摘 要：針對(duì)傳統(tǒng)故障診斷模式效率低、易遺漏潛在故障點(diǎn)等問(wèn)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(yùn)行數(shù)據(jù)，對(duì)設(shè)備故障進(jìn)行準(zhǔn)確識(shí)別與預(yù)測(cè)。試驗(yàn)結(jié)果表明，采用不同預(yù)測(cè)時(shí)間間隔的模型均表現(xiàn)出色，當(dāng)間隔為10 s時(shí)效果最好。本文方法提高了變電站設(shè)備故障診斷的準(zhǔn)確性和效率，為電力系統(tǒng)的安全、穩(wěn)定運(yùn)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(lèi)號(hào)：TM 63 " " " " " " " " " " " " " 文獻(xiàn)標(biāo)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(yùn)行影響整個(gè)電網(wǎng)。變電站設(shè)備眾多，結(jié)構(gòu)復(fù)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(shí)別完全依靠經(jīng)驗(yàn)，容易遺漏潛在故障點(diǎn)，不能及時(shí)發(fā)現(xiàn)并處理一些隱蔽性較強(qiáng)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(yùn)行數(shù)據(jù)的采集過(guò)程更加便捷、高效，為故障分析提供數(shù)據(jù)源[2]。運(yùn)行數(shù)據(jù)規(guī)模較大，因此需要準(zhǔn)確識(shí)別故障類(lèi)型。

圖卷積網(wǎng)絡(luò)（Graph Convolutional Network， GCN）是一種新興的深度學(xué)習(xí)模型[3]，利用圖結(jié)構(gòu)有效捕捉圖中的節(jié)點(diǎn)特征和拓?fù)潢P(guān)系，對(duì)圖結(jié)構(gòu)數(shù)據(jù)進(jìn)行挖掘、分析。本文針對(duì)變電站故障診斷工作中存在的問(wèn)題，結(jié)合圖卷積網(wǎng)絡(luò)的優(yōu)勢(shì)，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(duì)設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行深度挖掘，對(duì)設(shè)備故障進(jìn)行準(zhǔn)確識(shí)別、預(yù)測(cè)，保障電力系統(tǒng)安全、穩(wěn)定運(yùn)行。

1 變電站運(yùn)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(yùn)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(cè)溫和設(shè)備參數(shù)圖像識(shí)別。SCADA系統(tǒng)接口訪問(wèn)SCADA系統(tǒng)的數(shù)據(jù)接口來(lái)獲取數(shù)據(jù)，例如設(shè)備的運(yùn)行電壓、電流等，紅外測(cè)溫技術(shù)采用非接觸式測(cè)量方式，能夠快速、準(zhǔn)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(kāi)關(guān)等處的紅外測(cè)溫傳感器可以實(shí)時(shí)監(jiān)測(cè)這些設(shè)備的溫度變化。設(shè)備參數(shù)圖像識(shí)別技術(shù)利用巡檢機(jī)器人高清攝像頭拍攝設(shè)備外觀運(yùn)行狀態(tài)圖像，采用圖像識(shí)別算法自動(dòng)提取運(yùn)行參數(shù)信息，例如油位、壓力指示等，有效避免人工讀取導(dǎo)致的誤差，提高了數(shù)據(jù)采集的準(zhǔn)確性和效率。

1.2 數(shù)據(jù)處理

采集的設(shè)備運(yùn)行數(shù)據(jù)存在噪聲、異常值以及格式不一致等問(wèn)題，因此需要對(duì)數(shù)據(jù)進(jìn)行處理。檢測(cè)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(diǎn)，例如溫度中的極高或極低值。對(duì)數(shù)據(jù)進(jìn)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(xùn)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(duì)數(shù)據(jù)進(jìn)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(xùn)練的復(fù)雜度，減少計(jì)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(xué)習(xí)模型，其建立了圖結(jié)構(gòu)中的節(jié)點(diǎn)特征和拓?fù)潢P(guān)系。在變電站故障診斷過(guò)程中，本文利用GCN構(gòu)建模型，對(duì)變電站設(shè)備復(fù)雜關(guān)系進(jìn)行深度挖掘。ChebNet模型[4]利用切比雪夫多項(xiàng)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(fù)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(yùn)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(yùn)行狀態(tài)相關(guān)性

變電站設(shè)備之間的運(yùn)行狀態(tài)存在高度相關(guān)性，為了準(zhǔn)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(yùn)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(diǎn)，設(shè)備間的電氣連接或功能依賴關(guān)系作為邊，節(jié)點(diǎn)的特征向量包括設(shè)備的實(shí)時(shí)運(yùn)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(dòng)學(xué)習(xí)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(yùn)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(jiàn)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(kāi)關(guān)等。相關(guān)性說(shuō)明詳細(xì)描述了設(shè)備間相關(guān)性的來(lái)源和依據(jù)。例如，變壓器一與斷路器一直接相連，其運(yùn)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(duì)相關(guān)性的影響較小。

