[發明專利]一種基于圖卷積神經網絡的電力變壓器故障診斷方法

在審

• 申請號: 202211479696.1
• 申請日: 2023-04-25
• 公開（公告）號: CN116562114A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 何明鋒;陳飛;李付林;葉國慶;李毓;張波;黃紅輝;季克勤;侯健生;黃健;王珂;沃建棟;葉宏;賀燕;吳峰;金堅鋒;楊艷天;王贏聰
• 申請（專利權）人: 國網浙江省電力有限公司金華供電公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q50/06;G06F17/16;G06F119/02
• 代理公司: 杭州信與義專利代理有限公司 33450
• 代理人: 馬育妙

1.S3、利用GCN進行變壓器故障診斷，對變壓器故障進行數據處理，確定模型的輸出量，變壓器故障可分為熱故障和放電故障。具體來說，熱故障包括低溫熱故障(LT)、中溫熱故障(MT)和高溫熱故障(HT)。放電故障包括局部放電(PD)、低能放電(LD)、高能放電(HD)。診斷過程包括①數據導入和歸一化；②數據的重構和劃分；③初始化GCN的結構和參數。對模型進行訓練，最后評估評估GCN的性能。

2.根據權利要求1所述的一種基于風光儲一體的智能微網容量優化方法，其特征在于：S1、構建基于GCN的電力變壓器故障診斷方法：目標是構建特征函數G＝(V,E)，它以溶解氣體含量的特征矩陣X和樣本的鄰接矩陣A為輸入:

其中X是一個n×d的特征矩陣，由特征描述X組成i對于每個節點i,n為節點數(n為變壓器故障診斷中的樣本數)，d為輸入特征數。鄰接矩陣以矩陣形式表示歷史數據和當前樣本之間的相似度度量；

圖卷積層的輸出是一個N×F節點向量Y，其中F為變壓器狀態數。每一個圖卷積層都可以寫成一個非線性函數:

H⁽ⁱ⁺¹⁾＝f(H⁽ⁱ⁾,A),I＝0,1,...,L?(2)

其中L為圖卷積層數。當i＝0時，H⁽⁰⁾與X相同，當i＝L時，H^(L)與Y相同。具體的圖卷積層的區別僅在于激活函數f的選擇和參數化方式；

圖卷積層的分層傳播原理的簡單形式:

f(H⁽ⁱ⁾,A)＝σ(AH⁽ⁱ⁾W⁽ⁱ⁾)????????(3)

其中σ是一個非線性激活函數，如修正線性線性(ReLU)函數，W(i)是第i個圖卷積層中的權重矩陣；

雖然圖卷積層非常強大，但它有兩個局限性需要解決:

1)乘以鄰接矩陣A意味著對于每個節點，它對所有相鄰節點的特征向量求和，而不是對節點本身求和(除非在圖結構數據中存在自循環)。這個限制可以通過在圖結構數據中強制執行自循環(例如，將單位矩陣添加到鄰接矩陣A中)來解決:

A′＝A+I??????????????(4)

2)第二個限制是鄰接矩陣A′沒有歸一化，因此乘法可能會改變特征向量的尺度，這可以通過檢查鄰接矩陣A′的特征值來檢驗。為了解決這個問題，鄰接矩陣A′應該通過下面的公式進行歸一化:

其中D是鄰接矩陣A的對角節點度矩陣A′:

D_ij＝∑_jA′_ij??????????????(6)

在使用了這兩個技巧之后，圖卷積層的新的傳播原理變成:

f(H⁽ⁱ⁾,A)＝σ(A″H⁽ⁱ⁾W⁽ⁱ⁾)??????????????(7)。