本发明涉及电力系统故障定位方法，特别是一种基于图卷积网络的新型电力系统故障定位方法，属于电力系统故障检测。
背景技术：
1、新型电力系统的故障检测与定位是确保电力系统安全运行的关键因素。在当代社会，对电力的需求不断上升，凸显了电网可靠性和稳定性的重要性。尽管如此，天气条件的波动、基础设施的老化和外部干扰等无数因素使电力系统内的故障难以规避。这些故障有可能引发停电、设备老化甚至安全隐患，从而给个人和行业带来不便和损失。为了及时检测、定位和解决电网故障，故障检测与定位技术应运而生。它利用先进的传感器、监控设备和数据分析技术对配电网进行实时监控和分析。这样可以及时检测和定位故障，最大限度地减少故障对网络的影响。随着人工智能技术的发展，其在电力系统领域的应用愈加广泛。深度学习在解决故障检测与定位具有许多优势。
技术实现思路
1、针对现有技术的不足，本发明提供一种基于图卷积网络的新型电力系统故障定位方法，该方法通过在新型电力系统拓扑网络中设置部分母线节点为观测节点，通过观测节点的节点电压测量数据来实现对整个电力系统故障定位。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种基于图卷积网络的新型电力系统故障定位方法，按如下步骤进行：
4、步骤一、在新型电力系统拓扑网络中选择部分母线节点作为观测点，安装数据采集装置，根据相同的时间间隔，采集新型电力系统中各个观测节点的电压、电流数据，包括正常运行的数据和故障数据；
5、步骤二、对采集的正常运行数据和故障数据进行预处理；对于数据有缺失值的情况，采用线性插值法对缺省数据进行填充，并且对一些数据异质点噪声进行剔除处理；
6、步骤三.为了确保模型能够更快地收敛、提高训练速度和稳定性，需要对采集的观测点三相电压数据进行归一化处理；由于不同负荷和不同时刻的负荷数据可能存在较大的差异，采用最大最小归一化(min-max normalization)进行归一化处理；该方法将三相电压值缩放到一个指定的范围内，以保持数据的相对比例不变，其计算公式如下：
7、
8、x＝xnorm·(xmax-xmin)+xmin
9、其中，xnorm为归一化的值，xmax为原始数据的最大值，xmin为原始数据的最小值；
10、步骤四、构建新型电力系统故障检定位网络模型：提出一种基于图卷积神经网络的新型电力系统故障定位模型；图卷积网络能够有效地捕获新型电力系统中复杂的拓扑结构信息，通过聚合节点间的局部特征信息实现故障定位；在新型电力系统中，不考虑潮流方向，其拓扑结构可以抽象成一张无向图g＝(v,e,a)，其中v是代表n个节点的集合，n表示图g中节点的数目；e是各节点相连的边的集合，a是图g的邻接矩阵，用来描述新型电力系统中节点之间的连接关系；采用xg∈rn×c来表示图g的特征信息，其中c代表节点特征的维度大小；提出的图卷积网络的目标是学习一个映射函数f，将图的特征信息进行变换，最终可以实现故障的精确定位；图卷积网络的具体公式如下：
11、
12、其中表示自循环邻接矩阵，即代表的度矩阵，来实现对邻接矩阵的归一化，w为模型参数，b为偏置项；
13、模型具体结构，对输入的数据x通过第一层图卷积升维得到x'，在通过第二层图卷积网络降维得到最终通过softmax层得到最终输出y；
14、步骤五、训练基于图卷积神经网络的故障定位模型：将采集到的观测点的三相电压进行处理，得到测试集和训练集；初始化模型参数并将测试集样本输入到图卷积网络进行训练，通过交叉熵分类损失函数优化模型参数，待模型训练完毕，保存网络参数，即得到最终的新型电力系统故障定位模型，所述的交叉熵分类损失函数如下：
15、
16、其中n代表样本的个数，k代表类别个数，即新型电力系统中故障位置，代表第i个样本属于第k类别的模型输出概率，代表第i个样本属于第k类别的真实概率；通过计算该多分类的交叉熵损失函数，模型即可通过梯度下降法来学习和更新参数；
17、步骤六、实现新型电力系统中故障定位，将测试集样本输入到步骤五中已经训练完毕的图卷积网络中，经过模型输出即可得到故障定位数据。
18、通过在新型电力系统拓扑网络中设置部分母线节点为观测节点，通过观测节点的节点电压测量数据来实现对整个电力系统故障定位。
1.一种基于图卷积网络的新型电力系统故障定位方法，其特征在于，按如下步骤进行：
