异构图多任务学习用于智能电网故障事件诊断

原文标题: A Heterogeneous Graph-Based Multi-Task Learning for Fault Event Diagnosis in Smart Grid

来源: IEEE Transactions on Power Systems (2024)

关键词: 智能电网、图神经网络、多任务学习、故障诊断

摘要

智能电网中的故障诊断需要同时完成多个任务：故障检测、故障定位、故障类型分类、故障电阻估计和故障电流估计。本文提出**异构多任务学习GNN (MTL-GNN)**架构，同时执行分类和回归任务，解决实际部署中的挑战。

1. 问题背景

1.1 智能电网故障诊断的重要性

故障期间错误操作可导致级联停电
需要准确识别故障位置和类型
故障电阻和电流信息用于安全措施

1.2 故障类型

类型	缩写	描述
单相接地	LG	Line-to-Ground
相间短路	LL	Line-to-Line
两相接地	LLG	Line-to-Line-to-Ground
三相接地	LLLG	Line-to-Line-to-Line-to-Ground
三相短路	LLL	Line-to-Line-to-Line

1.3 现有方法的局限性

类别	方法	局限性
传统方法	行波法、阻抗法	需要特殊设备
CNN/MLP	单任务学习	任务耦合，效率低
现有GNN	单一故障类型	不够全面

2. 系统架构

2.1 异构多任务学习框架

┌──────────────────────────────────────────────────────────────┐
│                    MTL-GNN Architecture                       │
├──────────────────────────────────────────────────────────────┤
│                                                               │
│  输入: 电网拓扑图 + 电压/电流测量                              │
│         ↓                                                     │
│  ┌─────────────────────────────────────────────────────────┐ │
│  │  GNN Backbone (共享特征提取)                             │ │
│  │                                                          │ │
│  │  节点特征: 电压/电流相量                                  │ │
│  │  边特征: 阻抗、导纳参数                                   │ │
│  └─────────────────────────────────────────────────────────┘ │
│                              ↓                                │
│  ┌─────────────────┬─────────────────┬─────────────────────┐ │
│  │  分类头         │  分类头         │  回归头              │ │
│  │                 │                 │                      │ │
│  │  故障检测       │  故障类型       │  故障电阻/电流       │ │
│  │  故障定位       │  分类           │  估计                │ │
│  └─────────────────┴─────────────────┴─────────────────────┘ │
│                                                               │
└──────────────────────────────────────────────────────────────┘

2.2 五个任务

任务	类型	输出
故障检测	二分类	有/无故障
故障定位	多分类	故障节点
故障类型	多分类	LG/LL/LLG/LLLG/LLL
故障电阻	回归	电阻值(Ω)
故障电流	回归	电流值(A)

2.3 异构性

异构体现:

任务类型异构：分类+回归
节点类型异构：不同类型的电气设备
边类型异构：不同类型的连接

3. 核心技术

3.1 图结构表示

节点: 配电系统中的母线边: 配电线路

节点特征:

电压幅值
电压相角
电流测量值

边特征:

线路阻抗
线路导纳
调节参数

3.2 GNN消息传递

聚合公式:

h_v^(l+1) = σ(W × AGG({h_u^(l) : u ∈ N(v)}))

3.3 多任务学习

损失函数:

L_total = λ_1 × L_detection + λ_2 × L_localization + 
          λ_3 × L_classification + λ_4 × L_resistance + 
          λ_5 × L_current

分类任务: 交叉熵损失 回归任务: MSE损失

4. 实验

4.1 测试系统

IEEE-13母线系统
IEEE-37母线系统
IEEE-123母线系统

4.2 考虑的实际挑战

挑战	处理方式
测量误差	添加噪声训练
可变故障电阻	范围内随机采样
小数据集	数据增强
拓扑变化	多拓扑训练
稀疏测量	部分可观测设置

4.3 主要结果

故障定位准确率:

方法	IEEE-13	IEEE-37	IEEE-123
MLP	85.2%	78.6%	72.3%
CNN	88.5%	82.1%	76.8%
单任务GNN	92.3%	88.7%	84.5%
MTL-GNN	96.8%	94.2%	91.3%

故障电阻估计RMSE: MTL-GNN显著优于单任务方法

5. 与AIOps的关联

5.1 技术借鉴

技术	AIOps应用
异构图建模	异构运维数据融合
多任务学习	同时检测定位分类
图结构	服务依赖关系

5.2 潜在应用

微服务故障诊断: 类似的多任务框架
网络故障定位: 图结构天然适用
异常根因分析: 多目标同时优化

6. 结论

MTL-GNN通过异构多任务学习有效解决了智能电网故障诊断问题：

同时处理分类和回归任务
GNN有效建模电网拓扑
解决实际部署中的多种挑战

为基础设施故障诊断提供了通用的技术方案。

附录：关键公式

多任务损失

L = Σ_i λ_i × L_i

分类: L_cls = -Σ y_i log(ŷ_i)
回归: L_reg = (1/n) Σ (y_i - ŷ_i)²