基于圖卷積神經網絡的電力通信網故障量化計算研究

徐珂航，王民昆，張 磊，王昊宇，謝俊虎

(國家電網公司西南分部，四川 成都 610041)

0 引言

智能電網的構建離不開電力系統通信網絡的發展，電力系統通信網絡的運行狀態直接關系到智能電網系統的安全穩定運行。近年來，隨著社會的發展，需要大量的電力能源供應，電力系統愈加龐大，系統架構愈加復雜，導致電力通信網在運行過程中發生的故障愈加頻繁。在海量的故障告警信息中提取到關鍵有用的信息顯得愈加困難。目前，針對電力通信網故障的風險評估方法大多基于人工經驗，無法準確得到故障對整個系統的影響程度，經常出現誤判、漏判，導致無法有力保障電力系統的安全運行[1-2]。因此，針對電力通信網故障風險的定量計算研究受到了研究者們的廣泛關注。

近年來，面向電力通信網的故障告警診斷研究受到了專家學者的廣泛關注。劉東等[3]構造了具有3層屬性的調度信息數據集，并設計了利用知識網絡控制推理過程的方法，實現了電力故障診斷的方案。Zhou等[4]提出了基于關聯規則挖掘的電力通信網故障診斷方法，可以實現快速推斷故障的根本原因。張為金[5]提出了基于機器學習的電力異常數據檢測方法，實現了電力通信網告警數據的分析檢測。汪崔洋等[6]提出了基于告警信號文本挖掘的電力調度故障診斷，實現了電力通信網絡的故障診斷。劉軍等[7]基于人工智能技術實現了電力骨干通信網中的告警預測。杜華清等[8]提出了一種基于Spark框架的加權FP-Growth并行電力通信網故障挖掘方法，能快速、準確地完成電力通信網故障診斷。

上述研究中，基于人工智能、機器學習、關聯規則和文本挖掘等方法對電力通信網故障診斷進行了研究，取得了大量的成果，為電力通信網故障診斷提供了強有力的支撐。其中，大量電力通信網故障告警研究主要集中在電力通信網的故障定性檢測[9-13]。目前，針對通信網絡的定量計算研究主要通過構建風險管理模型，同時采用層次分析法對影響節點安全的風險指標進行風險賦值，并通過風險事件發生可能性的定量計算完成威脅風險分析[14-16]。定量計算方法中的安全風險指標賦值通過專家系統經驗進行打分，沒有反饋調節過程，導致指標打分適應性降低；在指標權重的確定過程中為采用智能手段進行指標權重訓練，導致定量計算結果不佳。而對電力通信網故障告警進行定量計算，準確劃分故障程度，提高工作人員處理故障的效率，對電力系統安全穩定運行具有十分重要的意義。

本文的主要貢獻有以下2點：

① 建立了基于熵權法的自適應反饋專家打分系統，動態計算電力通信網最小單元故障告警庫的評價指標權重。

② 提出了一種新型圖卷積神經網絡，實現節點級和區域級的故障量化計算。

1 電力通信網故障告警危害性評價體系

通過建立電力通信網故障告警危害性評價體系，并引入可以實時反饋干預的專家評估系統，采用專家決策干預的方法處理大規模電力通信網上的故障告警指標信息。

1.1 電力通信網故障告警分類

為了實現對電力通信網絡的快速告警收集，闡述對現有故障告警信息[9-13]進行進一步整合分類的方法,給出了不同終端設備故障對網絡整體影響的分級，顯著降低系統的整體計算量。分級包括2層：在對故障告警的危害性進行評估時，先對告警信息的設備來源進行類別查詢，再對每一類故障進行危害性評估。

告警終端視角下的電力系統如圖1所示。整個電力系統從發電廠端出發到用戶端[17]，電力通信網主要包括骨干通信網和終端通信網，骨干通信網中根據通信網中心層級的不同，共分成4個層級的通信網；終端通信網根據配電壓的不同，分成2個層級的通信網[18]。整個電力通信網系統由傳輸網、交換網、數據網和支撐網等多種專業網絡系統組成，包括電網運行控制、電網生產管理和管理信息化等業務。據此，可以將電力通信網故障分為6大類：一級通信網故障、二級通信網故障、三級通信網故障、四級通信網故障、中壓通信網故障和低壓通信網故障。

