基于图神经网络的智能电网监测系统的设计

摘要：近年来，随着社会的不停前进发展，我国的科学技术发展迅速，国家的进一步发展对电力供应提出更高的要求。针对全国各地电网的输电线路所处环境存在不确定性，使线路运行不安全的问题，提出基于图神经网络的智能电网监测系统设计。该系统基于图神经网络，将数据建模为图，构建数据集，将数据进行神经网络训练得到异常数据模型，并采用了记忆增强神经网络提高了系统的稳定性，最终得到异常监测指标。实验表明，该系统有效解决了电网电线路所处环境不确定性的问题，保障了线路运行的安全，避免由电网故障带来的巨额损失。

关键词：图神经网络;数据建模;数据集;异常数据监测模型;记忆增强神经网络

中图分类号：TP18         文献标识码：A

文章编号：1009-3044（2022）13-0077-02

1引言

进入 21 世纪新时代的中国，对电力的需求火速增长，电力建设随着经济发展和西部大开发战略的实施不断加强施工完善，电网的发展已全面推进南北互供、西电东送与全国联网等有效政策。电网系统的不断完善使中国实现电力更大范围，更大规模资源优化配置的新阶段[1]。因此应重视电力供应的质量和数量的问题，电网是经济发展的主要基础产业，是国家能源产业链的核心环节。因此，增大对智能电网的投入和研发，促使电力设备不断完善和不断增长，使国家电力系统安全稳定可靠。本文对电网电线路所处环境的不确定性的问题进行研究和分析，研究了一种基于图神经网络的智能电网监测系统，用于加强对电力的监控，保障电力安全稳定运行，致力于解决国家电网的检测问题，减少电网故障和用电事故的发生。

2设计方案

2.1 系统总体设计方案

电力设备状态检测的核心技术就是融合各种技术进行全方位的监测，通过设备管理解决复杂的工作环境带来的各种问题。本设计是依靠图神经网络的智能电网监测系统，设计方案包括如下步骤：采集数据、预处理、搭建网络模型、预训练和迁移学习、预测和抽检验证以完善整个预测系统（如图1所示）。

具体步骤是：第一，通过利用数据信息平台系统获取大量的电力装置信息、环境情况和电网运行状态等多种电力设备工作时的具体数据，然后继续对各种电力装置的数据进行高精度分析和自动化学习，从大量数据中分析出数据的规律，继而对电力装置的状态进行详细诊断、评估与预测相关的风险以及预警，获取有价值的分析数据，建立状态评估模型;第二，通过各种指标和分析方法，把电力设施设备的大量数据通过数据统计、图表、数值比较等更加直观、具体的方式呈现，准确地反映出设备的状况，为生产设备管理时刻严格把控设备的正常运行状态，提升设备正常运行的水平;第三，通过对智能系统所监控的电能进行大量数据分析，了解配电、配网设备的工作状态是否正常，实行高效的政策，使电力系统的所提供的电力质量能被有效管理，及时发现当地电网是否存在损耗、电能效率是否在合理范围、供电是否安全等重要问题;第四，通过了解企业生产设备情况，及时处理因设备的损耗造成运行电能浪费、电耗不合理、设备工况不良等问题;第五，通过数据分析出每个设备或设备群的单耗与用电成本，为电能的考核提供了准确的依据;第六，能够及时监测到生产设备的空载耗电情况，例如智能家居等用电产品的电能浪费情况。基于图神经网络的电网监测系统的实测数据以及异常警告能为电网安全提供优质的保障。

相比于人工检测，此算法提高了部件检测的准确率以及效率，减少了人为因素对检测的干预，降低了人工成本和检测成本。相比于传统机器学习方法，图神经网络不要求数据的组成形式必须具有良好的空间关系，即具有排列齐整的矩阵形式，也可以处理非结构化输入的特点，极大地提高了模型的表达能力。图神经网络算法将深度神经网络的运算（如卷积、梯度计算）与迭代图传播结合在一起每个顶点的特征都是由其邻居顶点的特征结合一组深度神经网络来计算[2]，相比于卷积神经网络方法，图神经网络方便更好地处理各元素的逻辑关系，从而提高和完善模型的泛化能力。在网络的学习过程中，每个节点负责传播自身的信息以及综合邻居节点的信息，从而学习掌握数据的逻辑范式。

2.2软件开发环境与设计

基于图神经网络的电网监测系统，需要充分运用互联网在生产配置中的强化和融合作用，将互联网深度融合于区域配电网系统中进行数据的传输。本系统使用云服务器ECS搭建软件开发环境，借助Laravel框架、轻量级jQuery前端框架以及百度地图API进一步完善系统，使其地域包容性能发挥到最大。其次，进一步通过代码编写实现用户管理系统、数据实时显示、地理信息系统、故障预警系统和历史数据查询系统，共同构成一个完善的检测系统。通过软件实现用户管理层、传输层、支撑层和应用层于一体，可实现区域配电网的实时监测、智能检修、智能评估，大大减轻区域配电网的建设与维护工作[3]。

