摘 要：針對傳統(tǒng)故障診斷模式效率低、易遺漏潛在故障點等問題，本文提出基于圖卷積網(wǎng)絡(luò)（Graph Convolutional Networks，GCN）的變電站故障診斷方法，構(gòu)建了基于ChebNet模型的GCN故障診斷系統(tǒng)，采集并分析變電站運行數(shù)據(jù)，對設(shè)備故障進行準確識別與預(yù)測。試驗結(jié)果表明，采用不同預(yù)測時間間隔的模型均表現(xiàn)出色，當間隔為10 s時效果最好。本文方法提高了變電站設(shè)備故障診斷的準確性和效率，為電力系統(tǒng)的安全、穩(wěn)定運行提供了有力保障。

關(guān)鍵詞：變電站；故障診斷；圖卷積網(wǎng)絡(luò)；ChebNet

中圖分類號：TM 63 " " " " " " " " " " " " " 文獻標志碼：A

變電站是電力系統(tǒng)的重要組成部分，其安全、穩(wěn)定運行影響整個電網(wǎng)。變電站設(shè)備眾多，結(jié)構(gòu)復雜，其故障診斷工作存在較大挑戰(zhàn)。傳統(tǒng)模式一般采用人工巡檢，故障診斷、識別完全依靠經(jīng)驗，容易遺漏潛在故障點，不能及時發(fā)現(xiàn)并處理一些隱蔽性較強的故障[1]。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的發(fā)展，故障診斷出現(xiàn)了新模式。應(yīng)用巡檢設(shè)備使運行數(shù)據(jù)的采集過程更加便捷、高效，為故障分析提供數(shù)據(jù)源[2]。運行數(shù)據(jù)規(guī)模較大，因此需要準確識別故障類型。

圖卷積網(wǎng)絡(luò)（Graph Convolutional Network， GCN）是一種新興的深度學習模型[3]，利用圖結(jié)構(gòu)有效捕捉圖中的節(jié)點特征和拓撲關(guān)系，對圖結(jié)構(gòu)數(shù)據(jù)進行挖掘、分析。本文針對變電站故障診斷工作中存在的問題，結(jié)合圖卷積網(wǎng)絡(luò)的優(yōu)勢，構(gòu)建基于圖卷積網(wǎng)絡(luò)的變電站故障診斷分析模型，對設(shè)備運行數(shù)據(jù)進行深度挖掘，對設(shè)備故障進行準確識別、預(yù)測，保障電力系統(tǒng)安全、穩(wěn)定運行。

1 變電站運行數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集是完成故障診斷分析的基礎(chǔ)。變電站運行數(shù)據(jù)采集方式多樣，主要有3種，分別為監(jiān)控與數(shù)據(jù)采集（Supervisory Control And Data Acquisition，SCADA）系統(tǒng)接口、紅外測溫和設(shè)備參數(shù)圖像識別。SCADA系統(tǒng)接口訪問SCADA系統(tǒng)的數(shù)據(jù)接口來獲取數(shù)據(jù)，例如設(shè)備的運行電壓、電流等，紅外測溫技術(shù)采用非接觸式測量方式，能夠快速、準確地獲取設(shè)備的關(guān)鍵部位溫度數(shù)據(jù)。例如安裝在變壓器、斷路器和隔離開關(guān)等處的紅外測溫傳感器可以實時監(jiān)測這些設(shè)備的溫度變化。設(shè)備參數(shù)圖像識別技術(shù)利用巡檢機器人高清攝像頭拍攝設(shè)備外觀運行狀態(tài)圖像，采用圖像識別算法自動提取運行參數(shù)信息，例如油位、壓力指示等，有效避免人工讀取導致的誤差，提高了數(shù)據(jù)采集的準確性和效率。

1.2 數(shù)據(jù)處理

采集的設(shè)備運行數(shù)據(jù)存在噪聲、異常值以及格式不一致等問題，因此需要對數(shù)據(jù)進行處理。檢測原始數(shù)據(jù)的異常值，剔除明顯偏離正常范圍的數(shù)據(jù)點，例如溫度中的極高或極低值。對數(shù)據(jù)進行歸一化處理，將不同量綱特征數(shù)據(jù)轉(zhuǎn)換至同樣的數(shù)值范圍內(nèi)，保證模型訓練的穩(wěn)定性和收斂性，例如將溫度數(shù)據(jù)、壓力數(shù)據(jù)等歸一化至[0，1]。對數(shù)據(jù)進行特征選擇和降維處理，以提取關(guān)鍵特征信息，降低模型訓練的復雜度，減少計算量。

