基于图卷积网络的变电站故障诊断

摘 要：针对传统故障诊断模式效率低、易遗漏潜在故障点等问题，本文提出基于图卷积网络（Graph Convolutional Networks，GCN）的变电站故障诊断方法，构建了基于ChebNet模型的GCN故障诊断系统，采集并分析变电站运行数据，对设备故障进行准确识别与预测。试验结果表明，采用不同预测时间间隔的模型均表现出色，当间隔为10 s时效果最好。本文方法提高了变电站设备故障诊断的准确性和效率，为电力系统的安全、稳定运行提供了有力保障。

关键词：变电站；故障诊断；图卷积网络；ChebNet

中图分类号：TM 63 " " " " " " " " " " " " " 文献标志码：A

变电站是电力系统的重要组成部分，其安全、稳定运行影响整个电网。变电站设备众多，结构复杂，其故障诊断工作存在较大挑战。传统模式一般采用人工巡检，故障诊断、识别完全依靠经验，容易遗漏潜在故障点，不能及时发现并处理一些隐蔽性较强的故障[1]。随着物联网、大数据等技术的发展，故障诊断出现了新模式。应用巡检设备使运行数据的采集过程更加便捷、高效，为故障分析提供数据源[2]。运行数据规模较大，因此需要准确识别故障类型。

图卷积网络（Graph Convolutional Network， GCN）是一种新兴的深度学习模型[3]，利用图结构有效捕捉图中的节点特征和拓扑关系，对图结构数据进行挖掘、分析。本文针对变电站故障诊断工作中存在的问题，结合图卷积网络的优势，构建基于图卷积网络的变电站故障诊断分析模型，对设备运行数据进行深度挖掘，对设备故障进行准确识别、预测，保障电力系统安全、稳定运行。

1 变电站运行数据采集与处理

1.1 数据采集

数据采集是完成故障诊断分析的基础。变电站运行数据采集方式多样，主要有3种，分别为监控与数据采集（Supervisory Control And Data Acquisition，SCADA）系统接口、红外测温和设备参数图像识别。SCADA系统接口访问SCADA系统的数据接口来获取数据，例如设备的运行电压、电流等，红外测温技术采用非接触式测量方式，能够快速、准确地获取设备的关键部位温度数据。例如安装在变压器、断路器和隔离开关等处的红外测温传感器可以实时监测这些设备的温度变化。设备参数图像识别技术利用巡检机器人高清摄像头拍摄设备外观运行状态图像，采用图像识别算法自动提取运行参数信息，例如油位、压力指示等，有效避免人工读取导致的误差，提高了数据采集的准确性和效率。

1.2 数据处理

采集的设备运行数据存在噪声、异常值以及格式不一致等问题，因此需要对数据进行处理。检测原始数据的异常值，剔除明显偏离正常范围的数据点，例如温度中的极高或极低值。对数据进行归一化处理，将不同量纲特征数据转换至同样的数值范围内，保证模型训练的稳定性和收敛性，例如将温度数据、压力数据等归一化至[0，1]。对数据进行特征选择和降维处理，以提取关键特征信息，降低模型训练的复杂度，减少计算量。

2 基于图卷积网络模型的变电站故障诊断

2.1 图卷积网络模型

图卷积网络（Graph Convolutional Network，GCN）是一种适用于图结构数据的深度学习模型，其建立了图结构中的节点特征和拓扑关系。在变电站故障诊断过程中，本文利用GCN构建模型，对变电站设备复杂关系进行深度挖掘。ChebNet模型[4]利用切比雪夫多项式作为图卷积的滤波器，例如，在变电站中，变压器、断路器等设备利用电气连接形成复杂的网络结构，ChebNet模型捕捉这些设备间的电气连接关系及其运行状态的变化，为故障诊断提供有力支持。ChebNet模型结构如图1所示。

2.2 构建设备运行状态相关性

变电站设备之间的运行状态存在高度相关性，为了准确捕捉这种相关性，笔者利用图卷积网络模型构建了设备运行状态相关性网络。将变电站中的设备作为图结构中的节点，设备间的电气连接或功能依赖关系作为边，节点的特征向量包括设备的实时运行参数（例如电压、电流和温度等）。利用图卷积操作得到自动学习设备间的状态依赖关系，构建设备状态关联网络。这种相关性网络不仅反映了设备间的物理连接，还揭示了其在运行状态方面的内在联系，为故障诊断提供了更为全面的视角。典型的变电站设备间相关性描述见表1。

