智能变电站二次设备故障定位方法

技术领域

本发明涉及智能变电站故障定位技术领域，具体涉及一种智能变电站二次设备故障定位方法。

背景技术

在变电站智能化、信息化的发展中，智能变电站的故障诊断是变电站运维的重要研究热点。由于智能变电站中通信设备数量庞大，二次回路网络结构复杂，无法快速准确地定位设备故障的问题日益突出。在智能变电站中诊断二次设备故障时，传统方法效率较低，故障定位精度难以得到保证；深度学习方法便携性差，学习样本成本高，并且模型更新不方便，实际应用繁琐与困难。

发明内容

本发明的目地在于解决传统方法效率和定位精度低以及机器学习、深度学习学习成本高、模型更新部方便从而难以实际运用的问题。

本发明通过K-最邻近与图注意力网络相结合的智能变电站二次设备故障定位方法实现相关技术方案，具体的技术方案为：

智能变电站二次设备故障定位方法，包括以下步骤：

S1、将检测到的故障信息进行数据提取后用特定的特征信息表达式表征；

S2、利用PCA和MIN-MAX方法对提取到的特征数据进行降维和归一化处理；

S3、利用K-最邻近算法将处理后的数据构建为图结构数据；

S4、利用历史故障数据集或故障涌现方法生成的数据集对图注意力网络模型进行离线训练；

S5、利用所搭建的故障定位模型对设备故障类型进行定位。

步骤S1具体包括：

S1-1：解析智能变电站配置描述文件，提取所检测到的故障数据信息；

S1-2：其用故障特征表达式表达。具体特征表达式如式(1)所示：

V

式中V

X

式(2)中X

式(3)中，以X

式(1)中的X

式中每条message

步骤S2具体包括：

S2-1：PCA降维方法具体步骤：(1)将数据构成一个m×n维的矩阵Y；(2)求协方差矩阵的特征值以及对应的特征向量，并将特征向量按对应特征值大小从上到下按行排列成矩阵，取前i行组成矩阵G。(3)得到最终降维后的数y＝GY；

S2-2：MIN-MAX归一化处理：具体处理方如式(5)所示：

式中，X

S3中，基于KNN算法判别故障事件之间的联系方法具体如式(6)所示：

式(6)中，k为KNN算法的超参数，D

S3还包括：在寻求到所有故障事件之间的关系后，将所有原始故障数据构建为G(V,E)的图结构数据形式，其中，G为整个图数据，V表示图G中所有故障事件的集合，E是图G中各个故障事件之间的关系集合。

S4具体包括：

S4-1：首先，将整个故障网络视为一个系统整体。然后向系统中输入一些外在影响因素，例如事先设定好的组件故障、不同的网络拓扑图结构、不同的网络组件配置等。然后通过解析智能变电站SCD文件得到通信网络中的物理、逻辑连接与报文订阅关系。同时，原来的通信网络中的交换机、端口、光纤等机制因为受到外在因素的影响产生了新的运行状态。分别收集记录每个节点新的状态信息，并将所有采集到的故障数据以图结构的形式储存。

S4-1中还包括图结构数据的生成方法：将所有故障事件组成的图结构数据通过图注意力网络进行节点特征更新，并将新得到的每一个故障事件的新的特征信息进行节点分类。节点特征信息更新的方法如式(7)所示：

式(7)中l

S4-2：将S4-1所得数据分别制作为训练集、验证集和测试集对图注意力网络模型进行离线训练。

S5后还包括：将每一次定位结果保存到历史数据集中更新数据库。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为本发明智能变电站二次设备故障定位方法的整体流程图；

