基于圖神經網絡的智能電網監測系統的設計

周曉燕 凌天楊 曾胡貴 黃蘭玲 赫彬彤

摘要：近年來，隨著社會的不停前進發展，我國的科學技術發展迅速，國家的進一步發展對電力供應提出更高的要求。針對全國各地電網的輸電線路所處環境存在不確定性，使線路運行不安全的問題，提出基于圖神經網絡的智能電網監測系統設計。該系統基于圖神經網絡，將數據建模為圖，構建數據集，將數據進行神經網絡訓練得到異常數據模型，并采用了記憶增強神經網絡提高了系統的穩定性，最終得到異常監測指標。實驗表明，該系統有效解決了電網電線路所處環境不確定性的問題，保障了線路運行的安全，避免由電網故障帶來的巨額損失。

關鍵詞：圖神經網絡;數據建模;數據集;異常數據監測模型;記憶增強神經網絡

中圖分類號：TP18 ? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）13-0077-02

1引言

進入 21 世紀新時代的中國，對電力的需求火速增長，電力建設隨著經濟發展和西部大開發戰略的實施不斷加強施工完善，電網的發展已全面推進南北互供、西電東送與全國聯網等有效政策。電網系統的不斷完善使中國實現電力更大范圍，更大規模資源優化配置的新階段[1]。因此應重視電力供應的質量和數量的問題，電網是經濟發展的主要基礎產業，是國家能源產業鏈的核心環節。因此，增大對智能電網的投入和研發，促使電力設備不斷完善和不斷增長，使國家電力系統安全穩定可靠。本文對電網電線路所處環境的不確定性的問題進行研究和分析，研究了一種基于圖神經網絡的智能電網監測系統，用于加強對電力的監控，保障電力安全穩定運行，致力于解決國家電網的檢測問題，減少電網故障和用電事故的發生。

2設計方案

2.1 系統總體設計方案

電力設備狀態檢測的核心技術就是融合各種技術進行全方位的監測，通過設備管理解決復雜的工作環境帶來的各種問題。本設計是依靠圖神經網絡的智能電網監測系統，設計方案包括如下步驟：采集數據、預處理、搭建網絡模型、預訓練和遷移學習、預測和抽檢驗證以完善整個預測系統（如圖1所示）。

具體步驟是：第一，通過利用數據信息平臺系統獲取大量的電力裝置信息、環境情況和電網運行狀態等多種電力設備工作時的具體數據，然后繼續對各種電力裝置的數據進行高精度分析和自動化學習，從大量數據中分析出數據的規律，繼而對電力裝置的狀態進行詳細診斷、評估與預測相關的風險以及預警，獲取有價值的分析數據，建立狀態評估模型;第二，通過各種指標和分析方法，把電力設施設備的大量數據通過數據統計、圖表、數值比較等更加直觀、具體的方式呈現，準確地反映出設備的狀況，為生產設備管理時刻嚴格把控設備的正常運行狀態，提升設備正常運行的水平;第三，通過對智能系統所監控的電能進行大量數據分析，了解配電、配網設備的工作狀態是否正常，實行高效的政策，使電力系統的所提供的電力質量能被有效管理，及時發現當地電網是否存在損耗、電能效率是否在合理范圍、供電是否安全等重要問題;第四，通過了解企業生產設備情況，及時處理因設備的損耗造成運行電能浪費、電耗不合理、設備工況不良等問題;第五，通過數據分析出每個設備或設備群的單耗與用電成本，為電能的考核提供了準確的依據;第六，能夠及時監測到生產設備的空載耗電情況，例如智能家居等用電產品的電能浪費情況。基于圖神經網絡的電網監測系統的實測數據以及異常警告能為電網安全提供優質的保障。

相比于人工檢測，此算法提高了部件檢測的準確率以及效率，減少了人為因素對檢測的干預，降低了人工成本和檢測成本。相比于傳統機器學習方法，圖神經網絡不要求數據的組成形式必須具有良好的空間關系，即具有排列齊整的矩陣形式，也可以處理非結構化輸入的特點，極大地提高了模型的表達能力。圖神經網絡算法將深度神經網絡的運算（如卷積、梯度計算）與迭代圖傳播結合在一起每個頂點的特征都是由其鄰居頂點的特征結合一組深度神經網絡來計算[2]，相比于卷積神經網絡方法，圖神經網絡方便更好地處理各元素的邏輯關系，從而提高和完善模型的泛化能力。在網絡的學習過程中，每個節點負責傳播自身的信息以及綜合鄰居節點的信息，從而學習掌握數據的邏輯范式。

2.2軟件開發環境與設計

基于圖神經網絡的電網監測系統，需要充分運用互聯網在生產配置中的強化和融合作用，將互聯網深度融合于區域配電網系統中進行數據的傳輸。本系統使用云服務器ECS搭建軟件開發環境，借助Laravel框架、輕量級jQuery前端框架以及百度地圖API進一步完善系統，使其地域包容性能發揮到最大。其次，進一步通過代碼編寫實現用戶管理系統、數據實時顯示、地理信息系統、故障預警系統和歷史數據查詢系統，共同構成一個完善的檢測系統。通過軟件實現用戶管理層、傳輸層、支撐層和應用層于一體，可實現區域配電網的實時監測、智能檢修、智能評估，大大減輕區域配電網的建設與維護工作[3]。

