張宸滔，鄭永康，盧繼平，張 豪，任 輝，楊 幟

基于圖神經(jīng)網(wǎng)絡的智能變電站二次回路故障定位研究

張宸滔1,2，鄭永康1，盧繼平2，張 豪3，任 輝4，楊 幟2

(1.國網(wǎng)四川省電力公司電力科學研究院，四川 成都 610041；2.輸配電裝備及系統(tǒng)安全與新技術國家重點實驗室(重慶大學)，重慶 400044；3.國網(wǎng)四川省電力公司檢修公司，四川 成都 610042；4.中國電力科學研究院有限公司南京分院，江蘇 南京 210003)

為提高智能變電站二次回路故障定位的準確率與可移植性，提出了一種基于圖神經(jīng)網(wǎng)絡的智能變電站二次回路故障定位方法。依據(jù)智能變電站配置文件制作圖數(shù)據(jù)庫，得到二次設備之間的連接關系。結合二次設備告警信號表征，提出了一種二次設備節(jié)點的信息表征作為圖神經(jīng)網(wǎng)絡的輸入。利用圖神經(jīng)網(wǎng)絡的理論建立了故障定位模型。以某220 kV智能變電站的二次回路為基準，利用故障圖生成模型改變組網(wǎng)方式、訂閱關系及網(wǎng)絡配置產(chǎn)生不同二次回路故障構成算例。通過實驗比較了所提定位方法與其他模型的準確率，實驗結果表明該方法有較高的定位精度及較好的魯棒性。

圖神經(jīng)網(wǎng)絡；智能變電站；二次回路；故障定位

0 引言

二次設備的安全可靠是智能變電站穩(wěn)定運行的有力保障，利用二次系統(tǒng)中的故障信息對設備的運行狀態(tài)進行判別與預測是智能化運維的基礎[1-6]。

目前智能變電站中各種二次設備故障的原因主要由技術人員依據(jù)故障處理經(jīng)驗及裝置的報文信息輔助判別[6-8]，但由于二次系統(tǒng)網(wǎng)絡復雜且缺乏有效手段分析故障特征之間的關聯(lián)性，難以對故障進行快速定位及分析，故實現(xiàn)二次設備故障的精確定位至關重要[9-12]。

在傳統(tǒng)故障分析方面，文獻[13]提出了基于Petri網(wǎng)模型的面向通用對象變電站(Generic Object Oriented Substation Event, GOOSE)回路故障診斷方法，但是對于復雜的二次系統(tǒng)網(wǎng)絡還需人工搭建模型，這導致了工作量龐大且復雜。文獻[14-15]分別采用舉證表和枚舉法，基于二次系統(tǒng)通信鏈路交叉的特點窮舉出網(wǎng)絡故障的范圍，由于受限于二維表的表示形式，這類方法只能依賴單一的故障特征，無法精確判斷故障出現(xiàn)的具體位置及故障原因。文獻[16]利用故障樹的分析方法建立了二次設備故障與告警信號之間的關聯(lián)，增加了對故障特征的分析，但是對于設備出現(xiàn)關聯(lián)告警信號或在網(wǎng)絡中同時出現(xiàn)大量告警信號的情況依然無法精確分析故障原因。

隨著人工智能技術在電網(wǎng)中的應用，文獻[17]利用融合集成學習的方法進行二次設備狀態(tài)評估，文獻[18]利用語義構建詞向量進行二次回路虛段子連接，在故障定位方面，文獻[19-20]利用深度置信網(wǎng)絡(Deep Belief Network, DBN)對故障狀態(tài)特征進行提取，分別實現(xiàn)了智能變電站通信網(wǎng)絡故障定位及電網(wǎng)故障類型辨識，其相比于傳統(tǒng)故障分析方法準確度和魯棒性更強，但是二次系統(tǒng)的故障往往只涉及某幾個間隔，而深度學習建模需要對整個變電站的二次系統(tǒng)進行訓練，存在樣本難以獲取且模型很難依據(jù)拓撲結構及故障特征進行變化的情況。文獻[21]嘗試融合專家經(jīng)驗與人工智能的方法對故障進行識別，但是其置信度依賴對歷史數(shù)據(jù)的統(tǒng)計分析，在二次回路歷史故障數(shù)據(jù)中相同的故障特征與故障類型映射關系會隨著網(wǎng)絡拓撲而改變，另外征兆閾值和限值的選取需要進行多次修正，不適用于二次回路數(shù)據(jù)大量累積并更新的情況。

