【技术实现步骤摘要】
本专利技术涉及一种水电机转轮运行状态关联分析方法，特别涉及一种基于多指标图注意力网络的水电机转轮状态关联分析方法和系统，属于电力工程故障诊断领域。
技术介绍
1、转轮作为水电机的核心部件，将水流中的动能转换为转轮的机械能并通过电磁感应原理产生电能，其运行状态影响着水电机的发电效率和可靠性。水电机转轮故障将对水力发电系统的发电量、功率稳定性、能效和经济运营产生不利影响。因此，及时发现和修复转轮故障时保障水力发电的正常运行和可靠性的重要措施。
2、在工业生产中，对水电机进行故障诊断最普遍的做法是停机检查其外观，寻找可见的异常情况或损坏部分。这种诊断方法存在一定的安全风险且效率低下，无法判断尚未形成故障的异常情况。此外，仅基于外观的检查容易受到主观判断和个体经验的影响，可能会导致错误的诊断和修复方案，影响生产效率和成本。近年来，存在一些先进的故障诊断方法可以提供更精确的故障预测和诊断，但在某些情况下，仍可能存在虚警和误报的情况，即错误地将正常运行的水电机判断为故障。这可能会导致不必要的停机和维修工作，增加额外的成本和时间开销。
技术实现思路
1、专利技术目的：针对现有技术中的问题与不足，本专利技术提供了一种基于多指标图注意力网络的水电机转轮状态关联分析方法和系统，旨在利用图注意力网络提取和分析水电机转轮之间的关联关系。针对水电机转轮状态关联分析任务，通过运用注意力机制，有效学习节点之间的注意力权重并结合多指标进行关联分析，帮助提高水电机生产效率，减少停机时间，降低维修成本，并
2、技术方案：一种基于多指标图注意力网络的水电机转轮状态关联分析方法，为适用于水电机转轮状态故障预测和诊断的方法，包括如下步骤：
3、(1)利用图结构对水电机转轮运行产生的多元时间序列进行显式建模；
4、(2)采用图扩散卷积重建节点之间的连接关系，实现特征的传递与融合；
5、(3)合并加权图并利用图注意力网络学习节点之间的注意力权重；
6、(4)引入fastdtw预训练并联合双重对比损失学习，更新模型参数，优化水电机转轮状态关联性度量结果。
7、进一步的，所述步骤(1)中利用图结构对水电机转轮运行产生的多元时间序列进行显式建模的具体实现过程如下：
8、分别为多元时间序列和的每个时间点设置嵌入向量，其中i表示时间序列a的时间步长，j表示时间序列b的时间步长，d表示时间序列的变量维度；
9、时间序列a中时间点i的嵌入向量为其中d表示嵌入向量的维度；计算不同时间点嵌入向量之间的相似性学习图结构，相似性计算公式如下：
10、
11、其中，f(ai，ak)表示为余弦相似度方法；不同时间点嵌入向量之间的相似性e(k，i)表示不同时间点之间的相似程度，针对任一时间点的嵌入向量ai，选择与其相似性最大的k个邻居时间点(topk)，将向量ai和邻居向量ak用边连接，ak∈topk，对应邻接矩阵a′中ai所在列的取值可用如下公式表示：
12、
13、时间序列b中时间点j的嵌入向量为其中d表示嵌入向量的维度；不同时间点嵌入向量之间的相似性计算公式如下：
14、
15、其中，f(bj，bk)表示为余弦相似度方法；不同时间点嵌入向量之间的相似性e′(k，j)表示不同时间点之间的相似程度，对每个时间点的嵌入向量bj，选择与其相似性最大的k个邻居时间点(topk)，用边连接，对应邻接矩阵b′中bj所在列的取值可用如下公式表示：
16、
17、进一步的，所述步骤(2)中采用图扩散卷积重建节点之间的连接关系，实现特征的传递与融合的具体步骤如下：
18、在图扩散中，首先把所有的注意力放在图中第一个节点上，然后将部分注意力传递给节点的邻居，将注意力从开始节点上分散开，通过迭代传播扩散特征到更远的节点；对图中所有节点进行注意力分散后，得到新的邻接矩阵。图扩散定义为：
19、
20、其中θk是权重系数，θk∈α(1-α)k，α∈(0，1)；t为转移矩阵，t＝a′d-1，a′表示邻接矩阵，d为对角度矩阵；此时获得的邻接矩阵s中每个节点都与其他节点相连，为了简化矩阵，设置邻接矩阵s中阈值ε以下的值为0，从而得到相对稀疏的邻接矩阵s′；对于原始邻接矩阵a′和b′，分别使用上述图扩散公式计算得到两个稀疏的加权邻接矩阵sa和sb。
21、进一步的，所述步骤(3)中合并加权图并利用图注意力网络学习节点之间的注意力权重的具体步骤如下：
22、(3.1)合并加权图：遍历加权图sa和sb的节点，将原来的节点和边复制到新的图结构中，保留原来的边连接关系，得到新图的邻接矩阵g，维度为n×n，其中n＝i+j；
23、
