一种基于图神经网络录波分析的变压器故障类型诊断方法技术

本发明专利技术属于变压器故障诊断技术领域，公开了一种基于图神经网络录波分析的变压器故障类型诊断方法，收集不同类型故障下变压器的时序信号数据作为训练样本；根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；利用马氏距离计算各时序信号之间的特征关系，构建图结构；利用所得图结构训练图神经网络分类模型；针对要诊断的变压器，获取时序信号数据并处理，将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果

【技术实现步骤摘要】
一种基于图神经网络录波分析的变压器故障类型诊断方法


[0001]本专利技术涉及电力数据分析，具体涉及一种基于图神经网络录波分析的变压器故障类型诊断方法
。

技术介绍

[0002]电力变压器是电力系统中结构较为复杂的一类设备，涉及变压器的故障防范和诊断也是多方面的
。
现有变压器故障诊断技术主要基于电力变压器现场试验
、
解体检查开展，然而对于部分非典型故障诊断性试验反应性不强
。
故障录波是电力设备状态的重要见证，可以记录下故障发生前
、
发生时
、
发生后的波形和数据，可以一定程度反应变压器故障前后设备状态变化
。
因此，对录波文件开展分析，诊断变压器的故障位置和故障类型，对电网和电力变压器故障分析及防范都具有重要意义
。
[0003]申请号为
202310766114.6
的中国专利技术专利“一种变压器故障诊断方法
、
装置
、
介质”通过获取待测变压器的故障数据；利用故障诊断模型对所述故障数据进行处理
,
以获取分类结果；其中
,
所述故障诊断模型为利用差分进化算法对核函数进行优化后的支持向量机模型；根据所述分类结果确定所述待测变压器的故障类型
。
申请号为
202310708487.8
的中国专利技术专利“一种基于深度学习的电力变压器故障诊断方法”通过获取电力变压器的历史故障数据集，使用改进鲸鱼优化算法
,
优化深度学习的
DBN
网络的网络参数
,
得到预处理后实时故障数据；将预处理后实时故障数据输入变压器故障诊断模型进行故障诊断
,
得到对应的故障类型预测结果
。
[0004]由此可见，现有技术存在变压器故障诊断往往基于监测数据建立的人工神经网络故障诊断模型，数据处理方式单一，同时数据来源主要依赖监测装置采集信息，稳定性较差，导致最终的准确性达不到要求
。