綜上所述，當前的故障診斷方法存在以下問題：(1) 二次設備的故障類型眾多，但現(xiàn)有方法利用的故障特征較少且故障特征之間的關聯(lián)性較弱；(2) 針對歷史文本數(shù)據(jù)的特征提取，對故障精確定位幫助較少；(3) 傳統(tǒng)分析方法還依據(jù)網(wǎng)絡拓撲結構，深度學習的方法則放棄了將此因素納入考量，導致故障特征的變化及網(wǎng)絡拓撲結構的改變均會影響模型的準確性。

針對二次系統(tǒng)故障定位存在的以上問題，本文提出基于圖神經(jīng)網(wǎng)絡的故障定位方法，從圖的視角對二次系統(tǒng)進行了研究。首先基于對二次回路故障的分析依據(jù)智能變電站SCD配置文件建立了二次回路，而后在二次回路的故障特征信息的基礎上提出了二次回路故障特征的表征方式。本文利用圖神經(jīng)網(wǎng)絡(Graph neural network)搭建了二次回路故障診斷模型，通過對不同模型的比較及算例分析，證明了圖神經(jīng)網(wǎng)絡能夠更好地提取不同網(wǎng)絡結構下的二次回路故障信息。

1 二次回路故障分析與建模

1.1 二次回路故障分析

二次回路中的元件根據(jù)其功能可分為信源、中繼設備、信宿和連接元件[22-23]。當二次回路中任意設備出現(xiàn)故障時，二次回路通信網(wǎng)絡的潮流分布會發(fā)生改變[24]，同時因設備的運行狀態(tài)及網(wǎng)絡拓撲的改變使得相關設備發(fā)出告警信號。由于當某一設備發(fā)生故障時，二次回路中與之相關聯(lián)的設備均會產(chǎn)生告警信號，造成了二次回路故障定位困難。如圖1所示，線路間隔不同光纖斷鏈，既有可能造成本間隔內(nèi)設備產(chǎn)生告警信號，也有可能造成本間隔外設備產(chǎn)生告警信號，且告警信號往往涵蓋了間隔中的多個設備，因此僅僅根據(jù)設備的告警信息無法精確定位故障。另一方面，由于不同智能變電站的組網(wǎng)方式不同，甚至同一變電站內(nèi)不同電壓等級的間隔組網(wǎng)方式也會變化，這造成了不同設備之間連接關系的變化，改變了運維人員的排查范圍。

圖1 相同間隔內(nèi)發(fā)生故障告警信號范圍示意圖

1.2 二次回路圖數(shù)據(jù)庫的建立

根據(jù)上節(jié)所述，一個完整的二次回路應包含設備種類、設備連接關系、設備報文訂閱關系及設備相關聯(lián)的告警信號等信息。智能變電站配置文件(Substation Configuration Description, SCD)記錄了智能變電站通信網(wǎng)絡配置、智能裝置配置與數(shù)據(jù)對象及屬性等信息，通過建立基于IEC61850的語義化模型對SCD文件的信息進行抽取而后以節(jié)點和邊的形式存儲于neo4j圖數(shù)據(jù)庫中。

在圖數(shù)據(jù)庫中遍歷圖不同IED關聯(lián)的ExtRef節(jié)點可得到不同IED之間的虛段子訂閱關系，對于不同IED之間的物理回路，可通過遍歷不同PhysConn節(jié)點[15]或建立SPCD、SLCD文件[25-26]而后遍歷Port節(jié)點獲得。將虛連接的內(nèi)容以邊屬性的形式存儲至對應物理回路中，最終可得二次回路的物理回路與虛回路對應關系。部分節(jié)點的對應關系如圖2所示，其中棕色代表IED節(jié)點，黃色代表端口節(jié)點，紅色邊代表GOOSE傳輸鏈路，藍色邊代表SV傳輸鏈路。其中某條邊關系的數(shù)據(jù)如表1所示，表示其編號為135 988，開始節(jié)點編號為14 752，結束節(jié)點編號為8 193，邊的連接值為L11號光纖，種類為GOOSE。

