基于相似性和对比学习的变压器故障检测方法系统及设备技术方案

本发明专利技术涉及变压器故障检测领域，具体为一种基于相似性和对比学习的变压器故障检测方法

【技术实现步骤摘要】
基于相似性和对比学习的变压器故障检测方法系统及设备


[0001]本专利技术涉及变压器故障检测领域，具体为一种基于相似性和对比学习的变压器故障检测方法
、
系统及设备
。

技术介绍

[0002]变压器在电力传输和配电中起着关键作用，任何故障都可能对电网的稳定性和可靠性产生严重影响
。
变压器故障诊断是电力系统维护和管理的重要方面
。
变压器故障可能导致电力系统的短路
、
火灾等安全事故，对人员和设备造成严重威胁
。
油质测试是评估变压器状况最常见的测试之一
。
油质测试通过对变压器中溶解的各种气体进行分析，即溶解气体分析，识别故障
。
现有溶解气体分析的技术有两种主流方法：基于解释方法和基于人工智能的方法
。
基于解释模型的变压器故障可细分为基于专家系统和基于规则系统的两种变压器故障诊断方法
。
[0003]基于专家系统的变压器故障诊断是一种基于专家知识和规则的方法
。
通过采集专家的领域知识，并将其编码为一系列的规则或决策树，根据观测到的故障或测量数据来诊断变压器的故障
。
专家系统通常具有良好的可解释性，可以提供详细的诊断过程和推理依据
。
然而，专家系统的准确性受限于规则的质量和适用性，无法适应新的或复杂的故障模式
。
同时，专家系统也受限于专家学者的能力和专业知识，使得该系统难以维护和更新
。
[0004]基于规则系统的变压器故障诊断根据观察到的症状或测量数据来诊断变压器故障
。
基于规则系统易于实施和解释，可以处理不完整或具有噪声的数据
。
由于其简单性和易于实施的特点，这些系统在变压器故障诊断中得到了广泛应用
。
但规则系统依赖于预定义的规则或决策树，无法捕捉所有可能的故障模式
。
[0005]近几年，由于油中可溶解气体获取所需人力物力少，同时检测结果准却
。
大多数研究集中于开发基于溶解气体分析数据的机器模型，期望能准确分类变压器故障类型和严重程度
。
其中比较有效的方法是使用深度学习算法，如使用卷积神经网络和循环神经网络等模型
。
其他研究探索了混合人工智能系统的应用，使用多种人工智能技术，以提高故障诊断的准确性
。
例如，一种将模糊逻辑和人工神经网络结合的混合系统，以改善基于溶解气体分析数据的故障诊断准确性
。
另一个研究领域侧重于使用数据融合技术将溶解气体分析数据与其他诊断数据
(
如振动分析和油质分析
)
进行整合
。
通过这种方式能够获取多个数据集的互补信息，这类方法可以提高故障诊断的准确性和可靠性
。
[0006]然而，尽管利用人工智能在基于溶解气体分析变压器故障检测中取得了突破，但有一个中心问题仍没有得到实质性解决：在变压器故障数据间相似性高的情况下，变压器误诊概率很大，而如何更好地学习每个变压器样本自身的特征和故障类别间差异性，减少变压器故障诊断的误诊次数成为亟需解决的关键性问题
。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种基于相似性和对比学习的变压器故障检测方法
、
系
统及设备，综合考虑变压器相同类别故障数据间的相似性和不同类别变压器故障数据间的差异性，以及变压器故障类别间的不一致模式，通过图神经网络学习变压器故障节点的表示，拟优化变压器故障诊断问题
。
[0008]为实现上述目的，具体技术方案如下：
[0009]第一方面提供了一种基于相似性和对比学习的变压器故障检测方法，包括：采用余弦相似性计算变压器故障样本油中可溶解数据的相似性，确定变压器故障样本间的相似性；基于相似性值将每个变压器故障样本与其最相似的
K
个变压器故障样本连边，构造相似
KNN
图；同时将每个变压器故障样本与其最不相似的
K
个变压器故障样本连边，构造不相似
KNN
图；通过构建变压器故障检测的低通滤波器，学习相似
KNN
图的变压器故障节点表示；通过构建变压器故障检测的高通滤波器，学习不相似
KNN
图的变压器故障节点表示；利用变压器故障节点表示获取变压器故障类别间差异，使用排序对比学习方法实现学习变压器不同类别故障间的不一致模式，优化变压器故障节点表示；将优化的变压器故障节点表示，使用多层感知分类器确定变压器故障类别，将概率值最大的故障类别作为该样本故障类别
。
[0010]结合第一方面，在一些可能的实施方式中，所述采用余弦相似性计算变压器故障样本油中可溶解数据的相似性，其计算步骤为：
[0011][0012]其中，
sm
i,j
表示第
i
个变压器故障节点和第
j
个变压器故障节点的余弦相似性值，分别表示第
i
个变压器故障节点的特征向量和第
j
个变压器故障节点的特征向量，
d
表示故障节点的特征维度
。
[0013]结合第一方面，在一些可能的实施方式中，所述相似
KNN
图和所述不相似
KNN
图的构造步骤包括：
[0014]基于变压器故障样本间的相似性值从大到小进行排序；
[0015]每个变压器故障样本选取排序后的前
K
个样本作为其邻居构造相似性
KNN
图；
[0016]每个变压器故障样本与排序后末尾
K
个样本连边构造不相似
KNN
图
。
[0017]结合第一方面，在一些可能的实施方式中，所述学习相似
KNN
图的变压器故障节点表示公式为：
[0018][0019]其中，是变压器检测中相似图的对称归一化邻接矩阵，
l∈{1...L}
是神经网络层数，
MLP
表示多层感知机，最后一层的表示被视为相似图中变压器样本节点的表示矩阵
H
(hm)
。
[0020]结合第一方面，在一些可能的实施方式中，所述学习不相似
KNN
图的变压器故障节点表示公式为：
[0021][0022]其中，
l∈{1...L}
，是变压器检测中不相似图的对称归一化拉普拉斯矩阵，
α
是控制变压器故障检测高通滤波器的超参数，最后一层的表示被视为不相似
图中变压器样本节点的表示矩阵
H
(ht)
。
[0023]结合第一方面，在一些可能的实施方式中，所述优化变压器故障节点表示的步骤包括：
...