圖1 告警終端視角下的電力系統

1.2 電力通信網設備故障告警危害性評價矩陣

本文提出了5個對電力通信網設備故障的評價指標，分別是通信設備控制執行器的可靠性、通信數據傳輸的穩定性、通信設備的可維護性、影響電力傳輸的安全性和影響電力調度管理的可行性，所有評價指標均滿足目前電網安全性評估報告[19]，如圖2所示。

圖2 電力通信網設備故障評價指標

(1)

式中，元素的取值為0～1，數值越大表示故障對該設備節點評價指標的影響危害性越大。該矩陣為專家評估系統和系統告警信息提供了融合的反饋容器。在實際部署時，針對不同終端分別建立專家反饋錨點，從而形成基于通信設備節點的故障危害性評價系統。

1.3 基于熵權法的自適應反饋專家打分系統

專家打分系統包括對評價矩陣的正向干預和對打分信息的逆向反饋，結構如圖3所示。建立的自適應反饋專家打分系統包括4個部分：故障告警危害性打分操作庫、評價指標的危害性矩陣、評價指標權重以及反饋參數[20]。

圖3 自適應反饋專家打分系統

通信設備節點故障告警危害性打分操作庫由專家庫和反饋參數φ組成，通過專家庫中專家對不同故障告警對設備危害性評價進行評分。同時，在實際應用中，不同時期下對設備的要求會變化，因此為了專家評分系統具有自適應性，加入了反饋參數φ，根據實際工作情況對專家打分進行動態調整，提高專家打分系統的自由度，保障評分的合理性。

通過專家打分操作庫中專家及反饋參數對通信節點故障告警危害性進行打分，采用加權平均的方法得到故障告警危害性矩陣Hn=(hij)m×k，其中，hij為第j個指標下第i個節點的危害性值，m為待評故障告警，k為評價指標個數。

首先，計算第j個指標下第i個節點的危害性值的比重qij：

(2)

然后，計算第j個指標的熵值ej：

(3)

其次，計算第j個指標的熵權aj：

(4)

由此，可以得到評價指標權重A。其中，反饋參數φ是通過實際操作人員對故障告警處理的長期記錄，來評價不同評價指標的權重，反饋參數φ大于閾值δ時，會將操作人員的評價權重反饋給相應的評分專家，評分專家再根據實際情況進行參數調整。

由于不同設備在電力通信系統中具有不同的重要性，本文同樣基于5個評價指標建立設備節點j對通信系統的重要性評價向量Kj：

(5)

2 基于大規模網絡區域性嵌入故障告警的智能定量模型

由于電力通信網絡節點之間存在拓撲結構，根告警及衍生告警作為一類告警族群，重疊分布在電力通信網中[21]，提出一種全新的可嵌入區域動態權重圖卷積神經網絡(Embedded-Regional Dynamic Weight Graph Convolutional Network,ERDW-GCN)的告警定量模型，基于前述成果，智能、快速地統籌區域內可觀察告警，同時學習專家打分模式自動化定量故障。

2.1 符號表示

給定一個含有N個節點的電力通信網絡N=(Z,ε)，其中Z∈N×d表示所有節點的屬性，d為每個節點的最小單元告警故障定量計算模型的因素的特征維度，Zi·為Z的第i行，Z·j為Z的第j列，zij為節點i的第j個故障因素(上文已經給出具體意義)。N的度矩陣和鄰接矩陣對應為D和A，同時規定其中I是單位矩陣，為對應的度矩陣。L表示N對應的拉普拉斯矩陣，定義為給定一個M層的圖卷積神經網絡[22]Φ(·)，其層向+1層傳遞表示為：

Z=σ(h(L)Z+b)，

(6)

式中，d為第層的輸出維度；表示該層可訓練矩陣；b∈N×dl表示可訓練的偏差；σ(·)為激活函數。該GCN的前向傳播可以表示為Φ(Z)。

2.2 區域內可訓練權重參數

定理1給定一個Φ(·)，若di≡d，則Φ(Concatj(Z·j))=Concatj(Φ(Z·j))。其中，Concat(·)表示按列合并。

證明過程見附錄A。定理1給出了GCN訓練過程中不同故障因素之間的獨立性。為了使GCN在訓練過程中給出一個自適應的專家打分，需要額外設置可訓練參數約束層間傳輸時不同因素的權重。具體地，根據定理1，給定一個節點i，一個映射f:→d將節點編號映射到d維賦范特征空間，即f(i)={zi1,zi2,…,zid}。