2 基于圖卷積網(wǎng)絡(luò)模型的變電站故障診斷

2.1 圖卷積網(wǎng)絡(luò)模型

圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）是一種適用于圖結(jié)構(gòu)數(shù)據(jù)的深度學習模型，其建立了圖結(jié)構(gòu)中的節(jié)點特征和拓撲關(guān)系。在變電站故障診斷過程中，本文利用GCN構(gòu)建模型，對變電站設(shè)備復雜關(guān)系進行深度挖掘。ChebNet模型[4]利用切比雪夫多項式作為圖卷積的濾波器，例如，在變電站中，變壓器、斷路器等設(shè)備利用電氣連接形成復雜的網(wǎng)絡(luò)結(jié)構(gòu)，ChebNet模型捕捉這些設(shè)備間的電氣連接關(guān)系及其運行狀態(tài)的變化，為故障診斷提供有力支持。ChebNet模型結(jié)構(gòu)如圖1所示。

2.2 構(gòu)建設(shè)備運行狀態(tài)相關(guān)性

變電站設(shè)備之間的運行狀態(tài)存在高度相關(guān)性，為了準確捕捉這種相關(guān)性，筆者利用圖卷積網(wǎng)絡(luò)模型構(gòu)建了設(shè)備運行狀態(tài)相關(guān)性網(wǎng)絡(luò)。將變電站中的設(shè)備作為圖結(jié)構(gòu)中的節(jié)點，設(shè)備間的電氣連接或功能依賴關(guān)系作為邊，節(jié)點的特征向量包括設(shè)備的實時運行參數(shù)（例如電壓、電流和溫度等）。利用圖卷積操作得到自動學習設(shè)備間的狀態(tài)依賴關(guān)系，構(gòu)建設(shè)備狀態(tài)關(guān)聯(lián)網(wǎng)絡(luò)。這種相關(guān)性網(wǎng)絡(luò)不僅反映了設(shè)備間的物理連接，還揭示了其在運行狀態(tài)方面的內(nèi)在聯(lián)系，為故障診斷提供了更為全面的視角。典型的變電站設(shè)備間相關(guān)性描述見表1。

在表1中，設(shè)備A、B、C和D代表變電站內(nèi)的不同設(shè)備，例如變壓器、斷路器、母線以及隔離開關(guān)等。相關(guān)性說明詳細描述了設(shè)備間相關(guān)性的來源和依據(jù)。例如，變壓器一與斷路器一直接相連，其運行狀態(tài)高度相關(guān)；空載變壓器二與其他設(shè)備存在間接聯(lián)系，由于其處于空載狀態(tài)，因此對相關(guān)性的影響較小。

2.3 構(gòu)建圖卷積預(yù)測模型

本文應(yīng)用ChebNet模型構(gòu)建變電站設(shè)備間故障參數(shù)相關(guān)性預(yù)測模型。假設(shè)設(shè)備之間的運行參數(shù)存在相關(guān)性，根據(jù)某次運行參數(shù)的變化來分析這種相關(guān)性。為了更全面地分析，將設(shè)備視為圖結(jié)構(gòu)中的元素，記為G={G "t1 " ，G "t2，...，G "tT}。每個GtN={Vt，Et}都描述了t時刻的設(shè)備拓撲信息，Xit∈RN為某個設(shè)備i在特定時間t的特征Gt={Vt，Et}矩陣，Xit∈RN×N 為在t時刻N個設(shè)備的二維相關(guān)性特征矩陣。將所有二維矩陣堆疊在時間序列中，形成一個三維特征矩陣Xi{t1，t2，t3，...，tT} ∈RT×N×N，其包括所有采集時間點的信息。構(gòu)建一個二維數(shù)組A∈RN×N來表示這些特征之間的關(guān)系，以說明設(shè)備特征之間存在的關(guān)聯(lián)。

2.4 增強型ChebNet預(yù)測模型

針對變電站設(shè)備故障的復雜性，本文設(shè)計了增強型的ChebNet預(yù)測模型。模型在傳統(tǒng)ChebNet的基礎(chǔ)上融入針對故障特征的增強機制。分析歷史故障數(shù)據(jù)，提取當設(shè)備故障時的典型特征模式。將這些特征模式作為先驗知識融入ChebNet模型中，采用特征矩陣變換方式增強模型對故障特征的識別能力。例如，在變壓器故障診斷中，可以重點關(guān)注油溫異常升高、油位下降等特征，增強模型對這些特征的敏感度，提高故障診斷的準確性和及時性。具體操作如下。

