CN114910745B 一种基于图卷积神经网络的配电网单相接地故障定位方法 （杭州电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114910745B(45)授权公告日2025.07.11

(21)申请号202210741074.5

(22)申请日2022.06.27

(65)同一申请的已公布的文献号申请公布号CN114910745A

(43)申请公布日2022.08.16

(73)专利权人杭州电子科技大学

地址310018浙江省杭州市下沙高教园区2

号大街

(72)发明人章坚民刘耀珲

(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240

专利代理师杨舟涛

(51)Int.CI.

G01R31/08(2020.01)

GO6N3/0442(2023.01)

GO6N3/0464(2023.01)

GO6N3/047(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN103884966A,2014.06.25CN110244188A,2019.09.17

审查员沈育德

权利要求书2页说明书4页附图4页

(54)发明名称

一种基于图卷积神经网络的配电网单相接地故障定位方法

(57)摘要

CN114910745B本发明公开了一种基于图卷积神经网络的配电网单相接地故障定位方法。该方法包括：通过FTU终端设备采集配电网馈线段不同状态下的负荷节点与边的特征信息，归一化处理后利用单层全连接神经网络将边特征数据转化为与其相连的节点特征数据，然后将所有节点特征数连接成矩阵后输入图卷积神经网络模型，并利用数据采集时的配电网状态作为标签对网络进行训练，以获得最优图卷积神经网络的结构参数。最后基于训练后的定位模型，对变电站各馈线处发生的故障进行搜索定位，从而通过输出的特征数据得到故障所在的具体支路。本发明利用神经网络方法整合配电网故障定位理论，能有效保证城市复

CN114910745B

节点或边的状态数据信息

利用MLP单层全连接神经网络

将所述的边特征数据转化为节

点特征数据，进行预处理

根据图卷积神经网络GCN构

建配电网故障区域定位模型

利用配网线路和节点的二进制故障相量信息和配电网邻接矩

阵作为神经网络的输入进行模型的训练

故障发生，采集终端自动采样

故障数据经图神经网络模型转

换得到配电网的精确定位

非故障状态下的二进制的负荷

CN114910745B权利要求书1/2页

2

1.一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：该方法具体包括以下步骤：

步骤1:利用FTU设备采集配电网上各条支线以及负荷节点的电流、电压信号和断路器数据，作为样本数据，然后根据采集时的配电网状态作为对应的样本标签，制作带标签的数据集；

步骤2:搭建基于图卷积神经网络的配电网单相接地故障定位模型，所述定位模型包括特征转换模块、特征提取模块和特征输出模块；

所述特征转换模块包括单层全连接神经网络，用于将边的电流和断路器特征数据转换为与其相连的负荷节点的特征数据，然后输入特征提取模块；

所述特征提取模块用于将特征转换模块转换后的负荷节点特征数据输入图卷积神经网络中，提取配电网拓扑中每个负荷节点的特征数据；

所述特征输出模块包括一层全连接神经网络和Softmax函数，用于根据特征提取模块输出的特征数据，输出节点接地故障和线路接地故障的特征向量；

步骤3:构建模型优化模块，对步骤1制作的数据集进行归一化操作后，输入对步骤2搭建的定位模型进行优化训练；所述模型优化模块包括Adam优化器、Dropout层和基于LSTM的池化层；其中Dropout层在图卷积神经网络的卷积层之前引入，基于LSTM的池化层在图卷积神经网络的卷积层之后引入；Adam优化器用于定位模型的优化和迭代训练；

步骤4:将状态未知的配电网样本数据输入步骤3优化后的定位模型，获得节点接地故障和线路接地故障的特征向量Y?={yn;},i∈[1,2],其中yn表示节点接地故障状态，yn?表示线段接地故障状态。

2.如权利要求1所述一种基于图卷积神经网络的配电网单相接地故障定位方法，其特征在于：归一化操作如下：

其中，x表示样本的特征向量，x′是标准化之后的特征向量，且x′∈[0,1],max(x)是数据集中的样本最大值，min(x)