(7)

式中，ωi∈1×d代表了可訓練權重參數，第j項表示為ωi(j)。每次自動評價通過f(i)⊙ωi(i)完成。也就是說，給定本輪訓練的目標故障區域將其層向+1層的前向傳播改進為：

(8)

式中，⊙表示哈達瑪積。此時，改進的GCN已經可以容納節點粒度的因素控制能力，接下來將所有可訓練參數向專家經驗收斂。

2.3 參數正則項與模型訓練

(9)

進一步地，為了確保打分的可解釋性，需要擬合可訓練權重參數ωi至專家給出的權重Bi。具體地，在每一輪結束后，添加正則項：

(10)

用來使可訓練的權重參數向專家權重收斂。

最后，RDW-GCN的損失函數為：

(11)

RDW-GCN的訓練過程如算法1所示。

算法1 RDW-GCNRequire:待檢測電力通信網絡 ,初始化的RDW-GCNΦ (·)。1:初始化RDW-GCN參數θΦ (·)=Gauss(0,1)2:for訓練周期 edo3: 隨機選取 ?α? 4: y?i←Φ (Z?i)∥計算當前GCN的輸出5: LossθΦ (·)(Z?i)←∑i∈ ?αCC(SS(y?i),Ki) ?i6: Reg(θΦ (·))←∑dk=1(ωi(k)- ik)7: ?e←LossΦ (·)(Z?i)+Reg(Φ (·))8: θΦ (·)←θΦ (·)←?e∥梯度更新9:end forEnsure:訓練好的RDW-GCN權重θΦ (·)。

2.4 區域內故障嵌入量化

目前，RDW-GCN可以根據網絡結構，模擬專家統籌區域內故障，實現智能化節點級打分。本節介紹計算區域總故障的方法。RDW-GCN具有匯聚周圍節點信息的功能，它可以從全局角度自動化綜合節點級別的故障因素至區域級別，從而實現區域內故障量化。

(12)

式中，μi為可訓練參數，也就是說，區域內的故障節點的特征因素被嵌入至嵌入空間E～d中。ERDW-GCN的訓練過程保證隨著網絡的擴張，其嵌入位置不會劇烈震動。使用利普希茨連續條件約束嵌入空間的振動[23]。具體地，對于任意和規定滿足利普希茨連續條件，即：

也就是說，使用新增鄰居節點的度來度量自變量的變化。基于上述條件，構建動態擴張的ERDW-GCN訓練方法。對于網絡N，ERDW-GCN的訓練參數μ∈|N|根據神經網絡輸出的嵌入坐標的振動幅度動態調整，直到隨著網絡擴張，ERDW-GCN提供的嵌入坐標變化滿足上述利普希茨連續條件[23]。ERDW-GCN在訓練和預測過程中凍結了參數中的θΦR(·)，即參數θΦE(·)=μ。ERDW-GCN的訓練過程如算法2所示。

算法2 ERDW-GCNRequire:訓練好的θΦ (·)。1:初始化ERDW-GCN參數θΦE(·)=Gauss(0,1),隨機選取初始化故障區域取 ?tar? 2: ←ΦE( ?tar)∥計算初始嵌入位置3:for訓練周期edo4: ?,+tar← ?tar∪Nab(N?tar)5: +←ΦE( ?,+tar)∥嵌入空間的位置6: d← , +ΦE∥嵌入空間的距離7: nd←c∑i( ?tar)Nab( ?tar)i8: if dnd≥cthen9: θdirect←θbackΦE(·)-θΦE(·)∥回滾方向10: θdirect←θΦE(·)-γθdirect∥回滾參數11:else12: ?e←?θΦE(·)[CC(SS( ),SS( +))]∥梯度計算13: θΦE(·)←θΦE(·)←?e∥參數更新14: θbackΦE(·)←θΦE(·)∥梯度備份15: ← +∥記錄嵌入位置16:end if 10:end forEnsure:訓練好的ERDW-GCN權重θΦE(·)。

(13)