在表1中，设备A、B、C和D代表变电站内的不同设备，例如变压器、断路器、母线以及隔离开关等。相关性说明详细描述了设备间相关性的来源和依据。例如，变压器一与断路器一直接相连，其运行状态高度相关；空载变压器二与其他设备存在间接联系，由于其处于空载状态，因此对相关性的影响较小。

2.3 构建图卷积预测模型

本文应用ChebNet模型构建变电站设备间故障参数相关性预测模型。假设设备之间的运行参数存在相关性，根据某次运行参数的变化来分析这种相关性。为了更全面地分析，将设备视为图结构中的元素，记为G={G "t1 " ，G "t2，...，G "tT}。每个GtN={Vt，Et}都描述了t时刻的设备拓扑信息，Xit∈RN为某个设备i在特定时间t的特征Gt={Vt，Et}矩阵，Xit∈RN×N 为在t时刻N个设备的二维相关性特征矩阵。将所有二维矩阵堆叠在时间序列中，形成一个三维特征矩阵Xi{t1，t2，t3，...，tT} ∈RT×N×N，其包括所有采集时间点的信息。构建一个二维数组A∈RN×N来表示这些特征之间的关系，以说明设备特征之间存在的关联。

2.4 增强型ChebNet预测模型

针对变电站设备故障的复杂性，本文设计了增强型的ChebNet预测模型。模型在传统ChebNet的基础上融入针对故障特征的增强机制。分析历史故障数据，提取当设备故障时的典型特征模式。将这些特征模式作为先验知识融入ChebNet模型中，采用特征矩阵变换方式增强模型对故障特征的识别能力。例如，在变压器故障诊断中，可以重点关注油温异常升高、油位下降等特征，增强模型对这些特征的敏感度，提高故障诊断的准确性和及时性。具体操作如下。

ChebNet模型的核心是进行图卷积操作，模型将X∈RN×N作为初始输入数据，并根据图结构G={V，E}进行操作。在这个过程中，模型从二维关联矩阵A∈RN×N中学习权重，利用学到的权重来整合和更新相邻设备的信息。

矩阵的乘积运算是数值计算领域中应用比较广泛的代数工具，该运算进行不同特征矩阵之间的特征转换与维度变换，对数据进行映射处理，能够反映参与运算的数据特征。在增强ChebNet模型中，对矩阵进行乘积运算，获得参与同步运算的相关性。为预测当前时间步的数据提供支持。在捕捉时间步相关性方面，采用矩阵乘积运算能够提升模型的预测精度。矩阵乘积的计算过程如公式（1）所示。

（1）

式中：pt为t时刻前n个采集的数据矩阵的乘积，即在t点采集设备运行参数状态的矩阵；n为共采集的时间点的数量；ht为当前时间步。分别读取上一个时刻的矩阵数据，根据采集的数据频率设定该数据，为5 s、10 s和20 s，一直到t-n时刻，即一个完整的时间周期数据，经过矩阵乘积，分析这些运行数据的相关性。

当进行设备故障预测时，增强ChebNet模型不仅考虑当前时间步t的信息，还综合考虑前n个时间步的动态变化情况，能够全面体现多个时间节点状态的状态演变。

2.5 模型训练

本文在ChebNet图卷积神经网络模型中进行400次训练，不断调整参数来优化模型。在训练过程中将批量值设为64，学习率设为0.001。为了提高预测的准确性，本文采用了二阶切比雪夫多项式和Adam算法作为优化工具。在优化过程中，损失函数能够衡量预测值与真实值之间的差距，模型根据损失函数的反馈来指导参数更新的方向，确定迭代步长，其作用是将损失最小化或达到预设的阈值。经过这些操作，模型参数更新，模型整体性能提升。具体来说，本文采用均方损失函数来评估模型的预测效果，如公式（2）所示。

