1、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
2、，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(20
3、23)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，
4、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 sol
5、ve 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
6、 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
7、 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
8、 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
9、：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
10、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
11、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
12、、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，
13、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
14、，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
15、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
16、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
