基于图卷积网络和因果推理的配电网电压超限可追溯性仿真模型

《Electric Power Systems Research》：Voltage out-of-limit traceability simulation model of distribution network based on graph convolutional network and causal reasoning

电压越限溯源的GCN+Causal混合模型研究，提出动态图卷积网络融合因果推理方法，通过时空特征编码与反事实推理提升高可再生能源渗透电网的故障定位精度至93.2%，支持毫秒级边缘部署。

　　

文何|芮马|沙江波|朱东阁|张双

中国陕西省西安市西安交通大学电气工程系，电气绝缘与电力设备国家重点实验室，智能电网重点实验室，邮编710049

摘要

由于可再生能源在配电网中的高渗透率，电压限值违规问题变得越来越突出。依赖物理模型和全面测量数据的传统方法难以应对光伏（PV）的随机波动和频繁的拓扑变化所带来的挑战。为此，提出了一种结合图卷积网络（GCN）与因果推理（GCN+Causal）的混合模型。该模型使用动态邻接矩阵描述节点之间的时变耦合关系，通过双重机器学习结合反事实推理来量化故障传播路径上的因果效应，并利用基于时空GCN的特征编码器处理电气测量数据的非欧几里得特性以进行特征提取，从而克服了传统基于相关性分析的局限性。在IEEE节点系统的仿真测试中，所提出的方法将电压异常定位的总体性能提高了93.2%（比传统状态估计方法提高了21.5%），并将误报率降低到4.3%。实验结果表明，即使有30%的测量数据缺失，模型的准确率仍保持在87.6%，并且能够在500毫秒内控制可追溯性。该研究成果为提高主动配电网的安全性提供了一种新的分析工具，其因果可解释性有助于开发精确的控制策略。

引言

随着光伏渗透率超过30%的临界阈值，配电网电压的波动性表现出新的特征[1]。双向功率流动增加了电压分布模式的复杂性，从根本上改变了馈线末端的传统过电压模式。此外，电力电子设备的快速响应引入了毫秒级的电压闪烁，现有的SCADA系统由于其采样率不足而无法充分捕捉到这些现象[2]。这些挑战直接增加了动态网络拓扑调整的频率，并降低了传统静态模型的适应性。现有研究主要集中在稳态电压控制上；然而，尚未在因果归因层面建立电气参数的时空相关性与故障传播路径之间的数学映射，这限制了预防控制策略的精度。

当前的数据驱动方法，特别是基于图卷积网络（GCNs）及其变体的方法，已经显示出从测量数据中捕捉复杂时空依赖性的显著能力[3]。然而，这些方法主要停留在“相关性分析”层面。它们可以识别某些电压异常与特定电网条件的共现，但无法明确区分电压违规的根本原因与仅仅是伴随现象。

为了建立一个整合电网拓扑和动态运行数据的统一表示框架，Espoir D. K.等人[4]提出了一种基于灵敏度矩阵的电压控制方法，可以实现快速的无功功率补偿，尽管它没有考虑分布式发电的动态特性。Wani N. U. H.等人[5]开发了一种具有强大特征提取能力的深度学习故障诊断模型。虽然他们使用了do-operator进行干预分析并减少了对完整测量数据的依赖，但该模型缺乏足够的因果可解释性。在参考文献[6]中，Yu Y.等人利用贝叶斯网络构建了一个物理可解释的分析模型的因果图；然而，在小样本情况下，推理误差变得显著。在参考文献[7]中，Miraki A.等人设计了一种基于图神经网络的拓扑识别算法，要求输出时间分辨率≤1秒，但该模型对测量噪声过于敏感。Hamilton, Xu X.等人[8]将迁移学习应用于故障分类，尽管其跨区域适应性需要进一步验证。Zhang D.等人在[9]中建立了一个时空图卷积网络，但其计算复杂性阻碍了在线应用。该模型在馈线段级别实现了空间定位精度，因果强度量化误差<8%。Xu D.等人提出了一种混合数据-模型驱动框架，用于区分电压违规的根本原因与伴随现象[10]。然而，物理约束并未完全嵌入。大多数这些研究基于信息熵开发了可追溯性方法，但这些方法在处理多个故障时分辨率不足。因此，没有一种方法能够提供全面的解决方案，需要进一步的研究[11]。

为了解决上述限制，构建了一个能够适应拓扑变化的动态特征提取框架，该框架能够有效区分电压违规的根本原因与伴随现象。在测量条件有限的情况下，所提出的GCN+Causal混合架构确保了可靠的故障归因。它采用分层注意力机制来捕捉空间-电气耦合和时间关键帧，并通过双重鲁棒估计来消除混淆偏差。在OPAL-RT硬件在环平台上的验证表明，当模型注入单一故障源（单节点光伏下降）时，在理想情况下的性能达到94.7%，多故障识别率提高到89.3%（比[6]中的方法高34%）。关键性能指标包括因果强度量化误差<7%，拓扑变化响应时间<0.5秒，以及每秒支持16个节点的实时处理。

本研究的技术创新如下：

(1)

动态因果图构建算法将节点之间的传输导电性和时间注意力分数融合到边权重中，实现了物理定律和数据驱动方法的协同优化。

(2)

引入了反事实推理引擎，支持“如果-那么”场景模拟，并能够评估不同控制策略对电压超限事件的抑制效果。

(3)

开发了一种轻量级部署方案，通过知识蒸馏技术将模型参数数量压缩到原始大小的18%，以满足边缘计算的要求。

部分摘录

研究对象的整体分析

在现代配电网中，电压超限问题具有三维特性：光伏集群的接入改变了传统辐射状电网的单向功率流动模式，导致电压分布的多极波动特性；电力电子设备的响应速度（<10毫秒）与SCADA的采样周期（秒级）不匹配，导致瞬态过程监控存在盲区[12]。因此，在因果

基于因果效应的双重机器学习框架

现代配电网在电压相关问题中表现出典型的三维时空-因果特性，如图1所示。从空间上看，光伏发电的高渗透率从根本上改变了传统的电压分布曲线，节点之间的电气距离和耦合强度之间存在非线性关系[22]。从时间上看，二级SCADA采样与毫秒级电力电子响应之间的不匹配导致监控盲区

动态图卷积建模设计

本研究设计的动态图卷积模型处理架构如图3所示。

• (1) 数据层：将逆变器式相位测量单元（PMU）和SCADA数据集成，构建时空矩阵
  $X\in R^N$（其中$N$表示节点数量，$T$表示时间步长，$F$表示特征维度）。

(2) 分析层：该层包括一个动态图卷积模块和一个因果发现模块，通过

仿真实验分析

为了解决在高可再生能源渗透率的配电网中追踪电压限值违规起源的挑战，本研究验证了所提出的混合GCN+Causal模型的动态拓扑适应性、多故障识别能力和实时边缘部署性能。鉴于在现实世界环境中捕捉极端天气条件下的设备故障模式的难度，物理测试是不可行的。因此，采用了现实的电网干扰场景

结论

总之，本研究提出了一种混合GCN和因果发现（GCN+Causal）模型，用于高可再生能源渗透率配电网中的故障定位。在相位测量单元（PMU）数据对齐后，离线训练阶段使用结合均方误差和拓扑感知正则化的损失函数预训练GCN编码器。然后共同优化因果发现模块。得到的模型部署在边缘计算网关上，用于毫秒级的

伦理批准

不适用。

参与同意

不适用。

发表同意声明

不适用。

临床试验声明

不适用。

CRediT作者贡献声明

文何：撰写——原始草案。芮马：可视化、形式分析。沙江波：验证。朱东阁：监督。张双：撰写——审阅与编辑。