圖2 neo4j中存儲的二次回路可視化

在故障發(fā)生時，通過解析GOOSE和MMS報文的MAC-Address、APPID等信息在圖數(shù)據(jù)庫中依據(jù)路徑“IED-AccessPoint-LDevice-LN0-GSEControl”及“SubNetwork-ConnectedAP-GSE”查詢得到報文對應的裝置，同時依據(jù)報文中的FCDA信息結合路徑“IED-Server-LDevice-LN-DataSet-FCDA-DOI”查詢得到告警信號的具體信息，其中某一告警信號節(jié)點屬性值如表2所示，表示其節(jié)點編號為5 689，節(jié)點類別為DOI，節(jié)點屬性中名稱為Alm4，描述為定值自檢出錯。

表1 圖數(shù)據(jù)庫中某關系的存儲格式

表2 圖數(shù)據(jù)庫中某節(jié)點的存儲格式

2 二次回路故障信息表征

當二次回路發(fā)生故障時，設備的告警信號主要有：(1) 信宿通信狀態(tài)告警：如果過程層網(wǎng)絡通信的信宿在指定時間內(nèi)沒有接收到訂閱報文，則判斷為該條報文傳輸異常；(2) 設備運行狀態(tài)告警：設備會監(jiān)測自身運行狀態(tài)及端口的發(fā)送與接收光功率，如果設備自身異常則會產(chǎn)生相應告警，如自檢信息異常，GOOSE/SV斷鏈等，如果端口功率超出或低于設定閾值，則發(fā)出對應光口功率告警；(3) 中繼設備流量監(jiān)測告警[27]：交換機對報文流量進行監(jiān)測，當通信網(wǎng)絡潮流分布變化時，交換機對應端口會發(fā)出低流量告警。二次設備的故障告警信號主要分布在“G1”和“S1”訪問點下的“dsAlarm”、“dsWarning”與“dsComm”數(shù)據(jù)集中。

2.1 二次回路故障信息表征

2.2 故障圖生成模型

由于網(wǎng)絡分析儀存儲空間有限，且在智能變電站實際運維過程中記錄的故障數(shù)據(jù)通常只包含實際故障設備的站控層網(wǎng)絡的告警信號，因此存在故障樣本告警信號缺失的情況，另一方面由于某些設備可靠性較高，積累故障樣本所需時間較長，本文利用構建的圖數(shù)據(jù)庫生成故障樣本。

3 基于圖神經(jīng)網(wǎng)絡的二次回路故障定位模型

3.1 圖神經(jīng)網(wǎng)絡模型

式中：N為樣本數(shù)量；為預測第n個樣本為正例的概率；為第n個樣本的標簽。

3.2 基于圖神經(jīng)網(wǎng)絡的二次回路故障定位框架

基于上述內(nèi)容，本文建立了基于圖神經(jīng)網(wǎng)絡的二次回路故障定位的基本框架，如附圖2所示。

(6) 將得到的故障圖送入已離線訓練好的GNN故障定位模型進行故障定位；

(7) 若得到的定位結果為設備故障，則結合站控層告警信號進一步分析故障原因，否則依據(jù)故障圖返回定位結果，并將定位結果與故障圖存入歷史數(shù)據(jù)庫中。

4 算例分析

4.1 算例簡析

本文根據(jù)某220 kV智能變電站的SCD文件生成圖數(shù)據(jù)庫，為方便不同模型的對比，限定故障范圍為兩個線路間隔、兩個主變間隔及一個母線間隔，通過故障生成模型進行故障采樣，采樣了110 kV、220 kV側不同的組網(wǎng)方式下的二次回路故障。其中故障類型包括不同種類設備自身故障、不同設備之間的光纖及光口故障、不同種類設備板卡故障、不同設備之間光纖連接錯誤、不同設備鏈路配置錯誤等共30種故障類型，具體故障類型見附表1，故障數(shù)量設置為一至三重故障。共采樣了1 078、800、800組單一故障、雙重故障、三重故障數(shù)據(jù)，將三者組合制作為數(shù)據(jù)集，如表3所示。其中，I、II、III分別代表單一故障、雙重故障、三重故障數(shù)據(jù)。