技术实现思路

[0005]为了解决现有技术存在的结构简单，数据处理方式单一，稳定性较差的特性，本专利技术提供了一种基于图神经网络录波分析的变压器故障类型诊断方法
。
[0006]本专利技术采用的技术方案是：一种基于图神经网络录波分析的变压器故障类型诊断方法，步骤如下：步骤一
、
收集不同类型故障下变压器的时序信号数据作为训练样本；步骤二
、
根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；步骤三
、
利用马氏距离计算各时序信号之间的特征关系，构建图结构；步骤四
、
利用所得图结构训练图神经网络分类模型；步骤五
、
针对要诊断的变压器，获取时序信号数据，并按照步骤二
、
三对数据进行处理；步骤六
、
将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果
。
[0007]进一步优选，步骤一中，时序信号数据包括主变高
、
中
、
低压侧三相及零序电流
、
电压信号
。
[0008]进一步优选，步骤二中，确定故障起始时刻的具体方法为：步骤
S1
：获取高压侧三相电流采样值，其中
k
表示相别，
t
为采样时刻序号
, 表示第
k
相
t
时刻的电流采样值，
N
为一个周期的采样点数；步骤
S2
：利用全周傅式算法计算各相首个周期的基频相量；步骤
S3
：根据三相电流首个周期的基频相量计算突变量启动判据整定值
,
其公式为：；其中，为突变量启动判据整定值，
d
为突变量启动系数，为
A
相首个周期的基频相量，为
B
相首个周期的基频相量，为
C
相首个周期的基频相量；步骤
S4
：从第二个周期开始，逐点计算每一相的电流采样值与其首个周期对应点处的电流采样值之差，若其绝对值大于突变量启动判据整定值，则认为该时刻为故障起始时刻
,
记为
。
[0009]进一步优选，步骤二中，时序信号数据的预处理操作包括：截取：对于每一维时序信号，从故障前一周期开始，截取四个周期的信号数据，即，其中
M
表示时序信号的个数，为
t
时刻第
m
个时序信号，为故障起始时刻
。
[0010]归一化：对每一维信号数据，进行最大最小归一化
。
[0011]进一步优选，步骤三中，两个时序信号之间的特征关系通过马氏距离计算，其公式为：；其中，，为第
m
个归一化后的时序信号的向量表示，表示协方差矩阵的逆，
T
表示转置；表示时刻的第
m
个时序信号的归一化值，表示时刻的第
m
个时序信号的归一化值，表示时刻的第
m
个时序信号的归一化值；
,
为第
n
个归一化后的时序信号的向量表示，表示时刻的第
n
个时序信号的归一化值
, 表示时刻的第
m
个时序信号的归一化值
, 表示时刻的第
m
个时序信号的归一化值
。
[0012]进一步优选，步骤三中，图结构中的每个节点为每一维时序信号，其特征向量为步骤二中预处理后的时序信号数据，节点之间的边为时序信号之间的特征关系，当两个时序信号之间的马氏距离小于阈值时，则认为这两个时序信号之间存在关系，即这两个节点之间有连接
。
图结构的数学矩阵表示为，其中为节点集合，为边集合，为
邻接矩阵，用于描述节点之间的连接关系
。
[0013]图结构的构造步骤如下：节点
i、j
之间的拟合率表示为
f
ij
=x
jT
x
i
，
x
j
为节点
j
的特征，
x
i
为节点
i
的特征，
T
表示转置，得到节点拟合矩阵
F=
｛
f
ij
｝
。
将输入数据矩阵
X
中的样本映射至图节点，并利用
K
邻近算法将
X
转换为双边无向图结构，筛选出图结构中目标节点对应的按拟合程度从高到低排名的前 K 个节点并作为其邻居节点，形成映射关系，通过映射关系构造出
K 近邻图，由图中节点间的连接关系反演到其邻接矩阵，并得到图结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤如下：步骤一
、
收集不同类型故障下变压器的时序信号数据作为训练样本；步骤二
、
根据突变量启动元件原理确定故障起始时刻，并对时序信号数据进行预处理；步骤三
、
利用马氏距离计算各时序信号之间的特征关系，构建图结构；图结构中的每个节点为每一维时序信号，其特征向量为步骤二中预处理后的时序信号数据，节点之间的边为时序信号之间的特征关系，当两个时序信号之间的马氏距离小于阈值时，则认为这两个时序信号之间存在关系，即这两个节点之间有连接；步骤四
、
利用所得图结构训练图神经网络分类模型；步骤五
、
针对要诊断的变压器，获取时序信号数据，并按照步骤二
、
三对数据进行处理；步骤六
、
将处理后的数据输入到图神经网络分类模型中，得到故障类型诊断结果
。2.
根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤一中，时序信号数据包括主变高
、
中
、
低压侧三相及零序电流
、
电压信号
。3.
根据权利要求1所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤二中，确定故障起始时刻的具体方法为：步骤
S1
：获取高压侧三相电流采样值，其中
k
表示相别，
t
为采样时刻序号
, 表示第
k
相
t
时刻的电流采样值，
N
为一个周期的采样点数；步骤
S2
：利用全周傅式算法计算各相首个周期的基频相量；步骤
S3
：根据三相电流首个周期的基频相量计算突变量启动判据整定值
,
其公式为：；其中，为突变量启动判据整定值，
d
为突变量启动系数，为
A
相首个周期的基频相量，为
B
相首个周期的基频相量，为
C
相首个周期的基频相量；步骤
S4
：从第二个周期开始，逐点计算每一相的电流采样值与其首个周期对应点处的电流采样值之差，若其绝对值大于突变量启动判据整定值，则认为该时刻为故障起始时刻
,
记为
。4.
根据权利要求3所述的基于图神经网络录波分析的变压器故障类型诊断方法，其特征在于，步骤二中，时序信号数据的预处理操作包括：截取：对于每一维时序信号，从故障前一周期开始，截取四个周期的信号数据，即，其中
M
表示时序信号的个数，为
t
时刻第
m
个时序信号；归一化：对每一维信号数据，进行最大最小归一化
。5.
根据权利要求4所...

【专利技术属性】
技术研发人员：童涛，王鹏，冯清璇，万华，李唐兵，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：