2.5 神經網絡訓練方式及參數細節

神經網絡的訓練設置為：

(1)參數θΦB(·)和θΦE(·)初始化方法采用在[0,1]區間隨機初始化的方法；參數θΦR(·)采用均值為0的正態分布初始化方法。

(2)訓練的學習率為0.05，采用隨機梯度下降(Stochastic Gradient Descent,SGD)的方法進行反向傳播。

(4)神經網絡的層數為2，第一層為算法1所規定的RDW-GCN，第二層為算法2所規定的ERDW-GCN，每一輪訓練結束后，第一層向第二層傳遞θΦE(·)。

(5)學習總共輪數為500，經試驗判定該輪數可以使式(11)所規定的Loss函數很好地收斂。

(6)第一層所采用的激活函數是Softmax函數，第二層所采用的激活函數是Sigmoid函數。

3 實驗分析

本文實驗分析所采用的電網故障告警數據取自某省電力調控中心2020年8月13日—2020年9月24日的所有故障報警數據。由于數據量較大，對其中的某個變電站A的通信網故障報警數據進行實驗分析，其數據信息如表1所示。同時，將變電站A的故障報警量按8∶2的比例隨機劃分為訓練集和測試集，以驗證本文提出的故障告警定量計算研究方法的可行性。

表1 實驗數據詳細信息

3.1 通信網絡節點權重訓練的收斂性

在對電力通信網故障進行定量計算前，需要對通信網絡節點進行指標評價，根據算法1，通過對定義的通信網絡節點進行訓練，可以自動準確地得到每個節點的權重指標，將其與專家打分系統進行對比，得到算法對通信節點權重訓練的收斂性。

對10個典型的通信網絡節點進行權重指標訓練，如圖4所示。由于本文提出了5個權重指標，圖中縱軸為5個指標權重的交叉熵(·)，橫軸為迭代次數。可以看出，算法有較好的收斂效果,為電力通信網絡故障告警定量計算奠定了基礎。

(a)節點1的收斂曲線

3.2 電力通信網故障告警定量計算實例

根據采集到的故障報警數據報文，從報文數據信息定位到具體發生故障的相關站點，并基于已有的算法得到通信網故障報警的根節點和衍生告警節點，將根告警和衍生告警視為一個區域，基于本文提出的RDW-GCN告警定量計算模型，準確計算出區域告警值。

為更直觀地解釋定量計算模型的工作原理，令某根告警為A，B兩類，其衍生告警分別為(A1,A2),(B1,B2,B3)且衍生告警設備節點不全在同一個設備節點中，其中根告警A及其衍生告警涉及2個不同設備s1,s2，根告警B及其衍生告警涉及到3個不同設備s1,s2,s3。根據專家打分系統以及算法1可以得到設備節點故障的危害性評價指標值，如表2所示。

表2 設備節點故障危害性評價指標值

通過上述計算可以看出，本文提出的方法可以精確計算出通信節點設備的告警等級。如ωB所示，其告警值較低，由于復雜的電網通信系統中存在大量的告警信息，根據計算出的告警值，設置一定大小的閾值ε，若計算出的告警值大于ε，系統向管理員可視化展示報警信息；若小于ε，則忽略該報警信息。

為更好體現本文提出方法的效果，將本文提出的方法與目前基于風險管理模型[21]以及基于矩陣法的風險定量計算[22]方法進行對比，如表3所示。由表3可以看出，本文提出方法在權重指標的計算上可實現智能自適應反饋調節，同時可實現節點級和區域級的故障量化計算，更好地為電力通信網故障判斷提供依據。

表3 本文提出的方法與其他方法的對比效果

3.3 電力通信網故障告警事務處理效率

該方法不僅能精確地計算出通信節點設備的告警等級，同時在處理告警數據的效率上也有很大的優勢，告警事務處理效率對比如圖5所示。

圖5 告警事務處理效率對比

可以看出，與傳統的通過普通滑動窗口和層次分析法來處理告警數據相比，本文提出的方法在處理同樣的告警事務量下，消耗的時間最小。

4 結束語

針對電力通信網的故障告警問題，提出了一種基于圖卷積神經網絡的電力通信網故障量化計算研究方法，通過建立電力通信網故障告警危害性評價模型，并引入可以實時向外呈現并向內干預的專家評估系統，在不引入額外資源需求的情況下對告警故障危害性進行量化評估，建立了基于大規模網絡區域性嵌入的故障告警智能定量模型，實現了節點級和區域級的故障量化。實驗結果表明，提出的方法可以實現根告警及其衍生告警的告警等級確定以及告警值的定量計算，同時可以提高告警事務的處理效率，提高電力通信網的安全水平。