表3 不同故障組成的算例

4.2 模型優(yōu)化細節(jié)及不同模型對比

本文設置了不同的模型深度(1,2,3)，不同的通道維數(shù)(64,128,256,512)，不同的聚合函數(shù)(add, mean,max,GCN)，不同的學習率(0.005～0.02)，不同的訓練批次(32,64,128)，全連接層的層數(shù)(1,2,3)，全連接層維度(64,128,256)，不同的神經(jīng)元丟棄率(0.2～0.8)，以及不同的全局池化(global pooling)函數(shù)(add,mean,max)來搜尋模型的最優(yōu)超參數(shù)。訓練過程中輸出層的閾值設置為0.9，即輸出層的神經(jīng)元大于0.9時對應位置元素為1，否則為0。本文的GNN模型基于Pytorch框架實現(xiàn)，訓練平臺為Tesla T4 GPU。訓練過程中，本文將訓練樣本按照8:1:1的比例分為訓練集、驗證集與測試集，其中模型的超參數(shù)由驗證集確定，其中數(shù)據(jù)集(I+II+III)的最優(yōu)超參數(shù)如表4所示。

表4 數(shù)據(jù)集(I+II+III)的最優(yōu)超參數(shù)

本文設置了支持向量機(SVM)、隨機森林(RF)、全連接神經(jīng)網(wǎng)絡三個基準模型作為對比，SVM和RF的超參數(shù)通過5折交叉驗證決定，全連接神經(jīng)網(wǎng)絡的超參數(shù)由樣本量的10%的驗證集決定。需要注意的是由于每個故障圖數(shù)據(jù)節(jié)點不同，為保持以上模型輸入維數(shù)保持不變，本文將圖樣本中無特征的節(jié)點作全0填充(padding)處理。不同模型在不同數(shù)據(jù)集上的準確率如表5所示。其中對于多重故障的樣本，只有當故障種類全部預測正確時才計算正確率。對于神經(jīng)網(wǎng)絡模型，進行5次實驗后記錄其均值與方差。

表5 不同模型在不同數(shù)據(jù)集上的準確率

從表5中可以看出，GNN模型一直保持著最高的準確率，隨著同一樣本中故障數(shù)量的增加，不同模型的準確率均有不同程度的下降。

4.3 不同干擾下模型的性能分析

表6 不同干擾對模型準確率的影響

從表6中可以看出，GNN模型對于不同干擾準確率下降的幅度更小，魯棒性更高。表7模擬了在訓練數(shù)據(jù)集中加入干擾的情況，更加符合實際，可以看出兩者準確率基本與表6一致，且數(shù)據(jù)干擾對GNN模型的影響同樣小于對DNN的影響。

表7 訓練數(shù)據(jù)帶不同干擾對于模型準確率的影響

4.4 案例分析

為了進一步說明模型的定位效果，本文對模型的定位結果進行舉例說明。

(1) 當直采網(wǎng)跳組網(wǎng)結構中發(fā)生主變間隔合并單元-母線保護裝置光纖鏈路斷鏈及中心交換機與主變間隔交換機相連的光口故障時，受影響的鏈路及告警信號范圍如圖4所示，其中保護裝置無法接收SV報文而產(chǎn)生SV告警、端口接收功率低并同時產(chǎn)生SV總告警信號及裝置總告警信號，合并單元則報裝置閉鎖和合并單元告警總信號，同時由于中心交換機無法接收間隔交換機發(fā)送的報文，由主變間隔至母線間隔的報文傳遞均會產(chǎn)生流量告警，故障圖中的節(jié)點特征如式(10)所示。

圖4 雙重故障發(fā)生時告警信號范圍與受影響的鏈路

當輸出層閾值為0.9時，兩種模型輸出如式(11)和式(12)所示，由于輸出維度較大，式中只展示了輸出值保留兩位小數(shù)后大于0的部分。

從式(11)、式(12)可以看出，在設定閾值為0.9的情況下，GNN模型能夠正確判斷出兩類故障，而DNN模型只能判斷出合并單元-保護裝置光口(光纖)故障，如果調(diào)低閾值則DNN模型可能出現(xiàn)交換機-合并單元光口(光纖)故障的誤判，且會造成模型整體準確率的下降。如果采用傳統(tǒng)的交叉比對法，所得故障范圍如式(13)所示。