2.3 構(gòu)建圖卷積預(yù)測(cè)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(cè)模型。假設(shè)設(shè)備之間的運(yùn)行參數(shù)存在相關(guān)性，根據(jù)某次運(yùn)行參數(shù)的變化來(lái)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(gè)GtN={Vt，Et}都描述了t時(shí)刻的設(shè)備拓?fù)湫畔ⅲ琗it∈RN為某個(gè)設(shè)備i在特定時(shí)間t的特征Gt={Vt，Et}矩陣，Xit∈RN×N 為在t時(shí)刻N(yùn)個(gè)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(shí)間序列中，形成一個(gè)三維特征矩陣Xi{t1，t2，t3，...，tT} ∈RT×N×N，其包括所有采集時(shí)間點(diǎn)的信息。構(gòu)建一個(gè)二維數(shù)組A∈RN×N來(lái)表示這些特征之間的關(guān)系，以說(shuō)明設(shè)備特征之間存在的關(guān)聯(lián)。

2.4 增強(qiáng)型ChebNet預(yù)測(cè)模型

針對(duì)變電站設(shè)備故障的復(fù)雜性，本文設(shè)計(jì)了增強(qiáng)型的ChebNet預(yù)測(cè)模型。模型在傳統(tǒng)ChebNet的基礎(chǔ)上融入針對(duì)故障特征的增強(qiáng)機(jī)制。分析歷史故障數(shù)據(jù)，提取當(dāng)設(shè)備故障時(shí)的典型特征模式。將這些特征模式作為先驗(yàn)知識(shí)融入ChebNet模型中，采用特征矩陣變換方式增強(qiáng)模型對(duì)故障特征的識(shí)別能力。例如，在變壓器故障診斷中，可以重點(diǎn)關(guān)注油溫異常升高、油位下降等特征，增強(qiáng)模型對(duì)這些特征的敏感度，提高故障診斷的準(zhǔn)確性和及時(shí)性。具體操作如下。

ChebNet模型的核心是進(jìn)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(jìn)行操作。在這個(gè)過(guò)程中，模型從二維關(guān)聯(lián)矩陣A∈RN×N中學(xué)習(xí)權(quán)重，利用學(xué)到的權(quán)重來(lái)整合和更新相鄰設(shè)備的信息。

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

（1）

式中：pt為t時(shí)刻前n個(gè)采集的數(shù)據(jù)矩陣的乘積，即在t點(diǎn)采集設(shè)備運(yùn)行參數(shù)狀態(tài)的矩陣；n為共采集的時(shí)間點(diǎn)的數(shù)量；ht為當(dāng)前時(shí)間步。分別讀取上一個(gè)時(shí)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(shí)刻，即一個(gè)完整的時(shí)間周期數(shù)據(jù)，經(jīng)過(guò)矩陣乘積，分析這些運(yùn)行數(shù)據(jù)的相關(guān)性。

當(dāng)進(jìn)行設(shè)備故障預(yù)測(cè)時(shí)，增強(qiáng)ChebNet模型不僅考慮當(dāng)前時(shí)間步t的信息，還綜合考慮前n個(gè)時(shí)間步的動(dòng)態(tài)變化情況，能夠全面體現(xiàn)多個(gè)時(shí)間節(jié)點(diǎn)狀態(tài)的狀態(tài)演變。

2.5 模型訓(xùn)練

本文在ChebNet圖卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行400次訓(xùn)練，不斷調(diào)整參數(shù)來(lái)優(yōu)化模型。在訓(xùn)練過(guò)程中將批量值設(shè)為64，學(xué)習(xí)率設(shè)為0.001。為了提高預(yù)測(cè)的準(zhǔn)確性，本文采用了二階切比雪夫多項(xiàng)式和Adam算法作為優(yōu)化工具。在優(yōu)化過(guò)程中，損失函數(shù)能夠衡量預(yù)測(cè)值與真實(shí)值之間的差距，模型根據(jù)損失函數(shù)的反饋來(lái)指導(dǎo)參數(shù)更新的方向，確定迭代步長(zhǎng)，其作用是將損失最小化或達(dá)到預(yù)設(shè)的閾值。經(jīng)過(guò)這些操作，模型參數(shù)更新，模型整體性能提升。具體來(lái)說(shuō)，本文采用均方損失函數(shù)來(lái)評(píng)估模型的預(yù)測(cè)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(cè)值與實(shí)際值之間的差異程度；n為訓(xùn)練樣本的總數(shù)，表示用于模型訓(xùn)練和評(píng)估的數(shù)據(jù)點(diǎn)數(shù)量；yi為第i個(gè)樣本的真實(shí)值，表示實(shí)際觀測(cè)的故障類(lèi)型或狀態(tài)；為第i個(gè)樣本的預(yù)測(cè)值，表示模型對(duì)第i個(gè)樣本的故障類(lèi)型或狀態(tài)的預(yù)測(cè)結(jié)果。在模型訓(xùn)練過(guò)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(cè)的準(zhǔn)確性和穩(wěn)定性。