图2为本发明智能变电站二次设备故障定位方法中的K-最邻近算法所搭建的图结构数据示意图；

图3为本发明智能变电站二次设备故障定位方法中的图注意力网络模型结构图；

图4为本发明智能变电站二次设备故障定位方法中的故障定位架构图；

图5为本发明智能变电站二次设备故障定位方法中的具体故障定位原理图；

具体实施方式

为使本发明的方案于和优点更清楚明白，下面将结合本发明实施例和附图，对本发明进行详细的描述。

请参考图1，图1为本发明的智能变电站二次设备故障定位方法的流程示意图。

请参考图2，图2为本发明的图结构数据示意图，其详细构建方式包括：

解析智能变电站配置描述文件，提取所检测到的故障数据信息；

故障数据特征提取后构建相应的特征表达式，具体如式(1)所示：

V

式中(1)V

X

式(2)中X

式(3)中，以X

式(4)中每条message

将每个故障数据样本用特征表达式表示后，利用基于K-最邻近算法寻找每个故障样本数据的关系，具体关系判别方法如式(5)所示：

式中，k为KNN算法的超参数，D

将所有样本数据用G＝(V,E)的图结构数据形式表达，其中G表示整个图数据，V代表数据样本的集合，E代表数据样本之的关系。

请参考图3，图3为本发明的图注意力网络模型结构图，将所有故障事件组成的图结构数据通过图注意力网络进行节点特征更新，并将新得到的每一个故障事件的新的特征信息进行节点分类。节点特征信息更新的方法如式(7)所示：

式(7)中l

请参考图4，图4为本发明智能变电站二次设备故障定位方法中的故障定位架构图，具体包括：

将故障原始数据构建为图结构数据；

搭建图注意力网络定位模型；

将图结构数据输入图注意力网络模型进行特征更新；

将新得到的数据特征进行分类并输出结果。

请参考图5，图5为本发明智能变电站二次设备故障定位方法中的故障定位原理图，具体包括：

利用历史故障数据集或用故障涌现方法生成故障数据集离线训练图注意力网络模型，具体包括：

将整个故障网络视为一个系统整体。然后向系统中输入一些外在影响因素，例如事先设定好的组件故障、不同的网络拓扑图结构、不同的网络组件配置等。然后通过解析智能变电站SCD文件得到通信网络中的物理、逻辑连接与报文订阅关系。同时，原来的通信网络中的交换机、端口、光纤等机制因为受到外在因素的影响产生了新的运行状态。分别收集记录每个节点新的状态信息，并将所有采集到的故障数据以图结构的形式储存；

将采集到的图结构数据分别制作为训练集、验证集、测试集，然后将其离线训练图注意力网络模型。通过多次设置不同超参数：网络层数、初始学习率，网络神经元数，神经元舍弃率，注意力头数来寻求训练最优的网络模型并将其保存。

将采集到的故障数据输入实时故障定位模型中，模型板块具体包括：

为排除干扰信息而误触发故障定位功能的模型故障定位启动判别模块，其特征在于：

将采集到的故障告警信息与历史故障发生时最小告警数N作比较。若采集到的告警数小于N，则追踪观察告警信息，对其进行修正；若告警数大于N，则启动故障定位模块；

采集故障发生时的特征信息。若所采集到的特征信息能够利用已有的故障诊断推理库进行故障判别，则直接对故障进行定位，并输出结果。若不能借助推理库进行判别，则启动图注意力网络定位模型；

将无法直接故障定位的故障数据构建为图结构数据形式，并输入已经离线训练好的图注意力网络模型中进行故障定位。

将通过图注意力网络模型定位得到的故障结构输出呈现给运维人员，并将该故障事件加入历史故障数据集对模型进行更新。

综上所述，本发明实施例提供了一种智能变电站二次设备故障定位方法，通过利用K-最邻近算法自动将故障数据构建为图结构数据，并搭建图注意力网络模型对图结构数据进行处理，以此提高故障的定位精度。同时，基于K-最邻近算法的自动图结构构建方式使得模型更新更加的方便与智能化。

以上所述对本发明的目的、方案和优势进行了详细的说明。所应注意的是，以上所述仅为本发明的具体实施方式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应包括任何的等同替换与改进等。