由式(13)可見，交叉比對法所定位的故障范圍除了定位到光纖與端口，還將范圍擴大至設備自身，且同時發(fā)生的另一處故障由于舉證值太小而被忽略。

(2) 網(wǎng)采網(wǎng)跳結構中線路保護CPU故障，而站控層無相關告警信號時，受影響的鏈路及告警信號范圍如圖5所示。其中線路智能終端與母線保護無法接收GOOSE報文產(chǎn)生GOOSE斷鏈告警，相關鏈路產(chǎn)生流量告警信息，由此產(chǎn)生的節(jié)點特征如式(14)所示。

圖5 保護告警型號丟失時告警信號范圍與受影響的鏈路

兩種模型的預測結果如式(15)、式(16)所示，GNN模型在告警信號缺失的情況下正確判斷出了故障，而DNN則漏判了故障，在識別出故障類型為保護本體故障后，根據(jù)網(wǎng)絡分析儀對MMS報文的偵測結果可以定位故障為線路保護CPU故障，且線路保護上送站控層告警出現(xiàn)問題。

而傳統(tǒng)的交叉分析法得到的故障范圍如式(17)所示，其將定位范圍擴大至間隔交換機及保護板卡故障。

5 結論

針對智能變電站二次回路故障定位傳統(tǒng)方法難以處理大量高維數(shù)據(jù)，深度學習方法可移植性差的問題，本文提出了一種基于圖神經(jīng)網(wǎng)絡的智能變電站故障定位方法。首先構建了智能變電站二次回路的圖數(shù)據(jù)庫，而后建立了二次設備節(jié)點特征的表征方式，作為圖神經(jīng)網(wǎng)絡的輸入。針對歷史數(shù)據(jù)庫信息記錄不全，難以快速積累故障樣本等問題，利用圖數(shù)據(jù)庫生成故障后構建訓練集，而后依據(jù)圖神經(jīng)網(wǎng)絡搭建了故障定位模型，并給出了故障定位框架。

依據(jù)不同組網(wǎng)方式下的故障算例結果顯示，本文所提出的圖神經(jīng)網(wǎng)絡故障定位模型相較于傳統(tǒng)機器學習及深度學習的方法更能精準定位故障，并且具有較好的魯棒性，對今后以圖的視角研究和推進智能變電站智能運維具有重要的意義。

本文對告警信號的表征采用的是離散式表征法，今后的研究能否將告警信號的語義信息采用分布式表征法進行表示來提高模型的性能有待進一步研究；另一方面對于二次系統(tǒng)網(wǎng)絡本文采用同質(zhì)圖進行建模，如果采用異質(zhì)圖是否是更好的表征模式同樣值得進一步研究。

附錄

附圖1 故障生成流程圖

Attached Fig. 1 Fault generation flowchart

附圖2 二次回路故障定位的基本框架

Attached Fig. 2 Basic structure of secondary circuit fault location

附表1 故障分類

Attached Table 1 Classes of faults

故障類別故障分類故障類別故障分類 裝置本體故障P裝置光口(光纖)故障IT-P ITIT-SW MUMC-SW MCMU-SW SWMU-MU 裝置接線錯誤IT-P.ConnectMU-P IT-SW.ConnectP-SW MU-SW.ConnectSW-SW MU-MU.Connect裝置配置錯誤P.Config MU-P.ConnectIT.Config P-SW.ConnectMU.Config P-IT.ConnectMC.Config P-MU.Connect裝置板卡故障P.Borad SW-MC.ConnectIT.Borad SW-SW.ConnectMU.Borad

[1] 王同文, 謝民, 孫月琴, 等. 智能變電站繼電保護系統(tǒng)可靠性分析[J]. 電力系統(tǒng)保護與控制, 2015, 43(6): 58-66.

WANG Tongwen, XIE Min, SUN Yueqin, et al. Analysis of reliability for relay protection systems in smart substation[J]. Power System Protection and Control, 2015, 43(6): 58-66.

[2] TAVAKOLI M, NAFAR M. Human reliability analysis in maintenance team of power transmission system protection[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 1-13.

[3] 張煒, 梁俊斌, 覃劍. 基于多智能體的變電站機器人巡檢遠程集控系統(tǒng)[J]. 電力信息與通信技術, 2020, 18(12): 9-16.

ZHANG Wei, LIANG Junbin, QIN Jian. A remote centralized control system of substation robot inspection based on MAS[J]. Electric Power Information and Communication Technology, 2020, 18(12): 9-16.

[4] 朱建斌, 李寶偉, 倪傳坤, 等. 一種應用于第三代智能變電站主設備就地模塊的研究及開發(fā)[J]. 高壓電器, 2020, 56(12): 226-234.