【技术保护点】

【技术特征摘要】
1.
一种基于相似性和对比学习的变压器故障检测方法，其特征在于，包括：采用余弦相似性计算变压器故障样本油中可溶解数据的相似性，确定变压器故障样本间的相似性；基于相似性值将每个变压器故障样本与其最相似的
K
个变压器故障样本连边，构造相似
KNN
图；同时将每个变压器故障样本与其最不相似的
K
个变压器故障样本连边，构造不相似
KNN
图；通过构建变压器故障检测的低通滤波器，学习相似
KNN
图的变压器故障节点表示；通过构建变压器故障检测的高通滤波器，学习不相似
KNN
图的变压器故障节点表示；利用变压器故障节点表示获取变压器故障类别间差异，使用排序对比学习方法实现学习变压器不同类别故障间的不一致模式，优化变压器故障节点表示；将优化的变压器故障节点表示，使用多层感知分类器确定变压器故障类别，将概率值最大的故障类别作为该样本故障类别
。2.
根据权利要求1所述的一种基于相似性和对比学习的变压器故障检测方法，其特征在于，所述采用余弦相似性计算变压器故障样本油中可溶解数据的相似性，其计算步骤为：其中，
sm
i,j
表示第
i
个变压器故障节点和第
j
个变压器故障节点的余弦相似性值，分别表示第
i
个变压器故障节点的特征向量和第
j
个变压器故障节点的特征向量，
d
表示故障节点的特征维度
。3.
根据权利要求2所述的一种基于相似性和对比学习的变压器故障检测方法，其特征在于，所述相似
KNN
图和所述不相似
KNN
图的构造步骤包括：基于变压器故障样本间的相似性值从大到小进行排序；每个变压器故障样本选取排序后的前
K
个样本作为其邻居构造相似性
KNN
图；每个变压器故障样本与排序后末尾
K
个样本连边构造不相似
KNN
图
。4.
根据权利要求1所述的一种基于相似性和对比学习的变压器故障检测方法，其特征在于，所述学习相似
KNN
图的变压器故障节点表示公式为：其中，是变压器检测中相似图的对称归一化邻接矩阵，
l∈{1
…
L}
是神经网络层数，
MLP
表示多层感知机，最后一层的表示被视为相似图中变压器样本节点的表示矩阵
H
(hm)
。5.
根据权利要求1所述的一种基于相似性和对比学习的变压器故障检测方法，其特征在于，所述学习不相似
KNN
图的变压器故障节点表示公式为：其中，
l∈{1
…
L}
，是变压器检测中不相似图的对称归一化拉普拉斯矩阵，
α
是控制变压器故障检测高通滤波器的超参数，最后一层的表示被视为不相似图中变压器样本节点的表示矩阵
H
(ht)
。
6.
根据权利要求1所述的一种基于相似性和对比学习的变压器故障检测方法，其特征在于，所述优化变压器故障节点表示的步骤包括：通过余弦相似性计算变压器各故障类别间的相似程度：其中，
s
i,j
表示第
i
类故障和第
j
类故障的相似程度，
i
，

【专利技术属性】
技术研发人员：马慧芳，张映月，张迪，
申请(专利权)人：西北师范大学，
类型：发明
国别省市：