图注意力网络

卷积神经网络由于其有限的感受野无法高效捕捉到电力场景中避雷器、GIS进线套管等设备的上下文信息，进而影响检测效果。为解决上述问题，引入基于Transformer的体素注意力网络，提出局部注意力和空洞注意力机制来分别捕获图像体积像素中的近程和远程特征联系，在保证计算开销不增大的同时，有效扩大注意力范围。同时，设计子流形体素模块和稀疏体素模块来分别提取非空体素位置和空白体素位置上的特征信息。最后，在通用数据集Waymo和KITTI以及云南省某输变电区域的图像数据集上与主流模型进行比较，证明所提模型对于电力设备的检测具有更加优越的性能。

随着电网的扩大与新能源比例的增加，电网的不确定性和随机性因素增加，危及系统安全运行，寻找出电网中的脆弱性关键环节来保障电网运行时的可靠性就显得尤为重要。针对当前传统电网脆弱性关键环节辨别方法识别速度慢、难以满足电网实际运行要求的问题，提出了基于改进图注意力网络算法(improved graph attention network, IGAT)的电网脆弱性关键环节辨识方法。首先，结合复杂网络理论和电网实际运行数据建立评价指标集。其次，利用IGAT挖掘出电网运行时的各项指标与脆弱性关键环节之间的映射关系，建立脆弱性关键环节辨识模型，并且考虑到训练准确性和效率等需求，对原始的图注意力网络进行优化。再次，通过仿真得到原始数据集，对辨识模型进行训练、验证和测试。最后，利用所述模型应用于改进的IEEE 30节点系统和实际电网中，结果表明所提方法具有可行性，且准确性和速度优于传统方法，有一定的工程利用价值。

快速、准确地定位故障区段对配电网的安全运行至关重要。传统故障定位方法容错率低、耗费时间长，多数深度学习算法对拓扑变动的泛化性不足。基于此，提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network, 1D-CNN)和图神经网络(graph neural network, GNN)的配电网故障区段定位方法。该方法将配电网原始信息与GNN等深度学习算法相结合进行建模。首先利用基于注意力的时空图卷积网络从不同的时空尺度上对遥测数据进行故障特征提取，使用图注意力网络来融合多源遥信数据。然后，利用1D-CNN来调整特征输出维度以实现节点特征到故障支路的映射。最后，通过增设全连接网络来输出故障区段定位结果。依托于Matlab/Simulink平台搭建10 kV中性点不接地配电网系统进行仿真和测试。结果表明，所提方法具有优越的定位性能，能够灵活适用于各类低、中、高阻性接地故障场景，对系统拓扑变动具有强大的泛化能力以及对故障数据不完备的鲁棒性好。