摘要
并网型构网混合储能电站（GFM-HESS）系统的故障诊断具有挑战性，因为故障暂态受到换流器控制动态、多源电气耦合、工况变化和测量噪声的共同影响。针对这些特点，本文提出了一种基于虚拟同步发电机（VSG）约束的物理信息异构时序图神经网络（VSG-PI-HTGNN），用于多类别故障诊断。基于VSG控制特性和电气关系，从十个监测信号中构建了18维节点级特征和8维全局物理特征。这些信号进一步被表示为包含五种节点类型和八种预定义关系类型的异构图，同时集成了节点类型特定变换、异构图卷积、可学习的关系缩放因子以及主-辅双输出框架用于特征学习。建立了MATLAB/Simulink电磁暂态模型，生成了涵盖正常运行和九种故障状态的3200个样本。在信噪比（SNR）为18 dB时，所提模型取得了97.25%的测试准确率和0.9727的宏F1分数。消融实验表明，移除所有物理信息后准确率降至89.83%，而在统一实验设置下，所提模型获得的诊断指标值高于所考察的七种基准方法。进一步评估表明，在信噪比为10–30 dB的范围内，准确率保持在95.50%至98.75%之间，且仅使用20%的训练数据即可达到95.38%的准确率。使用独立获取的硬件在环（HIL）数据集进行验证，进一步获得了92.75%的准确率和0.9282的宏F1分数。总体而言，这些结果表明，所提方法在评估条件下提供了良好的诊断准确率、抗噪鲁棒性、有限样本条件下的数据效率以及从仿真到HIL的可迁移性。
