本發(fā)明屬于故障診斷，具體涉及一種基于分布式接地電流解耦分析的變電站故障定位方法。

背景技術：

1、接地網是變電站中重要的保護裝置，對于確保人員安全、設備完好以及維護變電站的穩(wěn)定運行具有不可或缺的作用。高質量的接地系統要求較小的接地電阻和適當的接地電流，以維護系統的可靠性和安全性。在變電站系統中，由于采用多點接地設計，合理利用接地電流的分析可以有效識別出系統中的設備單向接地故障。從而更準確地判斷故障位置，快速采取措施進行維修和恢復，確保變電站系統的穩(wěn)定運行。

2、隨著深度學習技術逐漸普及，基于電流的故障定位方法因其對外界環(huán)境干擾的魯棒性及精確表示設備狀態(tài)信息的特點，逐漸受到研究人員的關注。因此，借助于接地電流的分析，能夠對變電站設備進行精確的故障定位。使得在復雜設備網絡中迅速識別并定位故障點成為可能，從而提高了設備維護的效率和準確性。

3、復雜的變電站系統運行時，設備種類豐富，受電流諧波影響，使得特征提取難度增大(王清亮,宋曦,王旭東,等.背景諧波電壓環(huán)境下的負載諧波電流檢測方法[j].電力系統保護與控制,2022,50(16):58-65.)。而且，設備發(fā)生接地故障時，因保護接地網的互聯特點，會引起其他設備電流變化(牟龍華，李國欣，孟慶海.高低壓電網保護接地網互聯影響的分析[j].煤炭學報,2004,29(2):238-242.)，難以直接通過卷積提取設備間的耦合關系。此外，變電站故障數據集樣本存在量少和不均衡的問題(張偉,安勇,李海濤,等.基于不平衡數據擴充的接地變壓器故障診斷方法研究[j].電工技術,2023(20):146-148+154.doi:10.19768/j.cnki.dgjs.2023.20.043.)。這些因素都給變電站故障設備的精準定位帶來了巨大挑戰(zhàn)。

技術實現思路

1、針對如何在耦合性高的復雜設備網絡中迅速識別并定位故障點的問題，本發(fā)明提供了一種基于分布式接地電流解耦分析的變電站故障定位方法，專注于對接地電流的深度分析，并應用深度學習模型來實現變電站系統中故障的精確定位。

2、為了達到上述目的，本發(fā)明采用了下列技術方案：

3、通過采用以圖卷積網絡結合注意力機制為核心的gcc深度學習模型架構，以實現變電站設備故障的精準定位。gcc模型包括數據處理器、特征提取器以及特征分類器三部分；其中，數據處理器引用變分模態(tài)分解方法，有效地顯化含有噪聲的非平穩(wěn)接地電流信號中的不同頻率特征，凸顯隱藏在復雜信號中的關鍵頻率信息；在特征提取器中，提出通道耦合模塊，對變電站中接地電流進行解耦，提取接地電流的時序特征與設備耦合特征；在特征分類器中，設計mask模塊利用dropout實現特征的隨機失活，并通過頻域分析進行特征抑制，解決模型分類器泛化能力弱的問題。同時，采用加權交叉熵損失函數，有效地解決了故障數據與正常數據不均衡的問題。

4、一種基于分布式接地電流解耦分析的變電站故障定位方法，包括以下步驟：

5、步驟1：建立不同設備單向接地故障數據集；通過電流采集設備對產生的設備故障的接地電流數據進行整理，采集的數據包括故障樣本s、時間維度l以及通道維度d；

6、步驟2：構建包括數據處理器、特征提取器和特征分類器三部分的gcc深度學習模型，采用gcc深度學習模型對數據集進行訓練和測試；其中，特征提取器中包含有由圖相似注意力模塊、自注意力特征提取模塊和通道注意力模塊組成的通道耦合模塊；

7、進一步地，在步驟2所述的數據處理器中，對時間維度數據進行變分模態(tài)分解；在所述特征提取器中，將不同頻率的接地電流數據在時間維度上通過一維卷積進行下采樣，得到下采樣數據；將下采樣數據通過圖相似注意力模塊，提取通道間的耦合特征；將下采樣數據通過自注意力特征提取模塊，提取數據的時序特征；將圖相似注意力模塊輸出與自注意力特征提取模塊輸出，輸入通道注意力模塊進行特征整合；在所述特征提取器的結尾，通過一層全連接層對時間維度特征進行擴充；在所述特征分類器中，使用mask模塊，對低頻特征信息進行抑制。

8、更進一步地，所述步驟2的數據處理器中，對時間維度數據進行變分模態(tài)分解，具體操作為：

9、將尺寸為s×d×l接地電流數據分解為s×d×k×l，其中k表示變分模態(tài)分解出的不同頻率數據。

10、所述步驟2的特征提取器中，將不同頻率的接地電流數據在時間維度上通過一維卷積進行下采樣，得到下采樣數據，具體操作為：

11、將尺寸為s×d×l的接地電流數據與s×d×k×l的接地電流不同頻率數據分解為每一批大小為b的數據，得到尺寸為b×d×l的接地電流數據與b×d×k×l的接地電流不同頻率數據；

12、將尺寸為b×d×l的接地電流數據與b×d×k×l的接地電流不同頻率數據，在時間維度通過卷積核大小為10、步長為10的一維卷積進行下采樣，分別得到大小為b×d×l和的下采樣數據。

