一种基于图神经网络的变压器故障在线诊断方法与流程

1.本发明属于变压器故障处理领域，具体涉及一种基于图神经网络的变压器故障在线诊断方法。


背景技术：

2.现有变压器故障诊断技术：通常收集变压器故障时发生的异常数据进行样本整理，然后确定输入特征参量和输出量的匹配对应，进行神经网络的设计和大量数据库的不断训练，最后当任意故障数据发生时经过神经网络的匹配输出得到某一种变压器故障的类型，其余系列改进的神经网络方法也是一样，只是在速度和准确率方面不断提高。上述神经网络方法虽然能够根据异常数据快速判断出变压器故障的类型，但是这类方法受限于大量的故障数据库，因为现场实际运行工况下发生故障的设备数据极其有限，根本无法获得大量有效的故障数据样本，且数据基本都是在线监测的油色谱数据，铁芯、夹件电流等结构化数据，一般还需要现场运维人员前往现场检查后最终确定。此外，对于变压器故障而言，大多数故障关联性较强，即使发生不同故障时油温、绕组温度等数据均会有大幅波动异常。可见现有技术存在如下缺点：
3.①
现有技术大多受限于需要大量的故障数据库，而现场实际运行工况下根本无法获得大量有效的故障数据样本。
4.②
目前用于在线诊断变压器故障的数据基本都是在线监测的油色谱数据，铁芯、夹件电流等结构化数据，数据类型比较单一，不能全面反应故障的真实性，一般都需要现场运维人员再次进行人工巡检查验，准确率仍然需要进一步提高。
5.③
此外，对于变压器故障而言，大多数故障关联性较强，即使发生不同故障时油温、绕组温度等数据均会有大幅波动异常，现在的诊断方法并不能做到同时输出多种故障可能发生的概率。
6.因此现场变压器的在线诊断技术更希望实现一种样本数据类型更丰富、数据量更少、能够考虑变压器故障关联性的诊断新方法。