ZHU Jianbin, LI Baowei, NI Chuankun, et al. Research and development of a local module applied to the main equipment of the third generation intelligent substation[J]. High Voltage Apparatus, 2020, 56(12): 226-234.

[5] 李書山, 劉宏君, 吳忠福, 等. 智能變電站二次系統(tǒng)可靠性建模及分析[J]. 電測與儀表, 2020, 57(21): 61-69.

LI Shushan, LIU Hongjun, WU Zhongfu, et al. Reliability modeling and analysis of secondary system insmart substation[J]. Electrical Measurement & Instrumentation, 2020, 57(21): 61-69.

[6] 李新海, 徐寶軍, 羅其鋒, 等. 變電站微環(huán)境智能控制系統(tǒng)的研究與應用[J]. 供用電, 2020, 37(11): 75-82.

LI Xinhai, XU Baojun, LUO Qifeng, et al. Research and application of microenvironment intelligent control system in substation[J]. Distribution & Utilization, 2020, 37(11): 75-82.

[7] 蒲天驕, 喬驥, 韓笑, 等. 人工智能技術在電力設備運維檢修中的研究及應用[J]. 高電壓技術, 2020, 46(2): 369-383.

PU Tianjiao, QIAO Ji, HAN Xiao, et al. Main features and key technologies of digital substation[J]. High Voltage Engineering, 2020, 46(2): 369-383.

[8] 王治民, 陳炯聰, 任雁銘, 等. 網(wǎng)絡通信記錄分析系統(tǒng)在數(shù)字化變電站中的應用[J]. 電力系統(tǒng)自動化, 2010, 34(14): 92-95.

WANG Zhimin, CHEN Jiongcong, REN Yanming, et al. Application of network communication recorder and analyzer in digital substations[J]. Automation of Electric Power Systems, 2010, 34(14): 92-95.

[9] 劉渝根, 陳超, 楊蕊菁, 等. 基于小波相對熵的變電站直流系統(tǒng)接地故障定位方法[J]. 高壓電器, 2020, 56(1): 169-174.

LIU Yugen, CHEN Chao, YANG Ruijing, et al. Location method of ground fault in DC system of substation based on waveletrelative entropy[J]. High Voltage Apparatus, 2020, 56(1): 169-174.

[10] 尹相國, 張文, 路致遠, 等. 面向智能變電站二次設備的故障診斷方法研究[J]. 電測與儀表, 2020, 57(3): 39-45.

YIN Xiangguo, ZHANG Wen, LU Zhiyuan, et al. Research on fault diagnosis method for secondary equipment of intelligent substation[J]. Electrical Measurement & Instrumentation, 2020, 57(3): 39-45.

[11] 李寬宏. 變電站二次設備防誤風險管控系統(tǒng)實現(xiàn)方案[J]. 電力系統(tǒng)自動化, 2020, 44(17): 95-101.

LI Kuanhong. Implementation scheme of risk management and control system for anti-misoperation of secondary devices in substation[J]. Automation of Electric Power Systems, 2020, 44(17): 95-101.

[12] 劉健, 張志華, 王毅釗. 基于電壓信息的配電網(wǎng)斷線故障定位[J]. 電力系統(tǒng)自動化, 2020, 44(21): 123-131.

LIU Jian, ZHANG Zhihua, WANG Yizhao. Voltage information based line-broken fault location for distribution network[J]. Automation of Electric Power Systems, 2020, 44(21): 123-131.

[13]周紅陽, 黃佳胤, 張弛, 等. 基于Petri網(wǎng)的智能變電站GOOSE回路故障診斷[J]. 南方電網(wǎng)技術, 2017, 11(6): 49-56.

ZHOU Hongyang, HUANG Jiayin, ZHANG Chi, et al. Petri net based fault diagnosis for GOOSE circuits of smart substation[J]. Southern Power System Technology, 2017, 11(6): 49-56.

[14]戴志輝, 魯浩, 劉媛, 等. 基于改進D-S證據(jù)理論的智能站保護二次回路故障診斷方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(9): 59-67.

DAI Zhihui, LU Hao, LIU Yuan, et al. A fault diagnosis method for the secondary circuits of protection systems in smart substations based on improved D-S evidence theory[J]. Power System Protection and Control, 2020, 48(9): 59-67.