ChebNet模型的核心是進行圖卷積操作，模型將X∈RN×N作為初始輸入數(shù)據(jù)，并根據(jù)圖結(jié)構(gòu)G={V，E}進行操作。在這個過程中，模型從二維關(guān)聯(lián)矩陣A∈RN×N中學習權(quán)重，利用學到的權(quán)重來整合和更新相鄰設(shè)備的信息。

矩陣的乘積運算是數(shù)值計算領(lǐng)域中應(yīng)用比較廣泛的代數(shù)工具，該運算進行不同特征矩陣之間的特征轉(zhuǎn)換與維度變換，對數(shù)據(jù)進行映射處理，能夠反映參與運算的數(shù)據(jù)特征。在增強ChebNet模型中，對矩陣進行乘積運算，獲得參與同步運算的相關(guān)性。為預(yù)測當前時間步的數(shù)據(jù)提供支持。在捕捉時間步相關(guān)性方面，采用矩陣乘積運算能夠提升模型的預(yù)測精度。矩陣乘積的計算過程如公式（1）所示。

（1）

式中：pt為t時刻前n個采集的數(shù)據(jù)矩陣的乘積，即在t點采集設(shè)備運行參數(shù)狀態(tài)的矩陣；n為共采集的時間點的數(shù)量；ht為當前時間步。分別讀取上一個時刻的矩陣數(shù)據(jù)，根據(jù)采集的數(shù)據(jù)頻率設(shè)定該數(shù)據(jù)，為5 s、10 s和20 s，一直到t-n時刻，即一個完整的時間周期數(shù)據(jù)，經(jīng)過矩陣乘積，分析這些運行數(shù)據(jù)的相關(guān)性。

當進行設(shè)備故障預(yù)測時，增強ChebNet模型不僅考慮當前時間步t的信息，還綜合考慮前n個時間步的動態(tài)變化情況，能夠全面體現(xiàn)多個時間節(jié)點狀態(tài)的狀態(tài)演變。

2.5 模型訓練

本文在ChebNet圖卷積神經(jīng)網(wǎng)絡(luò)模型中進行400次訓練，不斷調(diào)整參數(shù)來優(yōu)化模型。在訓練過程中將批量值設(shè)為64，學習率設(shè)為0.001。為了提高預(yù)測的準確性，本文采用了二階切比雪夫多項式和Adam算法作為優(yōu)化工具。在優(yōu)化過程中，損失函數(shù)能夠衡量預(yù)測值與真實值之間的差距，模型根據(jù)損失函數(shù)的反饋來指導參數(shù)更新的方向，確定迭代步長，其作用是將損失最小化或達到預(yù)設(shè)的閾值。經(jīng)過這些操作，模型參數(shù)更新，模型整體性能提升。具體來說，本文采用均方損失函數(shù)來評估模型的預(yù)測效果，如公式（2）所示。

（2）

式中：l為均方損失函數(shù)的值，表示模型預(yù)測值與實際值之間的差異程度；n為訓練樣本的總數(shù)，表示用于模型訓練和評估的數(shù)據(jù)點數(shù)量；yi為第i個樣本的真實值，表示實際觀測的故障類型或狀態(tài)；為第i個樣本的預(yù)測值，表示模型對第i個樣本的故障類型或狀態(tài)的預(yù)測結(jié)果。在模型訓練過程中，使用優(yōu)化算法調(diào)整模型參數(shù)，以最小化均方損失函數(shù)的值，提高模型預(yù)測的準確性和穩(wěn)定性。

3 模型試驗

3.1 數(shù)據(jù)集

為了驗證本文模型的有效性和準確性，從某變電站采集2023年1月—2024年5月的某風場330 kV滄海變的部分運行數(shù)據(jù)。數(shù)據(jù)來源于變電站的運行監(jiān)控系統(tǒng)，包括該變電站在這個時間段內(nèi)的所有關(guān)鍵設(shè)備運行數(shù)據(jù)。為了捕捉故障發(fā)生前的細微變化，數(shù)據(jù)采用高頻率采集模式，設(shè)置采集周期為5 s。

