基于图卷积网络的配电网故障定位及故障类型识别

摘要：

主流的配电网故障定位和识别故障类别任务分开建模,却忽略了故障定位和故障类别之间关联性,该文提出了故障定位以及故障类别的端到端联合模型.利用契比雪夫图卷积神经网络(ChebNet)作为编码器,聚合静态的图结构和动态的节点信息得到各节点的数学表达;在故障定位解码端,通过多头自注意力机制建立适用于节点属性变化以及融合配电网拓扑结构的配电网故障定位模型;在故障分类解码端,结合故障定位解码端的故障区域信息以及ChebNet编码器得到的各节点的数学表达,通过全连接层建立故障类型识别模型.实验结果表明,基于契比雪夫图卷积神经网络在双电源配电网中故障定位中效果较好,故障定位准确率达到98.25％,故障类别任务中的准确率为93.11％.该方法适用于主动配电网结构灵活及含分布式电源的配电网络中.

关键词：契比雪夫图卷积神经网络、多头自注意力机制、配电网、联合模型

所属期刊栏目：40

分类号：TP18;TM73(自动化基础理论)

资助基金：贵州省科技计划项目;贵州大学教改项目;贵州大学一流课程培育项目

在线出版日期：2023-02-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：26-30