[15] 高磊, 楊毅, 劉玙, 等. 基于舉證表的智能變電站過程層通道故障定位方法[J]. 電力系統(tǒng)自動化, 2015, 39(4): 147-151.

GAO Lei, YANG Yi, LIU Yu, et al. Proof table based fault location method for process level channel in smart substations[J]. Automation of Electric Power Systems, 2015, 39(4): 147-151.

[16] 王洪彬, 徐亨, 童曉陽, 等. 基于結構熵權法與故障樹的智能變電站保護系統(tǒng)擾動度在線評估方法[J]. 電網(wǎng)技術, 2019, 43(5): 1772-1787.

WANG Hongbin, XU Heng, TONG Xiaoyang, et al. The online disturbance degree assessment method of protection systems in intelligent substation based on the structure entropy weight method and fault trees[J]. Power System Technology, 2019, 43(5): 1772-1787.

[17]葉遠波, 黃太貴, 謝民, 等. 基于多模型融合集成學習的智能變電站二次設備狀態(tài)評估[J]. 電力系統(tǒng)保護與控制, 2021, 49(12): 148-157.

YE Yuanbo, HUANG Taigui, XIE Min, et al. A state assessment method for intelligent substation secondary equipment based on multi-model ensemble learning[J]. Power System Protection and Control, 2021, 49(12): 148-157.

[18]范衛(wèi)東, 馮曉偉, 董金星, 等. 基于歷史數(shù)據(jù)語義相似度的智能變電站虛端子自動連接[J]. 電力系統(tǒng)保護與控制, 2020, 48(17): 179-186.

FAN Weidong, FENG Xiaowei, DONG Jinxing, et al. Automatic matching method of a virtual terminal in intelligent substation based on semantic similarity of historical data[J]. Power System Protection and Control, 2020, 48(17): 179-186.

[19]孫宇嫣, 蔡澤祥, 郭采珊, 等. 基于深度學習的智能變電站通信網(wǎng)絡故障診斷與定位方法[J]. 電網(wǎng)技術, 2019, 43(12): 4306-4314.

SUN Yuyan, CAI Zexiang, GUO Caishan, et al. Fault diagnosis and positioning for communication network in intelligent substation based on deep learning[J]. Power System Technology, 2019, 43(12): 4306-4314.

[20]楊雯, 尹康涌, 鮑奕宇, 等. 基于深度置信網(wǎng)絡的電網(wǎng)故障類型辨識[J]. 電力工程技術, 2021, 40(2): 169-177.

YANG Wen, YIN Kangyong, BAO Yiyu, et al. Fault types identification of power grid based on deep belief network[J]. Electric Power Engineering Technology, 2021, 40(2): 169-177.

[21]錢虹, 鄭子彬, 馮裕卿, 等. 基于故障樣本的滾動軸承故障診斷置信規(guī)則庫研究[J]. 電力科學與技術學報, 2020, 35(1): 144-150.

QIAN Hong, ZHENG Zibin, FENG Yuqing, et al. Research of confidence rule base for fault diagnosis of rolling bearing based on faulty sample[J]. Journal of Electric Power Science and Technology, 2020, 35(1): 144-150.

[22]張延旭, 蔡澤祥, 龍翩翩, 等. 智能變電站通信網(wǎng)絡實時故障診斷模型與方法[J]. 電網(wǎng)技術, 2016, 40(6): 1851-1857.

ZHANG Yanxu, CAI Zexiang, LONG Pianpian, et al. Real-time fault diagnosing models and method for communication network in smart substation[J]. Power System Technology, 2016, 40(6): 1851-1857.

[23] 李輝, 張孝軍, 潘華, 等. 面向智能變電站通信網(wǎng)絡可靠性研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(9): 165-171.

LI Hui, ZHANG Xiaojun, PAN Hua, et al. Research on a reliability evaluation method of a communication network for an intelligent substation[J]. Power System Protection and Control, 2021, 49(9): 165-171.

[24]劉瑋, 王海柱, 張延旭. 智能變電站過程層網(wǎng)絡報文特性分析與通信配置研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(6): 110-115.

LIU Wei, WANG Haizhu, ZHANG Yanxu. Study on message characteristics and communication configuration of process layer network of intelligent substation[J]. Power System Protection and Control, 2014, 42(6): 110-115.