技术实现要素：

7.本发明的目的在于提供一种基于图神经网络的变压器故障在线诊断方法，能够利用多源融合的数据建立简单的图网络进行变压器故障的诊断，解决了传统方法样本量大导致数据收集困难、数据类型单一导致诊断准确率不高的痛点问题，此外还结合现场实际运行工况下故障之间的关联性问题，可以同时输出多种故障可能发生的概率。
8.为实现上述目的，本发明的技术方案是：一种基于图神经网络的变压器故障在线诊断方法，通过对变压器典型故障进行机理分析获得能够全面表征相应变压器典型故障的特征参量，然后将所有特征参量构建成一个图网络，图网络建立后不断训练各特征参量的动态权重，然后选择中心节点进行节点聚合并构建各个节点的邻接矩阵，从外层逐步对中心节点进行聚合，最后输出变压器某一故障发生的概率。
9.相较于现有技术，本发明具有以下有益效果：本发明克服了现有诊断方法需要大量的异常(故障)数据库；完善了故障特征参量，加入了结构化、半结构化、非结构化数据；解决了现场变压器典型故障关联性较强的问题，实现了同一异常(故障)数据来临时，在线诊断模型可以同时输出多种故障可能发生的概率。本技术提案是一种样本数据类型更丰富、数据量需求更少、且能够考虑变压器故障关联性的诊断新方法。
附图说明
10.图1为本发明一实例变压器压力释放阀动作的图网络建立。
11.图2为本发明一实例图网络编号。
具体实施方式
12.下面结合附图，对本发明的技术方案进行具体说明。
13.本发明一种基于图神经网络的变压器故障在线诊断方法，通过对变压器典型故障进行机理分析获得能够全面表征相应变压器典型故障的特征参量，然后将所有特征参量构建成一个图网络，图网络建立后不断训练各特征参量的动态权重，然后选择中心节点进行节点聚合并构建各个节点的邻接矩阵，从外层逐步对中心节点进行聚合，最后输出变压器某一故障发生的概率。
14.以下为本发明具体实现过程。
15.本发明通过对变压器典型故障的机理进行分析获得更为全面的故障特征状态量(结构化、非结构化、半结构化数据)，然后针对多源数据进行融合处理；然后将所有的状态参量构建为一个图网络并训练动态权重，选取中心节点进行层层聚合同时获得不同故障发生的概率。本技术提案的技术方案如下：
16.1、故障特征参量诊断模型建立；
17.2、图网络的建立；
18.3、图网络的节点聚合；
19.详述如下：
20.1、故障特征参量诊断模型建立：
21.根据变压器发生的机理和现场设备异常(故障)时的实时监测数据作为参考，梳理出不同变压器典型故障的特征参量，以此建立变压器典型故障的诊断模型。这里仅以变压器本体轻瓦斯动作和变压器本体压力释放阀动作为例，对应的结构化、半结构化、非结构化数据类型的特征参量如下表1、表2，评估数据类型更为丰富全面。
22.表1
[0023][0024]
表2
[0025][0026]
[0027]
仅从上述两种变压器常见典型故障可以看出，相同特征参量重复较多，关联性较强，先前常规的诊断方法只能通过匹配输出发生了某一种故障，但是不能很好同时输出几种故障发生的概率。本发明借助多类型数据特征参量建立了更为全面的诊断模型，并采用了图神经网络的方法实现了这一现场急需的问题。
[0028]
2、图网络的建立：
[0029]
将上述能够表征变压器轻瓦斯动作(本体)的故障特征参量任意构建为一个图网络，并通过某一异常(故障)数据来输出各种典型故障的概率来不断调整适应于当前图网络的权重。以变压器压力释放阀动作为例，其图网络如图1所示。
[0030]
因为图网络的建立是随机的，因此需要通过训练获得适应于每种网络的参量权重。训练过程主要根据一组现场的异常(故障)数据、阈值数据、正常数据即可，如表3所示。
[0031]
表3
[0032][0033]
这里仅以两种故障为例进行说明，当其他多种故障引入时诊断的方法完全相同。设y0为正常状态的概率，y1为变压器压力释放阀动作的概率，y2为变压器轻瓦斯动作的概率。x0为正常状态下各个特征参量的总分数，x1为变压器压力释放阀动作下各个特征参量的总分数，x2为变压器轻瓦斯动作下各个特征参量的总分数。
[0034]
x0＝∑x
0iw0i
[0035]
x1＝∑x
1iw1i
[0036]
x2＝∑x
2iw2i
[0037]
其中x
0i
是正常状态下各参量的实时数据，w
0i
是各参量对应的动态权重；x
1i
是变压器压力释放阀动作下各参量的异常(故障)数据，w
1i
是各参量对应的动态权重；x
2i
是变压器轻瓦斯动作下各参量的异常(故障)数据，w
2i
是各参量对应的动态权重，i是该故障下的第i个特征参量。训练图网络的权重动态调整是根据现场变压器压力释放阀动作的异常(故障)数据进行结果输出，输出目标要求保证不断训练后满足此时y1》y2》y0。训练过程权重的动态调整根据反向传播进行，如下式所示，需要对该故障下的各个参量进行求导获得各个参量对应图网络下的动态权重，并循环训练以保证该异常(故障)数据下输出的y1最大。
[0038][0039]
动态调整权重过程中采用反向传播方式，则有
[0040][0041]
上式中n为逼近值，当输入的是该故障下的异常(故障)数据时，n取1，否则取0，此处举例为该故障下的异常(故障)数据输入，因此n＝1。为了求解动态权重值，需要对上式中进行y1对w
1i
求导，则有
[0042]
因此动态权重w
′
1i
取值为
[0043][0044]w1i
是变压器压力释放阀动作下各参量的权重，这里初始化权重是根据阈值数据和正常数据对比下进行人为给定权重。w
′
1i
是变压器压力释放阀动作下各特征参量的动态权重，η是常数，一般取值为0.01，循环训练过程中权重会不断更新以满足输出所有故障的概率值是y1最大。本发明的图神经网络即使建立的网络顺序不一样也可以通过上述权重的训练输出相同的故障概率结果。
[0045]
3、图网络的节点聚合：
[0046]
将上述特征参量组成的图网络进行编号，编号顺序不影响最后输出结果，然后选定中心节点进行层层聚合，最后获得变压器故障发生的概率。图网络编号见下图。
[0047]
首先构建该故障下12个节点的邻接矩阵，即节点相邻的取1(包括本身)，节点不相邻的取0，各节点邻接矩阵如下所示。
[0048][0049]
接下来任意选取编号
②
为中心节点，以
②
为中心寻找相邻节点，则有
①③⑥⑦⑩
，然后继续根据所找的相邻节点
①③⑥⑦⑩
继续寻找下层相邻节点。根据图网络可得出
①
对应的下层节点为(4),(5),(11),(12)；
③
对应的下层节点为(8),(9)；
⑥⑦⑩
下层无对应的节点。这里先对第二层节点
①③⑥⑦⑩
进行数据保留，并采用平均聚合函数进行聚合。对节点
①③⑥⑦⑩
有
[0050][0051][0052]
最后再对中心节点
②
进行聚合得到的结果即为该故障发生的概率x
②
，其余每种故障都对应有各自的特征参量图网络，经过训练动态权重后，可以实现在变压器关联性较强的故障下一组异常数据可以同时输出多种故障发生的概率。
[0053][0054]
此处仅以变压器压力释放阀动作为例进行详细说明，在现场真正进行在线诊断时，都是同时将所有变压器典型故障统一考虑，每种故障对应一个图网络同时进行输出获得故障发生的概率结果，对于关联性较强的变压器故障而言，这为现场运维人员提供了十分重要的预警指示。
[0055]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。