13、所述在步驟2的數據處理器中將下采樣數據通過圖相似注意力模塊，提取通道間的耦合特征，具體操作為：

14、將大小為b×d×l的下采樣數據維度變換為b×l×d，并通過圖卷積網絡分別計算出大小均為b×l×d的查詢向量q、鍵向量k以及值向量v；

15、對查詢向量q、鍵向量k進行余弦相似度計算，評估通道間耦合關系，并以此權重進行softmax歸一化，得到權值s；余弦相似度計算公式如下：

16、

17、其中s表示余弦相似度權值；similaritycos表示適應性余弦相似度計算函數；||?||表示對張量求模；t表示轉置操作；

18、將值向量v與權值s相乘進行加權操作，通過第二層圖卷積網絡，獲取更深層次的耦合特征b×l×d；然后，將其維度變換大小為b×d×l的特征hg，以便后續(xù)特征整合。

19、所述步驟2的數據處理器將下采樣數據通過自注意力特征提取模塊，提取數據的時序特征，具體操作為：

20、將大小為的下采樣數據分別通過全連接層，得到大小均為查詢向量q′、鍵向量k′以及值向量v′；

21、對查詢向量q′、鍵向量k′進行矩陣相乘，通過softmax進行歸一化操作，得到權值；再與值向量v′相乘，輸出大小為的特征；最后將個分解維度進行求和求平局，得到大小為b×d×l的輸出hs，以便特征整合。

22、所述步驟2的數據處理器將圖相似注意力模塊輸出hg與自注意力特征提取模塊輸出hs，輸入通道注意力模塊進行特征整合，具體操作為：

23、將二者輸出進行拼接，將得到的特征輸入到卷積核大小為1×1、步長為1的二維卷積中；

24、對卷積層輸出的特征進行全局池化后輸出特征；

25、通過一層壓縮全連接層，將通道維度壓縮為原本的

26、通過一層解壓全連接層，將其通道維度進行還原；

27、最后以此為權值對卷積層輸出進行加權，對時序特征與耦合特征進行融合，使二者關系進行關聯。

28、所述步驟2的特征分類器中，使用mask模塊，對低頻特征信息進行抑制，具體操作為：

29、首先，通過dropout對其特征進行失活處理；然后，選擇最大頻率和最小頻率中的某一特定頻率計算得出抑制長度s；最后，根據長度s生成掩碼張量，再與原始特征張量進行矩陣相乘，對其特征進行一定的抑制。公式如下：

30、hf＝|fft(hout)|?(2)

31、

32、

33、其中，fft表示傅里葉變換函數；hout表示隱藏層輸出；||表示取絕對值操作；hf表示取絕對值之后的頻域信息；α表示選取系數；f表示頻率選取值。

34、在時間序列分類領域，采用加熵損失函數衡量模型預測的準確性，揭示預測結果與實際結果之間的差異；通過數據集中，對不同設備產生單向接地故障進行加權，減少不同設備故障數據量不同對訓練結果的影響，計算公式如下：

35、

36、

37、其中，表示預測值；y表示真實值；b表示樣本索引；c表示分類索引；b為單次訓練樣本總數；c表示類別總數；yb,c表示真實值中第b個樣本的c類樣本的概率；表示預測的第b個樣本的c類樣本的概率；wc表示單批次中對c類的權重。

38、步驟3：變電站故障設備定位推理結果分析，在數據集上進行消融實驗，驗證通道耦合模塊、mask模塊以及加權交叉熵損失的網絡優(yōu)化能力；

39、步驟4：gcc變電站故障定位完成。

40、與現有技術相比本發(fā)明具有以下優(yōu)點：

41、本發(fā)明公開了一種創(chuàng)新的變電站故障定位技術，該技術基于分布式接地電流解耦分析，顯著提升了故障定位的精確度和效率。在關鍵的特征提取階段，巧妙地融合了圖卷積網絡與注意力機制，這一創(chuàng)新性的組合不僅增強了模型在通道層面的耦合特征提取能力，還在時間維度上實現了更為精細的特征捕獲。這種獨特的融合策略使得該方法能夠更準確地識別和分析接地電流數據中的故障特征，從而為變電站的故障定位提供了強有力的技術支撐。

42、相比當下智能巡檢方法以及智慧變電站所依賴的傳統故障定位技術，本發(fā)明的優(yōu)勢主要體現在以下幾個方面：

43、(1)精確度高：通過結合圖卷積網絡和注意力機制，本發(fā)明能夠更精確地提取和分析接地電流數據中的關鍵特征，從而實現了更高的故障定位精確度。

44、(2)實時檢測：能夠實時地捕獲和分析接地電流數據，因此能夠在故障發(fā)生后的極短時間內進行準確定位，大大縮短了故障響應的時間；

45、(3)魯棒性強：本發(fā)明對于不同類型的故障以及復雜的運行環(huán)境都具有較好的適應性，能夠在各種情況下保持穩(wěn)定的性能，且能夠在不同數據集上取得較高的準確率；

46、(4)維護成本低：比傳統的巡檢和故障定位方法，本發(fā)明基于自動化的數據處理和分析，能夠減少人工巡檢和維護的工作量，從而降低了維護成本。