2.3圖神經網絡

傳統的神經網絡技術：利用拉普拉斯矩陣的特性，分解定義了圖傅里葉變換，即可得到基于圖傅里葉變換的異常檢測方法。另一主流技術是，利用傳統卷積神經網絡（CNN），實對數據的順序輸入，進而實現異常分類。具體的步驟是，當給該網絡系統一張全新的圖信息時，CNN并不能迅速正確地判斷這些信息特征要與原圖的哪些部分匹配，所以CNN會將圖中每一個坐標的數據和信息特征進行匹配，相當于把這個feature（特征）變成了一個過濾器。故把用來匹配的過程稱為卷積操作;CNN通過另一個手段——“池化（Pooling）”，使計算更加高效。池化就是通過對輸入的圖片進行相同間隔地舍棄一部分信息，降低像素，但保留主要的特征信息。完成上述兩個步驟后，信息就會在激活函數ReLU的計算下，篩選出需要的信息，完成異常檢測。

更進一步的技術：圖神經網絡技術，圖神經網絡的研究與圖嵌入密切相關，圖嵌入旨在保存圖的網絡拓撲結構和節點信息，將圖中頂點表示為低維向量，以便使用簡單的機器學習算法。

它將數據建模為圖，并將數據利用關聯矩陣（拉普拉斯矩陣）輸入到模型中，構建圖卷積模型，進行多層傳遞，并利用ReLu激活函數進行輸出，增加其非線性表達能力;并對輸出結果設立判決門限，以此完成對數據的監測，進而能夠找出異常的數據。這無一不體現其強大的功能。

另外為了輔助與完善圖神經網絡在本算法中的穩定性，創新性地引入記憶增強神經網絡，數據集層面的通用知識被采用附加的存儲空間來存儲數據集的基本數據獲取。該方法有反向傳播訓練直接進行機器學習和更新存儲的優點，這是與現有的通過鍵值記憶策略存儲最大的不同。

3創新設計

1）使用圖結構

與圖像、文本不同，圖結構是復雜多變的不規則領域（圖2為一個標準的圖結構）。

圖神經網絡是不同于神經網絡的一類基于深度學習的處理圖域信息的技術，它把深度學習和圖廣播操作算法深度結合，可以讓頂點屬性和圖的結構信息都參與到神經網絡學習中，在與圖分析領域的深度學習等應用中表現出可行性和可解釋性[3]，它的主要思想是如何使用神經網絡迭代地從局部圖鄰域聚集特征信息。同時，節點信息經過轉換和聚合后可以通過圖來傳播。因此，GNNs自然地整合了節點信息和拓撲結構，在深度學習上有強大的能力，已成為一種廣泛應用的圖分析方法。

另外，圖結構的存在彌補了CNN與RNN在數據結構上的不足，CNN與RNN都只能進行歐幾里得結構類型的運算，而圖則可以進行非歐幾里得結構領域的運算，這是其顯著優點。

2）融合了各項關鍵技術的多種優勢

同步向量測試單元是電網廣域測量系統的基本構成單元，對電網的檢測具有重要作用，其實時監測、準確測量和可靠上傳的功能是電網穩定分析和控制的基本前提。

此算法功能強大，利用圖的強大存儲能力與自適應學習的能力，完美融合了各項關鍵技術的多種優勢融合同步向量測量技術中的動態監視與狀態估計、模型的驗證和繼電保護和故障定位、穩定預測與控制等技術。

3）穩定性與安全性

本算法內部具有自適應程序和反饋程序，可以一定程度上提高整個系統的穩定性與安全性。

4）具有自適應學習能力

作為一種高效的機器學習方法，圖神經網絡技術對完成對微弱信號的檢驗和對各傳感器信息實時處理，具有自適應自學習功能，實現自動目標識別、容錯性高及掌握環境特征的自動化，抗干擾能力強等優點。

5）具有可靠的數據存儲能力

本系統可以與大型的數據庫互相配合提高效率，即可以導入大型數據庫中的大量數據記錄進行精細處理。同時支持多種存儲引擎，極大地提高了存儲能力。

4總結

本系統使用圖神經網絡的高效算法進行測量電力電網系統中的用戶參數等狀態信息，并對整個系統的狀態進行風險評估。系統所獲得的這些數據均為實時數據，將數據上傳至云平臺，利用向量測量單元進行數據處理實現對電網的高精度早期預警，預防出現電網事故，造成巨額損失。智能電網的運行與維護通過與本設計的監測系統緊密結合逐漸實現對電網控制的信息化、自動化、和互動化[4]。本電網檢測系統若能投入生產，可以實現社會能源利用效率的提高，使地區電網的運行、維護和管理成本降低。智能電網系統是國家電力系統未來發展的一個大方向，所以電網的監測系統更應受到重視。在國家電網的不斷發展過程中，正是電力的生產、輸送、分配憑借計算機技術、智能控制技術和網絡通信技術的幫助，實現電力系統的“經濟高效、靈活互動、友好開放、清潔環保”[5]。

參考文獻：

[1] 趙希正.強化電網安全保障可靠供電——美加“8·14”停電事件給我們的啟示[J].電網技術，2003，27（10）：1-7.

[2] 趙港，王千閣，姚烽，等.大規模圖神經網絡系統綜述[J].軟件學報，2022，33（1）：150-170.

[3] 楊彥波，朱建軍.電力系統同步向量測量單元測試方法設計[J].寧夏電力，2021（4）：39-43.

[4] 李建勇.淺析智能電網系統的發展與市場前景[J].電力設備管理，2021（4）：31-33.

[5] 方嘉祥.智能電網信息安全及新技術研究綜述[J].科技與創新，2022（4）：21-25.

【通聯編輯：梁書】