(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210850554.5 (22)申请日 2022.07.20 (71)申请人 广西大学 地址 530005 广西壮 族自治区南宁市西乡 塘区大学东路10 0号 (72)发明人 殷林飞　黄嘉昊　贺晓宇　胡立坤　 张枥仁　 (74)专利代理 机构 南宁东智知识产权代理事务 所(特殊普通 合伙) 45117 专利代理师 黎华艳 (51)Int.Cl. G06F 30/20(2020.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多层区间段分离图神经网络的多点接 地线定位方法 (57)摘要 本发明提出一种多层区间段分离图神经网 络的多点接地线定位方法。 该方法主要步骤包 括： 搭建模拟检测线路， 模拟各类接地情况并收 集数据， 作为训练图神经网络的样本； 由图注意 力网络自适应地给节点之间分配权重并聚合； 由 带动量的梯度下 降法计算每层训练好的图神经 网络的偏 差； 将偏差转化为权重并分配给每个训 练好的图神经网络层； 输入实际检测信号； 对每 层输出进行线性叠加； 找出可能接地的节点分离 并验算； 得到多个不同分支的接地段。 所提基于 多层图神经网络的配电网接地检测方法能解决 多个接地点的接地检测问题， 实现在多个接地点 情况下得到多个 接地段的功能， 提高检测精度。 权利要求书4页 说明书6页 附图1页 CN 115221706 A 2022.10.21 CN 115221706 A 1.一种多层区间段分离图神经网络的多点接地线定位方法， 其特征在于， 将多层图神 经网络和带动量的梯度下降法进行结合， 引入分段操作和分离操作， 能够得到多个接地段 和接地概率， 能解决多点位接地带来的不确定性问题， 提高检测精度； 在 使用过程中的步骤 为： 步骤1， 搭建模拟检测线路， 模拟各类接地情况并收集数据， 作为训练图神经网络的样 本； 步骤2， 根据模拟检测 线路结构图， 设模拟检测 线路有K条分支， 把每条分支均 分成Nduan 段， 把每段看成一个节点， 其中第k条分支第n个节点xk， n表示的段为(xk， n， xk， n+Δxk]； k＝1， 2，…， K； n＝1， 2， …， Nduan； Δxk为第k条分支Nduan等分后的长度， 段中xk， n表示第k条分支上距 离第k条分支的起始点(n ‑1)Δxk的位置； 总节点数为 N′＝K×Nduan； 步骤3， 根据分段后节点连接关系画出模拟检测线路的拓扑图， 并得到邻接矩阵A； 邻接 矩阵A描述的是拓扑图中节 点的连接关系， A的维度为N ′ ×N′； 其中， 若节 点xk， i和节点xt， j相 连接则互为邻居节点， t＝1， 2， …， K； i、 j＝1， 2， …， N； A中第(k ‑1)Nduan+i行第(t ‑1)×Nduan+j 列元素和第(t ‑1)×Nduan+j行第(k ‑1)Nduan+i列元素都为1； 若两节点 不相连则都为0； 步骤4， 取训练网络的一个样本， 对图神经网络进行训练； 其中一个样本的特 征矩阵为： 其中， U的维数为N ′ ×7； V1， 1， 1、 V1， 1， 2和V1， 1， 3为节点x1， 1的三相电压幅值信息； I1， 1， 1、 I1， 1， 2 和I1， 1， 3为节点x1， 1的三相电流幅值信息； P1， 1值为1表示这个样本中节点x1， 1接地； P1， 1值为0 表示这个样本中节点x1， 1非接地； V1， 2， 1、 V1， 2， 2和V1， 2， 3为节点x1， 2的三相电压幅值信息； I1， 2， 1、 I1， 2， 2和I1， 2， 3为节点x1， 2的三相电流 幅值信息； P1， 2值为1表示这个样本中节点x1， 2接地； P1， 2 值为0表示这个样本中节点x1， 2非接地； Vk， n， 1、 Vk， n， 2和Vk， n， 3为节点xk， n的三相电压幅值信息； Ik， n， 1、 Ik， n， 2和Ik， n， 3为节点xk， n的三相电流幅值信息； Pk， n值为1表示这个样本中节点xk， n接 地； Pk， n值为0表示这个样本中节点xk， n非接地； 和 为节点 的三 相电压幅值信息； 和 为节点 的三相电流幅值信息； 值为1 表示这个样本中节点 接地； 值为0表示这个样本中节点 非接地； 在U中取出 第7列构成概率向量 在U中取出第(k ‑1)Nduan+n行作为节 点xk， n的状态特 征向量 步骤5， 将邻接矩阵A和特征矩阵U输入图神经网络； 每个节点的输入为状态特征向量 图神经网络通过嵌入传播迭代地聚合目标节点邻域的信息， 堆叠B层传播层获得高阶 邻域信息， 更新节点状态； 节点xk， n经过计算聚合后节点状态为： 权　利　要　求　书 1/4 页 2 CN 115221706 A 2其中， 为节点xk， n在图神经网络第l层传播层的节点状态， l＝1， 2， …， B； f (·，·，·，·)为状态转移函数， 为与节点xk， n相连边的特征 向量， 为节点xk， n 的邻居节点状态特征向量， 为节点xk， n在第l‑1层传播层节点状态； 通过B层传播层聚 合得到节点xk， n最终状态 和状态特 征向量 V′k， n， 1、 V′k， n， 2和V′k， n， 3为节点xk， n经过计算聚合后的三相电压幅值信息， I ′k， n， 1、 I′k， n， 2和 I′k， n， 3为节点xk， n经过计算聚合后的三相电流幅值信息， P ′k， n为节点xk， n经过计算聚合后产 生的接地 概率； 步骤6， 引入图注意力网络， 自适应地给节点之间分配权重并聚合； 将N ′个节点的状态 特征向量集合 作为输入， 通过图注意力网络计算后得到新 的N′个节点的状态特 征向量集合 V″k， n， 1、 V″k， n， 2 和V″k， n， 3为节点xk， n通过图注意力网络计算后的三相电压幅值信息， I ″k， n， 1、 I″k， n， 2和I″k， n， 3 为节点xk， n通过图注意力网络计算后的三相电流幅值信息， P ″k， n为节点xk， n通过图注 意力网 络计算后的接地概率； 具体方法为对节 点xk， n和节点xt， j分别应用权重矩阵W， W的维数为7 × 7， 计算节点注意力系数： 其中， L(·)表示激活函数 exp(·)表示以e为底的指数函 数， ak(n)， t(j)代表注意力系数， N(xk， n)代表节点xk， n的邻接点的集合， 代表权重矩阵， 的维 度为1×14； W代表线性变换权重矩阵， W的维度为7 ×7； 再将注意力系数和节点状态特征向 量做线性组合得到节点xk， n的输出状态特 征向量 为： 其中， 步骤7， 将所有N ′个节点的状态特征向量重新整合成状态矩阵U ″， 并取出第7列构成概 率向量 U″为： 其中， 为： 权　利　要　求　书 2/4 页 3 CN 115221706 A 3