2.3图神经网络

传统的神经网络技术：利用拉普拉斯矩阵的特性，分解定义了图傅里叶变换，即可得到基于图傅里叶变换的异常检测方法。另一主流技术是，利用传统卷积神经网络（CNN），实对数据的顺序输入，进而实现异常分类。具体的步骤是，当给该网络系统一张全新的图信息时，CNN并不能迅速正确地判断这些信息特征要与原图的哪些部分匹配，所以CNN会将图中每一个坐标的数据和信息特征进行匹配，相当于把这个feature（特征）变成了一个过滤器。故把用来匹配的过程称为卷积操作;CNN通过另一个手段——“池化（Pooling）”，使计算更加高效。池化就是通过对输入的图片进行相同间隔地舍弃一部分信息，降低像素，但保留主要的特征信息。完成上述两个步骤后，信息就会在激活函数ReLU的计算下，筛选出需要的信息，完成异常检测。

更进一步的技术：图神经网络技术，图神经网络的研究与图嵌入密切相关，图嵌入旨在保存图的网络拓扑结构和节点信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法。

它将数据建模为图，并将数据利用关联矩阵（拉普拉斯矩阵）输入到模型中，构建图卷积模型，进行多层传递，并利用ReLu激活函数进行输出，增加其非线性表达能力;并对输出结果设立判决门限，以此完成对数据的监测，进而能够找出异常的数据。这无一不体现其强大的功能。

另外为了辅助与完善图神经网络在本算法中的稳定性，创新性地引入记忆增强神经网络，数据集层面的通用知识被采用附加的存储空间来存储数据集的基本数据获取。该方法有反向传播训练直接进行机器学习和更新存储的优点，这是与现有的通过键值记忆策略存储最大的不同。

3创新设计

1）使用图结构

与图像、文本不同，图结构是复杂多变的不规则领域（图2为一个标准的图结构）。

图神经网络是不同于神经网络的一类基于深度学习的处理图域信息的技术，它把深度学习和图广播操作算法深度结合，可以让顶点属性和图的结构信息都参与到神经网络学习中，在与图分析领域的深度学习等应用中表现出可行性和可解释性[3]，它的主要思想是如何使用神经网络迭代地从局部图邻域聚集特征信息。同时，节点信息经过转换和聚合后可以通过图来传播。因此，GNNs自然地整合了节点信息和拓扑结构，在深度学习上有强大的能力，已成为一种广泛应用的图分析方法。

另外，图结构的存在弥补了CNN与RNN在数据结构上的不足，CNN与RNN都只能进行欧几里得结构类型的运算，而图则可以进行非欧几里得结构领域的运算，这是其显著优点。

2）融合了各项关键技术的多种优势

同步向量测试单元是电网广域测量系统的基本构成单元，对电网的检测具有重要作用，其实时监测、准确测量和可靠上传的功能是电网稳定分析和控制的基本前提。

此算法功能强大，利用图的强大存储能力与自适应学习的能力，完美融合了各项关键技术的多种优势融合同步向量测量技术中的动态监视与状态估计、模型的验证和继电保护和故障定位、稳定预测与控制等技术。

3）稳定性与安全性

本算法内部具有自适应程序和反馈程序，可以一定程度上提高整个系统的稳定性与安全性。

4）具有自适应学习能力

作为一种高效的机器学习方法，图神经网络技术对完成对微弱信号的检验和对各传感器信息实时处理，具有自适应自学习功能，实现自动目标识别、容错性高及掌握环境特征的自动化，抗干扰能力强等优点。

5）具有可靠的数据存储能力

本系统可以与大型的数据库互相配合提高效率，即可以导入大型数据库中的大量数据记录进行精细处理。同时支持多种存储引擎，极大地提高了存储能力。

4总结

本系统使用图神经网络的高效算法进行测量电力电网系统中的用户参数等状态信息，并对整个系统的状态进行风险评估。系统所获得的这些数据均为实时数据，将数据上传至云平台，利用向量测量单元进行数据处理实现对电网的高精度早期预警，预防出现电网事故，造成巨额损失。智能电网的运行与维护通过与本设计的监测系统紧密结合逐渐实现对电网控制的信息化、自动化、和互动化[4]。本电网检测系统若能投入生产，可以实现社会能源利用效率的提高，使地区电网的运行、维护和管理成本降低。智能电网系统是国家电力系统未来发展的一个大方向，所以电网的监测系统更应受到重视。在国家电网的不断发展过程中，正是电力的生产、输送、分配凭借计算机技术、智能控制技术和网络通信技术的帮助，实现电力系统的“经济高效、灵活互动、友好开放、清洁环保”[5]。

参考文献：

[1] 赵希正.强化电网安全保障可靠供电——美加“8·14”停电事件给我们的启示[J].电网技术，2003，27（10）：1-7.

[2] 赵港，王千阁，姚烽，等.大规模图神经网络系统综述[J].软件学报，2022，33（1）：150-170.

[3] 杨彦波，朱建军.电力系统同步向量测量单元测试方法设计[J].宁夏电力，2021（4）：39-43.

[4] 李建勇.浅析智能电网系统的发展与市场前景[J].电力设备管理，2021（4）：31-33.

[5] 方嘉祥.智能电网信息安全及新技术研究综述[J].科技与创新，2022（4）：21-25.

【通联编辑：梁书】