試驗共采集38 665條數(shù)據(jù)，包括變電站當正常運行時的數(shù)據(jù)以及當發(fā)生故障時的數(shù)據(jù)。在故障發(fā)生點采集19 655條數(shù)據(jù)，在采集過程中，以30 min為時間窗口，保證模型能夠獲得故障發(fā)生前的持續(xù)的特征變化。為了合理評估模型的性能，將數(shù)據(jù)集劃分為訓練集、測試集和驗證集，比例為7∶2∶1。

3.2 試驗評價指標

本文試驗評價指標為3個，分別為平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）。MAE為預(yù)測值與真實值之間誤差的平均絕對值，RMSE為平均誤差的平方根，MAPE為預(yù)測值與真實值誤差的平均百分比。

3.3 試驗過程

為了驗證基于圖卷積網(wǎng)絡(luò)的變電站故障診斷模型的有效性，本文進行了模型試驗。試驗過程包括數(shù)據(jù)預(yù)處理、模型構(gòu)建、模型訓練以及模型評估等多個階段。

3.4 試驗結(jié)果

為了全面評估基于ChebNet圖卷積網(wǎng)絡(luò)的變電站故障診斷模型的性能，筆者進行詳細的試驗，不同跳步時間的故障預(yù)測結(jié)果的各類指標見表2，這些指標反映了模型預(yù)測的準確性和穩(wěn)定性。

由表2可知，跳步時間有10 s、20 s、30 s和40 s，當跳步時間為10 時，預(yù)測模型的參數(shù)值較好，當跳步時間為20 s、30 s時，2個參數(shù)值MAE、MAPE比較一致，但是指標性一般，當跳步時間為40 s時，MAE、MAPE與RMSE指標較差。

由上文試驗過程可知，當模型的預(yù)測時間為10 s時，模型整體性能較好，預(yù)測準確率最高，因此設(shè)這2個參數(shù)為固定參數(shù)值，用于模型訓練，為變電站設(shè)備故障診斷提供更有價值的參考。

4 模型應(yīng)用效果

本文模型泛化能力較好，除了330 kV變電站外，還能夠應(yīng)用于110 kV、220 kV變電站的故障診斷中。在不改變原有變電站控制系統(tǒng)的基礎(chǔ)上，本文模型動態(tài)分析設(shè)備運行參數(shù)，實時預(yù)測設(shè)備故障，使運維人員能夠及時發(fā)現(xiàn)并處理潛在故障點，避免故障導致的電力中斷情況和安全事故，減輕了變電站日常運維工作負擔。

5 結(jié)語

本文研究GCN網(wǎng)絡(luò)在變電站故障診斷領(lǐng)域的應(yīng)用，構(gòu)建了一種高效、準確的變電站故障診斷分析模型。模型充分利用設(shè)備間的復雜電氣連接關(guān)系，利用圖卷積操作捕捉設(shè)備運行狀態(tài)的相關(guān)性，對變電站故障類型進行精準識別和預(yù)測。試驗結(jié)果表明，模型在多種評價指標中均表現(xiàn)優(yōu)秀，不僅提高了故障診斷的準確性和效率，還可以保障系統(tǒng)安全、穩(wěn)定地運行。未來將研究該模型在電力系統(tǒng)其他領(lǐng)域的應(yīng)用潛力，例如電網(wǎng)狀態(tài)監(jiān)測、負荷預(yù)測等，為推動電力系統(tǒng)的智能化升級和可持續(xù)發(fā)展貢獻更多力量，為構(gòu)建更加安全、高效和環(huán)保的電力網(wǎng)絡(luò)提供有力支持。

參考文獻

[1]賀臻.基于大數(shù)據(jù)的繼電保護智能診斷系統(tǒng)分析[J].集成電路應(yīng)用，2024，41（5）：308-309.

[2]蔣健，劉年，孫超.基于Faster R-CNN圖像處理的變電站異常設(shè)備紅外檢測方法[J].沈陽工業(yè)大學學報，2024，46（2）：157-164.

[3]鐘振茂.基于噪聲和圖卷積神經(jīng)網(wǎng)絡(luò)的電機故障診斷[J].聲學技術(shù)，2024，43（3）：426-431.

[4]金尚柱，郁昇，趙彥，等.基于ChebNet的交通流量預(yù)測研究[J].重慶科技學院學報（自然科學版），2022，24（4）：99-102.