CN114779015B 基于超分辨率和图神经网络的配电网故障诊断与定位方法 （浙江大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114779015B(45)授权公告日2025.07.08

(21)申请号202210479365.1

(22)申请日2022.04.28

(65)同一申请的已公布的文献号申请公布号CN114779015A

(43)申请公布日2022.07.22

(73)专利权人浙江大学

地址310058浙江省杭州市西湖区余杭塘

路866号

GO6N3/0464(2023.01)

GO6N3/048(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN113283027A,2021.08.20CN113709779A,2021.11.26审查员周立新

(72)发明人彭勇刚莫浩杰孙静韦巍

(74)专利代理机构杭州中成专利事务所有限公司33212

专利代理师周世骏

(51)Int.CI.

G01R31/08(2020.01)

GO6N3/042(2023.01)权利要求书3页说明书6页附图2页

(54)发明名称

基于超分辨率和图神经网络的配电网故障诊断与定位方法

(57)摘要

CN114779015B本发明涉及配电网故障诊断与定位技术，旨在提供一种基于超分辨率和图神经网络的配电网故障诊断与定位方法。包括：采集配电网中关键节点的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；利用该数据估值再继续使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。本发明将图神经网络应用到配电网故障诊断和定位领域，提高了配电网故障诊断和定位的有效性和准确性，能够提高配电网的运行稳定性和可靠性；本发明将超分辨率技术用于故障诊断定位前的配电网特征重构，有效减

CN114779015B

的节点

的节点的节点

配电网故障特征采集

基于图注意力网

络的配电网故障

诊断与定位

基于超分辨率技

术的配电网故障

特征重构

Q有μPMU无uMu0

CN114779015B权利要求书1/3页

2

1.一种基于超分辨率和图神经网络的配电网故障诊断与定位方法，其特征在于，包括以下步骤：

(1)基于微型相量测量装置采集配电网中关键节点的故障特征数据；所述关键节点是指直接与外部电网和分布式电源连接的节点，或者是与至少三个其他节点直接相连的节点；

(2)基于采集到的故障特征数据，使用基于图卷积网络的超分辨率模型对整个配电网全部节点数据进行重构，得到故障状态下的配电网全节点特征数据估值；

(3)基于故障状态下的配电网全节点特征数据估值，使用基于图注意力网络的故障诊断与定位模型得到配电网故障类型与故障节点位置。

2.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：

(2.1)获取配电网故障状态下的关键节点和全节点的特征数据，作为超分辨率模型训练的输入输出样本；

(2.2)搭建基于图卷积网络的超分辨率模型；

(2.3)使用梯度下降算法迭代训练模型，直到损失收敛；

(2.4)将配电网故障状态下的关键节点信息输入训练好的模型，得到配电网的全节点特征数据估值。

3.根据权利要求2所述方法，其特征在于，所述步骤(2.2)具体包括：

(2.2.1)以包含配电网关键节点特征信息的输入矩阵X与配电网拓扑邻接矩阵A作为所述超分辨率模型的输入，表示为：

Input=(X,A)

式中，X是由每个节点i的特征x;组成的N×F维矩阵，N为节点数量，F为特征数量，其中关键节点的特征x;由真实的测量数据填充，非关键节点的特征x;由与其最接近的关键节点的特征填充；

超分辨率模型的输出标签为N×F维矩阵Y,由每个节点i的真实特征数据测量y;组成；

(2.2.2)超分辨率模型由两个图卷积层和一个全连接层组成，每个图卷积层的表达式如下：

式中，H(1+1)和H(1)表示第1+1和第1个图卷积层的输出；W1)为权重矩阵且W)∈R×E,其中F?为图卷积层输出维数；A为配电网拓扑的邻接矩阵；A=A+I,I是单位矩阵；D是A的度矩阵；σ(.)是激活函数；

定义,则全连接层的输出表示为：

Z?=w?s(Ao(AXw①)w②)+