（2）

式中：l为均方损失函数的值，表示模型预测值与实际值之间的差异程度；n为训练样本的总数，表示用于模型训练和评估的数据点数量；yi为第i个样本的真实值，表示实际观测的故障类型或状态；为第i个样本的预测值，表示模型对第i个样本的故障类型或状态的预测结果。在模型训练过程中，使用优化算法调整模型参数，以最小化均方损失函数的值，提高模型预测的准确性和稳定性。

3 模型试验

3.1 数据集

为了验证本文模型的有效性和准确性，从某变电站采集2023年1月—2024年5月的某风场330 kV沧海变的部分运行数据。数据来源于变电站的运行监控系统，包括该变电站在这个时间段内的所有关键设备运行数据。为了捕捉故障发生前的细微变化，数据采用高频率采集模式，设置采集周期为5 s。

试验共采集38 665条数据，包括变电站当正常运行时的数据以及当发生故障时的数据。在故障发生点采集19 655条数据，在采集过程中，以30 min为时间窗口，保证模型能够获得故障发生前的持续的特征变化。为了合理评估模型的性能，将数据集划分为训练集、测试集和验证集，比例为7∶2∶1。

3.2 试验评价指标

本文试验评价指标为3个，分别为平均绝对误差（Mean Absolute Error，MAE）、均方根误差（Root Mean Square Error，RMSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）。MAE为预测值与真实值之间误差的平均绝对值，RMSE为平均误差的平方根，MAPE为预测值与真实值误差的平均百分比。

3.3 试验过程

为了验证基于图卷积网络的变电站故障诊断模型的有效性，本文进行了模型试验。试验过程包括数据预处理、模型构建、模型训练以及模型评估等多个阶段。

3.4 试验结果

为了全面评估基于ChebNet图卷积网络的变电站故障诊断模型的性能，笔者进行详细的试验，不同跳步时间的故障预测结果的各类指标见表2，这些指标反映了模型预测的准确性和稳定性。

由表2可知，跳步时间有10 s、20 s、30 s和40 s，当跳步时间为10 时，预测模型的参数值较好，当跳步时间为20 s、30 s时，2个参数值MAE、MAPE比较一致，但是指标性一般，当跳步时间为40 s时，MAE、MAPE与RMSE指标较差。

由上文试验过程可知，当模型的预测时间为10 s时，模型整体性能较好，预测准确率最高，因此设这2个参数为固定参数值，用于模型训练，为变电站设备故障诊断提供更有价值的参考。

4 模型应用效果

本文模型泛化能力较好，除了330 kV变电站外，还能够应用于110 kV、220 kV变电站的故障诊断中。在不改变原有变电站控制系统的基础上，本文模型动态分析设备运行参数，实时预测设备故障，使运维人员能够及时发现并处理潜在故障点，避免故障导致的电力中断情况和安全事故，减轻了变电站日常运维工作负担。

5 结语

本文研究GCN网络在变电站故障诊断领域的应用，构建了一种高效、准确的变电站故障诊断分析模型。模型充分利用设备间的复杂电气连接关系，利用图卷积操作捕捉设备运行状态的相关性，对变电站故障类型进行精准识别和预测。试验结果表明，模型在多种评价指标中均表现优秀，不仅提高了故障诊断的准确性和效率，还可以保障系统安全、稳定地运行。未来将研究该模型在电力系统其他领域的应用潜力，例如电网状态监测、负荷预测等，为推动电力系统的智能化升级和可持续发展贡献更多力量，为构建更加安全、高效和环保的电力网络提供有力支持。

参考文献

[1]贺臻.基于大数据的继电保护智能诊断系统分析[J].集成电路应用，2024，41（5）：308-309.

[2]蒋健，刘年，孙超.基于Faster R-CNN图像处理的变电站异常设备红外检测方法[J].沈阳工业大学学报，2024，46（2）：157-164.

[3]钟振茂.基于噪声和图卷积神经网络的电机故障诊断[J].声学技术，2024，43（3）：426-431.

[4]金尚柱，郁昇，赵彦，等.基于ChebNet的交通流量预测研究[J].重庆科技学院学报（自然科学版），2022，24（4）：99-102.