障诊断模型的参数，包括定义超参数、各模型的损失函数以及故障区段定位模型的判断阈值；利用故障数据集训练配电网故障诊断模型，包括训练故障区段定位模型、训练故障类型辨识模型以及训练故障相别辨识模型；训练配电网故障诊断模型过程中调整超参数，直到各模型的损失函数收敛；训练故障区段定位模型过程中实时调整判断阈值，
74、故障诊断模块，用于当发生配电网故障时，将实时量测数据以及电网拓扑数据进行数据预处理后，输入到训练好的配电网故障诊断模型，得到节点故障状态、故障类型以及故障相位，经综合评估后得到故障诊断结果。
75、为优化上述技术方案，采取的具体措施还包括：
76、进一步地，所述历史量测数据包括三相电压数据、三相电流数据、零序电压数据以及零序电流数据。
77、进一步地，所述对历史量测数据预处理的方法包括：通过最近邻插值的方式补全缺失值，以z_score法查找异常值，删除异常值，并以前后两个量测值的平均值修正该异常值，并采用mapstd方法对历史量测数据进行归一化。
78、进一步地，所述数据采集模块具体为配电变压器监测终端。
79、本发明还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如上所述的基于图神经网络的配电网线路故障诊断方法。
80、本发明还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行如上所述的基于图神经网络的配电网线路故障诊断方法。
81、本发明的有益效果是：1、基于图注意力网络构建故障诊断模型，可以深入挖掘故障数据与故障位置的分布特征，在定位故障区段的同时判断故障发生的类型与相位，形成完整的故障诊断流程，为故障巡检提供多方面的参考，提高故障检修的效率。2、充分考虑正常运行与故障发生的不平衡问题，以及配电网拓扑重构以及有源配电网对故障定位可靠性的影响，提出可靠判断阈值与双重差错损失，有效提高故障诊断模型的准确性和模型的泛化能力。
1.一种基于图神经网络的配电网线路故障诊断方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述历史量测数据包括三相电压数据、三相电流数据、零序电压数据以及零序电流数据。
3.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述对历史量测数据预处理的方法包括：通过最近邻插值的方式补全缺失值，以z_score法查找异常值，删除异常值，并以前后两个量测值的平均值修正该异常值，并采用mapstd方法对历史量测数据进行归一化。
4.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述制作故障数据集包括：利用电网拓扑数据构建邻接矩阵a，利用历史量测数据建立节点特征矩阵x，获取故障状态标签l1，获取故障类型标签l2以及获取故障相别标签l3；
5.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障区段定位模型构建时采用的图神经网络具体为图卷积神经网络，故障区段定位模型用于定位故障发生的具体区段，故障区段定位模型包括依次连接的3层图卷积层、2层全连接层和输出层，在图卷积层之间加入残差连接加快故障区段定位模型的收敛；
6.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障区段定位模型构建时采用的图神经网络具体为图注意力神经网络，故障区段定位模型用于定位故障发生的具体区段，故障区段定位模型包括依次连接的3层图注意力层、全局平均池化层、全连接层和输出层，在图注意力层间加入残差连接加快故障区段定位模型的收敛；
7.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障类型辨识模型和所述故障相别辨识模型构建时采用的图神经网络均为图卷积神经网络；所述故障类型辨识模型和所述故障相别辨识模型均包括依次连接的3层图卷积层、两层全连接层和输出层；故障类型辨识模型与故障相别辨识模型输入的节点特征数据的维度均为8，故障类型辨识模型输出的维度为6，故障相别辨识模型输出的维度为8；故障类型辨识模型与故障相别辨识模型的输出层均采用softmax激活函数；
8.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障类型辨识模型和所述故障相别辨识模型构建时采用的图神经网络均为图注意力神经网络；故障类型辨识模型和故障相别辨识模型均包括依次连接的2层图注意力层、全局平均池化层、全连接层和输出层；
9.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障区段定位模型的判断阈值具体为：
10.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障区段定位模型的损失函数采用双重差错损失；
11.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障类型辨识模型和所述故障相别辨识模型的损失函数采用焦点损失；
12.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述故障类型辨识模型和所述故障相别辨识模型的损失函数采用代价敏感损失；
13.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，训练所述故障区段定位模型具体为：
14.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，训练所述故障类型辨识模型和所述故障相别辨识模型具体为：
15.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述经综合评估后得到故障诊断结果具体为：
16.如权利要求1所述的基于图神经网络的配电网线路故障诊断方法，其特征在于，所述训练配电网故障诊断模型过程中调整超参数使用的优化器为adam优化器。
17.一种基于图神经网络的配电网线路故障诊断系统，其特征在于，包括：
18.如权利要求17所述的基于图神经网络的配电网线路故障诊断系统，其特征在于，所述历史量测数据包括三相电压数据、三相电流数据、零序电压数据以及零序电流数据。
19.如权利要求17所述的基于图神经网络的配电网线路故障诊断系统，其特征在于，所述对历史量测数据预处理的方法包括：通过最近邻插值的方式补全缺失值，以z_score法查找异常值，删除异常值，并以前后两个量测值的平均值修正该异常值，并采用mapstd方法对历史量测数据进行归一化。
20.如权利要求17所述的基于图神经网络的配电网线路故障诊断系统，其特征在于，所述数据采集模块具体为配电变压器监测终端。
21.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现如权利要求1-16任一项所述的基于图神经网络的配电网线路故障诊断方法。
22.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序使计算机执行如权利要求1-16任一项所述的基于图神经网络的配电网线路故障诊断方法。
