基于气体关系和图神经网络的充油电气设备故障诊断方法技术

本发明专利技术涉及人工智能领域，公开了一种基于气体关系和图神经网络的充油电气设备故障诊断方法，包括以下步骤，步骤一：构建基于充油电气设备故障诊断的图神经网络模型和建立特征气体关系模型；步骤二：利用特征气体关系图的拓扑结构的信息和特征气体节点的信息更新图的边；步骤三：利用特征气体关系图拓扑结构信息和更新后的边的信息更新图中的气体节点；步骤四：搭建线性更新及分类层，输出故障类型。本发明专利技术利用充油电气设备油中溶解气体的相互关系图及人工智能技术构建了图神经网络模型，实现了充油电气设备故障诊断，与传统的充油电气设备故障诊断方法相比，在故障诊断方面具有更高的准确率，而且对各类故障诊断判别更具有泛化性。化性。化性。

【技术实现步骤摘要】
基于气体关系和图神经网络的充油电气设备故障诊断方法


[0001]本专利技术涉及一种充油电气设备故障诊断方法，具体涉及一种基于气体关系和图神经网络的充油电气设备故障诊断方法。

技术介绍

[0002]现有文献中记载的充油电气设备故障诊断方法主要分为两个环节，一是提取分析充油电气设备故障时产生的异常特性，如特征气体、红外线和温度等；二是根据这些异常特征总结分析得出与其对应的故障特征的关系。目前，充油电气设备诊断主要是基于油中溶解的特征气体含量这个异常特征。随着充油电气设备长期运行，其内部绝缘逐渐损耗，绝缘油中碳氢化合物发生分解，分解后的离子重新组合成气体并溶解于充油电气设备油中，当损耗积累到一定程度后可能会导致充油电气设备发生内部故障、绝缘击穿等故障。传统的基于油中溶解气体的充油电气设备故障诊断技术主要为三比值法或改良三比值法。该方法需要定期对充油电气设备绝缘油进行取样，并通过油色谱分析技术分析绝缘油中溶解的特征气体含量和比值进行故障判断。利用机器学习的基于特征气体浓度的充油电气设备故障诊断的方法中，例如BP神经网络和支持向量机都仅仅体现了特征气体浓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于气体关系和图神经网络的充油电气设备故障诊断方法，其特征在于：包括以下步骤，步骤一：构建基于特征气体关系的充油电气设备故障诊断的图神经网络模型；其中充油电气设备的油中溶解的特征气体包括H2、C2H2、C2H4、C2H6和CH4，各特征气体作为节点相互连接，节点与节点之间的连线称为边，用于表示两种油中溶解的特征气体之间的相互关系；步骤二：利用特征气体关系图的拓扑结构的信息和特征气体节点的信息更新图的边；在图神经网络对表示特征气体关系的边进行更新时，需要聚合每条边所连接的两个特征气体节点的信息，其公式为，其中φ
e
为边的更新函数，v表示节点，e表示边，其中包括公式(2)的拼接函数和公式(3)的一维卷积网络层特征提取函数，拼接函数是将包含特征气体节点信息的特征矩阵进行按行或按列的维度拼接；行或按列的维度拼接；边更新函数在更新第k条边的时候的具体操作是，输入边连接的两端的气体节点的特征向量和进行拼接得到特征向量v
rs
，对特征向量v
rs
经设计的一维卷积神经网络学习得到新的边特征e
′
k
；其中更新过程中的一维卷积层函数如式(3)所示，式中为将节点矩阵拼接后的第x列第i～(i+K)行元素组成的向量，W[x]∈R
K
×1表示卷积核W∈R
K
×
n
×1中第x列元素组成的向量，b∈R
K
×1为卷积运算中的偏置项，f为激活函数，h
k
[i]为第i步运算结果。通过上述运算，得到第k条边的卷积层的隐层特征集合为e
′
k
＝(h
k
[1],h
k
[2],
…
,h
k
[N
‑
K+1])
T
，其中N为输入特征矩阵的行数，K为卷积核的行数；步骤三：利用特征气体关系图拓扑结构信息和更新后的边的信息更新图中的气体节点；对特征气体节点进行更新时，聚合并提取每个节点所连接的边的新特征和节点本身的特征，其公式为其中φ
v
为节点更新函数，其中包括公式(...

【专利技术属性】
技术研发人员：张轲，陈文刚，宰洪涛，杨晋彪，许泳涛，何洪英，罗滇生，符芳育，奚瑞瑶，方杰，罗广唯，尹希浩，
申请(专利权)人：国网山西省电力公司晋城供电公司，
类型：发明
国别省市：