3 模型試驗(yàn)

3.1 數(shù)據(jù)集

為了驗(yàn)證本文模型的有效性和準(zhǔn)確性，從某變電站采集2023年1月—2024年5月的某風(fēng)場(chǎng)330 kV滄海變的部分運(yùn)行數(shù)據(jù)。數(shù)據(jù)來(lái)源于變電站的運(yùn)行監(jiān)控系統(tǒng)，包括該變電站在這個(gè)時(shí)間段內(nèi)的所有關(guān)鍵設(shè)備運(yùn)行數(shù)據(jù)。為了捕捉故障發(fā)生前的細(xì)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(yàn)共采集38 665條數(shù)據(jù)，包括變電站當(dāng)正常運(yùn)行時(shí)的數(shù)據(jù)以及當(dāng)發(fā)生故障時(shí)的數(shù)據(jù)。在故障發(fā)生點(diǎn)采集19 655條數(shù)據(jù)，在采集過(guò)程中，以30 min為時(shí)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(píng)估模型的性能，將數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，比例為7∶2∶1。

3.2 試驗(yàn)評(píng)價(jià)指標(biāo)

本文試驗(yàn)評(píng)價(jià)指標(biāo)為3個(gè)，分別為平均絕對(duì)誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）。MAE為預(yù)測(cè)值與真實(shí)值之間誤差的平均絕對(duì)值，RMSE為平均誤差的平方根，MAPE為預(yù)測(cè)值與真實(shí)值誤差的平均百分比。

3.3 試驗(yàn)過(guò)程

為了驗(yàn)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(jìn)行了模型試驗(yàn)。試驗(yàn)過(guò)程包括數(shù)據(jù)預(yù)處理、模型構(gòu)建、模型訓(xùn)練以及模型評(píng)估等多個(gè)階段。

3.4 試驗(yàn)結(jié)果

為了全面評(píng)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(jìn)行詳細(xì)的試驗(yàn)，不同跳步時(shí)間的故障預(yù)測(cè)結(jié)果的各類(lèi)指標(biāo)見(jiàn)表2，這些指標(biāo)反映了模型預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

由表2可知，跳步時(shí)間有10 s、20 s、30 s和40 s，當(dāng)跳步時(shí)間為10 時(shí)，預(yù)測(cè)模型的參數(shù)值較好，當(dāng)跳步時(shí)間為20 s、30 s時(shí)，2個(gè)參數(shù)值MAE、MAPE比較一致，但是指標(biāo)性一般，當(dāng)跳步時(shí)間為40 s時(shí)，MAE、MAPE與RMSE指標(biāo)較差。

由上文試驗(yàn)過(guò)程可知，當(dāng)模型的預(yù)測(cè)時(shí)間為10 s時(shí)，模型整體性能較好，預(yù)測(cè)準(zhǔn)確率最高，因此設(shè)這2個(gè)參數(shù)為固定參數(shù)值，用于模型訓(xùn)練，為變電站設(shè)備故障診斷提供更有價(jià)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?cè)凶冸娬究刂葡到y(tǒng)的基礎(chǔ)上，本文模型動(dòng)態(tài)分析設(shè)備運(yùn)行參數(shù)，實(shí)時(shí)預(yù)測(cè)設(shè)備故障，使運(yùn)維人員能夠及時(shí)發(fā)現(xiàn)并處理潛在故障點(diǎn)，避免故障導(dǎo)致的電力中斷情況和安全事故，減輕了變電站日常運(yùn)維工作負(fù)擔(dān)。

5 結(jié)語(yǔ)

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(zhǔn)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(fù)雜電氣連接關(guān)系，利用圖卷積操作捕捉設(shè)備運(yùn)行狀態(tài)的相關(guān)性，對(duì)變電站故障類(lèi)型進(jìn)行精準(zhǔn)識(shí)別和預(yù)測(cè)。試驗(yàn)結(jié)果表明，模型在多種評(píng)價(jià)指標(biāo)中均表現(xiàn)優(yōu)秀，不僅提高了故障診斷的準(zhǔn)確性和效率，還可以保障系統(tǒng)安全、穩(wěn)定地運(yùn)行。未來(lái)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(cè)、負(fù)荷預(yù)測(cè)等，為推動(dòng)電力系統(tǒng)的智能化升級(jí)和可持續(xù)發(fā)展貢獻(xiàn)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(xiàn)

[1]賀臻.基于大數(shù)據(jù)的繼電保護(hù)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(cè)方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，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(jī)故障診斷[J].聲學(xué)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(cè)研究[J].重慶科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2022，24（4）：99-102.