[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

本發明公開了一種基于圖卷積神經網絡的電力變壓器故障診斷方法；包括有以下步驟：S1、構建基于GCN的電力變壓器故障診斷方法；S2、搭建GCN結構；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。

技術領域

本發明屬于電網故障診斷技術領域，具體涉及一種基于圖卷積神經網絡的電力變壓器故障診斷方法。

背景技術

隨著電力系統的規模不斷擴大，變壓器數量也越來越多，同時變壓器故障的數據也越來越多，傳統的故障診斷方法準確率亟需進一步提高。變壓器的運行狀態直接關系到整個電力系統的安全性和電能質量。一旦變壓器出現故障，就可能導致局部停電甚至大規模停電，影響電力系統運行并造成經濟損失。因此，準確診斷電力變壓器的狀態對電力系統具有重要意義。

目前，大型變壓器大多屬于油浸式變壓器。當故障發生時，油浸式變壓器會釋放大量溶解氣體，這是溶解氣體分析(DGA)進行故障診斷的重要指標。現有的基于DGA的變壓器故障診斷方法可以歸納為兩類:基于距離的方法和基于模型的方法。第一類主要包括基于案例的推理、專家系統、k-最近鄰(KNN)和孿生神經網絡。一般來說，這些基于距離的方法雖然通過相似度度量充分利用了歷史數據和先驗知識，但難以捕捉溶解氣體與對應標簽之間復雜的非線性關系，導致其對變壓器故障診斷的準確性有限。對于第二類，傳統的基于模型的算法包括支持向量機(SVM)、多層感知器(MLP)、極端梯度增強(XGBoost)、輕型梯度增強機(light?GBM)。一般來說，雖然這些傳統方法更適用于較小的數據集，但其有限的特征提取能力難以充分挖掘溶解氣體與對應標簽之間的潛在性質。

如授權公告號為CN?115329908?A所公開的一種基于深度學習的電力變壓器故障診斷方法，其雖然實現了獲取電力變壓器的故障樣本數據集，對故障樣本數據集進行預處理，得到用于訓練的訓練數據集，構建基于CNN的預設故障診斷模型，通過訓練數據集對預設故障診斷模型進行訓練，得到訓練后的故障診斷模型，優化訓練后的故障診斷模型的超參數，得到目標故障診斷模型，獲取待分析的數據，通過目標故障診斷模型對待分析的數據進行分析，輸出待分析的數據對應的故障診斷結果。但是該方法較為復雜，不適合工程人員簡化操作，并且存在考慮影響因素較少的問題，沒有全面考慮電力變壓器故障的因素，為此，本發明提出了一種基于圖卷積神經網絡的電力變壓器故障診斷方法，以提高變壓器故障診斷的準確性。圖卷積神經網絡(GCN)不僅可以使用具有強大學習能力的圖卷積層有效挖掘故障類型與溶解氣體之間的復雜非線性關系，還可以使用鄰接矩陣來表示未知樣本與標記樣本之間的相似度度量，從而提高變壓器故障診斷的準確性。

發明內容

本發明提出的一種基于圖卷積神經網絡的電力變壓器故障診斷方法流程如圖1所示，具體包括以下3個步驟。

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:

Input＝(X,A)????????????(1)

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)