[25]高磊, 楊毅, 蘇麟, 等. 智能變電站二次系統(tǒng)物理回路建模方法及設計實現(xiàn)[J]. 電力系統(tǒng)保護與控制, 2016, 44(24): 130-139.

GAO Lei, YANG Yi, SU Lin, et al. A modeling approach and design implementation of secondary system physical circuit for smart substation[J]. Power System Protection and Control, 2016, 44(24): 130-139.

[26] 郝曉光, 耿少博, 任江波, 等. 智能變電站二次電纜回路建模方法研究與應用[J]. 電力科學與技術學報, 2020, 35(4): 161-168.

HAO Xiaoguang, GENG Shaobo, REN Jiangbo, et al. Research and application of modeling method of secondary cable loop in intelligent substation[J]. Journal of Electric Power Science and Technology, 2020, 35(4): 161-168.

[27]席禹, 鄒俊雄, 蔡澤祥, 等. 基于報文識別與流量管控的智能變電站保護控制信息安全防護方法[J]. 電網(wǎng)技術, 2017, 41(2): 624-629.

XI Yu, ZOU Junxiong, CAI Zexiang, et al. Information security protection method for smart substation communication network based on message identification and flow control[J]. Power System Technology, 2017, 41(2): 624-629.

[28] SANCHEZ-GONZALEZ, HEESS N, SPRINGENBERG T, et al. Graph networks as learnable physics engines for inference and control[J]. arXiv: 1806.01242, 2018.

[29] FOUT A, BYRD J, SHARIAT B, et al. Protein interface prediction using graph convolutional networks[C] // NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems, December 4, 2017: 6530–6539.

[30] WANG Z, LV Q, LAN X, et al. Cross-lingual knowledge graph alignment via graph convolutional networks[C] // Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, October 30th-November 2nd, 2018, Brussels, Belgium: 349-357.

[31]許鵬程, 林建森, 林締, 等. 改進嚴重度模型下計及二次系統(tǒng)影響的電網(wǎng)風險評估[J]. 電力工程技術, 2021, 40(2): 212-219.

XU Pengcheng, LIN Jiansen, LIN Di, et al. Grid risk assessment based on the improved severity model considering the influence of secondary system[J]. Electric Power Engineering Technology, 2021, 40(2): 212-219.

Fault location of secondary circuits in a smart substation based on a graph neural network

ZHANG Chentao1, 2, ZHENG Yongkang1, LU Jiping2, ZHANG Hao3, REN Hui4, YANG Zhi2

(1. State Grid Sichuan Electric Power Co., Ltd. Research Institute, Chengdu 610041, China; 2. State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University), Chongqing 400044, China; 3. Maintenance Branch, State Grid Sichuan Electric Power Co., Ltd., Chengdu 610042, China; 4. Nanjing Branch, China Electric Power Research Institute Co., Ltd., Nanjing 210003, China)

To improve the accuracy and portability of secondary circuit fault location in smart substations, a graph neural network-based smart substation secondary circuit fault location method is proposed. From the substation configuration description file, a graph database is established to obtain the connection relationship between the secondary equipment. Combined with the alarm signal representation of the secondary equipment, a kind of information representation of the secondary equipment node is proposed as the input of the graph neural network. Graph neural network theory is used to establish the fault location model. Taking the secondary circuits of a 220 kV smart substation as a benchmark, using the fault generation model to change the networking mode, a subscription relationship and network configuration is used to generate different secondary circuits faults. The experiment compares the accuracy of the proposed fault location model with other models and the experimental results show that this method has higher fault location accuracy and better robustness.

graph neural network; intelligent substation; secondary circuits; fault location

10.19783/j.cnki.pspc.211042

國家電網(wǎng)公司科技項目資助(5108-202018037A- 0-0-00)；國網(wǎng)四川省電力公司科技項目資助(521997190004)

This work is supported by the Science and Technology Project of State Grid Corporation of China (No. 5108-202018037A-0-0-00).

2021-08-07；

2021-09-24

張宸滔(1997—)，男，碩士研究生，研究方向為智能變電站二次系統(tǒng)故障定位等；E-mail: zhangchentao123@ gmail.com

鄭永康(1977—)，男，通信作者，博士，教授級高級工程師，研究方向為電力系統(tǒng)繼電保護等。E-mail: zyk555@ 163.com

(編輯 葛艷娜)