【技术实现步骤摘要】
本申请涉及智能电网系统，尤其涉及一种基于油色谱分析的变压器故障预警方法及系统。
技术介绍
1、变压器作为电力系统的核心设备，其可靠性和安全性直接关系到电网的稳定运行。油色谱分析是当前变压器故障预测和检测的重要手段之一，通过检测油中溶解气体的种类和浓度，可以判断变压器的内部状态及早期故障预测。
2、油色谱分析（dissolved gas analysis, dga）是通过检测变压器油中溶解气体的成分来判断变压器内部故障的一种方法。常用的溶解气体包括氢气、甲烷、乙烯、乙炔等。不同故障类型会导致变压器内部产生不同的化学反应，从而生成不同种类和数量的气体。例如，在电弧放电故障下会生成大量的乙炔，同时伴随有氢气和甲烷。在发生过热故障时，温度在150°c至300°c之间主要生成甲烷和乙烷；而温度在300°c至700°c之间则生成乙烯和少量的乙炔。
3、传统的油色谱分析方法包括气相色谱法（gc）、离子迁移谱法（ims）和质谱法（ms）。这些方法依赖于预设的阈值和经验公式，如罗杰斯比率法（rogers ratio method）、iec三比值法（iec ratio method）等，来判断气体浓度变化对应的故障类型。
4、尽管传统的油色谱分析方法在变压器故障检测中得到了广泛应用，但其在实际应用中仍存在诸多缺陷。具体而言，传统方法依赖于定期检测和人工分析，通常每隔几个月或一年进行一次油样采集和分析，这导致了故障预警的不及时，难以实现变压器早期故障的实时监控与预警。当故障被发现时，可能已经造成了严重的设备损害和电
5、针对上述问题，目前业界暂未提出较佳的技术解决方案。
技术实现思路
1、本申请提供一种基于油色谱分析的变压器故障预警方法、系统、存储介质、计算机程序产品及电子设备，用以至少解决目前相关技术中变压器无法及时发现故障而及早预警且故障检测误报率高，导致电网系统不稳定的问题。
2、第一方面，本申请实施例提供一种基于油色谱分析的变压器故障预警方法，包括：获取变压器的实时油色谱数据、实时变压器运行数据和对应预设历史时间段的历史变压器运行数据组；变压器运行数据包含变压器初级侧电压、变压器次级侧电压、变压器初级侧电流、变压器次级侧电流、变压器油温和变压器负载率；基于所述实时油色谱数据和所述实时变压器运行数据构建油色谱图结构；所述油色谱图结构包含多个图节点和边，每个所述图节点分别与气体类型唯一对应，所述图节点的节点特征是由所述实时油色谱数据中相应气体类型的气体浓度而定义的；各个边分别是根据相应图节点的气体类型之间的化学反应关系而定义的，并通过所述实时变压器运行数据而更新边权重或构建新边；基于图卷积网络，对所述油色谱图结构中各个图节点的节点特征进行更新；基于时间卷积网络处理所述历史变压器运行数据组，以得到相应的变压器运行时序依赖特征；将所述变压器运行时序依赖特征和各个经更新的节点特征输入至变压器故障预测模型，使得所述变压器故障预测模型确定相应的变压器故障预测结果；所述变压器故障预测模型采用多模态深度学习模型，其包含级联的输入层、特征融合模块和分类输出层；所述输入层用于接收各个所述经更新的节点特征和所述变压器运行时序依赖特征；所述特征融合模块包含特征拼接层、自适应注意力层和稀疏注意力层；所述特征拼接层用于拼接各个所述经更新的节点特征和所述变压器运行时序依赖特征，以得到综合特征向量；所述自适应注意力层用于通过计算每个特征的重要性权重，对所述综合特征向量进行加权融合，以得到中间融合特征；所述稀疏注意力层用于根据各个特征的重要性权重的排序更新所述中间融合特征，以确定相应的目标融合特征；所述分类输出层用于预测所述目标融合特征所对应的变压器故障预测结果。