24、(3.2)将图g作为图注意力网络的输入，结合可学习位置编码wp，利用多头注意力模块，聚合邻居节点的信息以更新每个时间点的特征表示，计算公式如下所示：
25、
26、其中，是节点i在第l+1层的特征表示，||为拼接操作，h表示注意力头的个数，是邻接矩阵g中节点i的邻居节点集合，是节点i和j在第l层中第h个注意力头处的注意力分数，是第l层中第h个注意力头的权重矩阵，是节点j在第l层的特征表示；
27、为了获得图中各个节点之间的注意力权重矩阵，在最后一个注意力层中，使用注意力机制计算节点之间的注意力权重，其公式为：
28、
29、其中，x表示节点的特征矩阵，wq、wk和wv是可学习的权重矩阵，表示拼接操作；softmax(·)为归一化函数，leakyrelu(·)以及relu(·)为激活函数；
30、节点i和节点j之间的注意力得分为scoreij＝att(x)i·att(x)j，所有节点之间的注意力权重矩阵可表示为p＝softmax(score)；在后续计算中，需要得到前i个节点与后j个节点之间的注意力权重矩阵，将该矩阵从p中拆分出来并命名为ps。
31、进一步的，所述步骤(4)中引入fastdtw预训练并联合双重对比损失学习，更新模型参数，优化水电机转轮状态关联性度量结果的具体步骤如下：
32、(4.1)预训练阶段引入fastdtw施加约束来控制模型的扭曲路径；首先计算时间序列a和b之间的fastdtw路径，并将其转换成二进制矩阵pdtw；然后预训练模型以最小化损失函数：
33、
34、(4.2)为了实现具有足够时间扭曲不变性和特定任务判别力的时间扭曲，使用双重对比损失学习模型，损失函数公式如下：
35、
36、其中和都表示对比损失，具体地说，表示为：
37、
38、其中τ是边距的超参数，||·||f表示frobenius范数；如果a和b属于同一类，则输入a和扭曲输入psb之间的距离最小化；如果不是同一类，它们之间的距离将被优化本文档来自技高网...
【技术保护点】
1.一种基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(1)中利用图结构对水电机转轮运行产生的多元时间序列进行显式建模的具体实现过程如下：
3.根据权利要求2所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(2)中采用图扩散卷积重建节点之间的连接关系，实现特征的传递与融合的具体步骤如下：
4.根据权利要求3所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(3)中合并加权图并利用图注意力网络学习节点之间的注意力权重的具体步骤如下：
5.根据权利要求4所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(4)中引入fastDTW预训练并联合双重对比损失学习，更新模型参数，优化水电机转轮状态关联性度量结果的具体步骤如下：
6.一种基于多指标图注意力网络的水电机转轮状态关联分析系统，其特征在于，包括：预训练、图结构学
7.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-5中任一项所述的基于多指标图注意力网络的水电机转轮状态关联分析方法。
8.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-5中任一项所述的基于多指标图注意力网络的水电机转轮状态关联分析方法的计算机程序。
...【技术特征摘要】
1.一种基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(1)中利用图结构对水电机转轮运行产生的多元时间序列进行显式建模的具体实现过程如下：
3.根据权利要求2所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(2)中采用图扩散卷积重建节点之间的连接关系，实现特征的传递与融合的具体步骤如下：
4.根据权利要求3所述的基于多指标图注意力网络的水电机转轮状态关联分析方法，其特征在于，所述步骤(3)中合并加权图并利用图注意力网络学习节点之间的注意力权重的具体步骤如下：
5.根据权利要求4所述的基于多指标图注意力网络的水电机转轮状态...
【专利技术属性】
技术研发人员：陈玲，曲力涛，赵晓嘉，毛莺池，杨春明，周洪亮，吴封奎，王彦芳，梁朝钰，杨怀荣，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。