3、第二方面，本申请实施例提供一种基于油色谱分析的变压器故障预警系统，包括：数据获取单元，用于获取变压器的实时油色谱数据、实时变压器运行数据和对应预设历史时间段的历史变压器运行数据组；变压器运行数据包含变压器初级侧电压、变压器次级侧电压、变压器初级侧电流、变压器次级侧电流、变压器油温和变压器负载率；图结构构建单元，用于基于所述实时油色谱数据和所述实时变压器运行数据构建油色谱图结构；所述油色谱图结构包含多个图节点和边，每个所述图节点分别与气体类型唯一对应，所述图节点的节点特征是由所述实时油色谱数据中相应气体类型的气体浓度而定义的；各个边分别是根据相应图节点的气体类型之间的化学反应关系而定义的，并通过所述实时变压器运行数据而更新边权重或构建新边；图节点更新单元，用于基于图卷积网络，对所述油色谱图结构中各个图节点的节点特征进行更新；时序特征提取单元，用于基于时间卷积网络处理所述历史变压器运行数据组，以得到相应的变压器运行时序依赖特征；变压器故障预测单元，用于将所述变压器运行时序依赖特征和各个经更新的节点特征输入至变压器故障预测模型，使得所述变压器故障预测模型确定相应的变压器故障预测结果；所述变压器故障预测模型采用多模态深度学习模型，其包含级联的输入层、特征融合模块和分类输出层；所述输入层用于接收各个所述经更新的节点特征和所述变压器运行时序依赖特征；所述特征融合模块包含特征拼接层、自适应注意力层和稀疏注意力层；所述特征拼接层用于拼接各个所述经更新的节点特征和所述变压器运行时序依赖特征，以得到综合特征向量；所述自适应注意力层用于通过计算每个特征的重要性权重，对所述综合特征向量进行加权融合，以得到中间融合特征；所述稀疏注意力层用于根据各个特征的重要性权重的排序更新所述中间融合特征，以确定相应的目标融合特征；所述分类输出层用于预测所述目标融合特征所对应的变压器故障预测结果。
4、第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任一实施例的基于油色谱分析的变压器故障预警方法的步骤。
5、第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本申请任一实施例的基于油色谱分析的变压器故障预警方法的步骤。
6、第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请任一实施例的基于油色谱分析的变压器故障预警方法的步骤。
7、通过本申请提供的一种基于油色谱分析的变压器故障预警方法，能够至少产生如下的技术效果：
8、（1）相比传统依赖于定期检测和人工分析的方法，在本技术方案中，通过获本文档来自技高网...
【技术保护点】
1.一种基于油色谱分析的变压器故障预警方法，包括：
2.根据权利要求1所述的方法，其中，所述基于所述实时油色谱数据和所述实时变压器运行数据构建油色谱图结构，包括：
3.根据权利要求1或2所述的方法，其中，所述图卷积网络采用多尺度图卷积网络，并通过以下方式来更新节点特征：
4.根据权利要求3所述的方法，其中，所述时间卷积网络采用基于注意力机制的时间卷积网络，并通过以下方式来提取变压器运行时序依赖特征：
5.根据权利要求4所述的方法，其中，所述特征融合模块中的所述特征拼接层用于通过下式来确定综合特征向量：
6.根据权利要求5所述的方法，其中，在将所述变压器运行时序依赖特征和各个经更新的节点特征输入至变压器故障预测模型，使得所述变压器故障预测模型确定相应的变压器故障预测结果之后，所述方法还包括：
7.根据权利要求5所述的方法，其中，所述变压器故障预测模型的损失函数为：
8.一种基于油色谱分析的变压器故障预警系统，包括：
【技术特征摘要】
1.一种基于油色谱分析的变压器故障预警方法，包括：
2.根据权利要求1所述的方法，其中，所述基于所述实时油色谱数据和所述实时变压器运行数据构建油色谱图结构，包括：
3.根据权利要求1或2所述的方法，其中，所述图卷积网络采用多尺度图卷积网络，并通过以下方式来更新节点特征：
4.根据权利要求3所述的方法，其中，所述时间卷积网络采用基于注意力机制的时间卷积网络，并通过以下方式来提取变压器运行时序依赖特征：
5...
【专利技术属性】
技术研发人员：颜剑，吴可儿，崔银巧，吴宇，朱兆基，余喆熙，邓晓岚，张涛，聂才平，陈科铮，麦世安，王子仪，陈华杰，
申请(专利权)人：广东海洋大学，
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。