【技术实现步骤摘要】
本专利技术主要涉及到电力计量在线监测领域，特指一种基于图卷积神经网络的电压互感器绝缘故障诊断方法。
技术介绍
1、电压互感器是电力系统中的重要设备，其作用是将高电压转换为低电压，为继电保护装置、测量仪表等提供电源。然而，由于长期运行、设备老化、环境因素等原因，电压互感器可能会出现绝缘故障。这些故障可能导致电压互感器性能下降或失效，严重时甚至可能引发电力系统的事故，因此，对电压互感器绝缘故障进行准确诊断和及时处理是十分重要的。
2、目前，电压互感器绝缘故障诊断仍主要采用离线检测，这就需要配合停电，而且无法及时掌握电压互感器的绝缘运行状态。
3、随着科技的不断发展，有从业者提出了在线实时监测技术，这种在线监测技术被应用于电压互感器的监测和诊断中，一般可分为三大类：红外测量法、信号分析法和数据驱动检测法。其中，红外测量法不仅需要加装额外的红外设备，而且异常诊断的灵敏度较低。信号分析法引入的传感器将破坏电压互感器的密封结构，对电压互感器的长期运行存在风险。而数据驱动检测法通过实时监测特征参量的变化实现绝缘状态在线评估，但该类方法在复杂多变的电力系统中存在特征不明显、识别精度低等问题。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种原理简单、适用性好、能够大幅提高故障诊断精度的基于图卷积神经网络的电压互感器绝缘故障诊断方法。
2、为解决上述技术问题，本专利技术采用以下技术方案：
3、一种基于图
4、步骤s100：获取电压互感器不同绝缘状态下的二次电压信号，完成误差信号分离；
5、步骤s200：基于各互感器分离出误差信号，完成误差信号的特征提取；
6、步骤s300：基于正常互感器群体和各故障群体，构建故障识别矩阵和故障分隔矩阵，通过多项式拟合，完成特征选择；
7、步骤s400：基于选择的特征，采用图卷积神经网络完成故障判断。
8、作为本专利技术方法的进一步改进：所述步骤s100中，采集不同绝缘状态下的电压互感器二次信号xi，i＝1,2...,n，xi表示第i台电压互感器采集的二次电压信号；采用pca主成分分析法对同相互感器的二次信号进行处理，实现一次电压信号、误差信号的分离。
9、作为本专利技术方法的进一步改进：所述步骤s100包括：
10、步骤s101：采集同相电压互感器的二次信号xi，组成x∈rn×l，其中n为采样样本数，l为同相电压互感器台数；
11、步骤s102：对x进行标准化，得到标准化矩阵
12、步骤s103：求的协方差矩阵并对协方差进行奇异值分解；
13、
14、式中，左侧为协方差矩阵，右侧为奇异值分解，∧＝diag(λ1,λ2,...,λn)为协方差矩阵的特征值，并且排列顺序满足λ1≥λ2≥...≥λn，[pn pe]表示特征向量矩阵；此时得出的特征向量矩阵[pn pe]为载荷矩阵p；
15、步骤s104：根据累计方差贡献率ηn≥85％确定主元的个数，实现主元子空间与残差子空间的分离，即得到残差子空间的载荷矩阵pe以及主元子空间的载荷矩阵pn；
16、步骤s105：得到残差分量：
17、
18、其中，为电压互感器二次信号经pca降维并重构后获得的主成分，即一次电压信号；e为残差量，即误差信号；从e∈rn×l中取出待预测互感器j的误差信号：
19、作为本专利技术方法的进一步改进：所述步骤s200中是基于各互感器的误差信号e(j)，提取信号特征ev(j)；其中j＝1,2，...,j,表示互感器训练样本数量。
20、作为本专利技术方法的进一步改进：所述步骤s300包括以下流程：
21、步骤s301：构建故障识别矩阵；
22、步骤s302：构建故障分隔矩阵；
23、步骤s303：特征选择。
24、作为本专利技术方法的进一步改进：所述步骤s301包括以下流程：
25、步骤s3011：基于训练数据，得到互感器各状态下的样本集合:θg0,θg1,θg2,θg3,θg4；
26、步骤s3012：对集合θg0和θgm的样本特征进行提取，其中m＝1,2,3,4；
27、步骤s3013：从θg0和θgm中随机选择一个特征样本ev，计算特征识别度；
28、步骤s3014：重复前述步骤u次，并更新特征识别度参数：
29、
30、其中，rcu(m,q)表示第q个特征第u次迭代时对故障m的识别度，ev表示θg0和θgm中随机选择的特征样本，kq表示在样本ev的同类中选出的k个在特征q上的近邻的样本k，表示在样本ev不同类中选出的k个在特征q上的近邻的样本k，其中q＝1,2，...,q，q＝14；
31、步骤s3015：通过上述方法，构建故障识别矩阵：
32、
33、rc(m,q)表示在检测第m种故障时，第q个特征的可识别度。
34、作为本专利技术方法的进一步改进：所述步骤s302包括以下流程：
35、步骤s3021：对集合θgc和θgm的样本特征进行提取，其中c、m＝1,2,3,4，c≠m；
36、步骤s3022：从θgc和θgm中随机选择一个特征样本ev，计算特征分隔度；
37、步骤s3023：重复上述步骤u次，并更新特征分隔度参数：
38、
39、dsu(c,m,q)表示第q个特征第u次迭代时对故障c、m的分隔度，ev表示θgc和θgm中随机选择的特征样本，kq表示在样本ev的同类中选出的k个在特征q上的近邻的样本k，表示在样本ev不同类中选出的k个在特征q上的近邻的样本k，其中q＝1,2，...,q；
40、步骤s3024：通过上述方法，构建故障分隔矩阵：
41、
42、ds(m-1,m,q)表示在检测第m-1、m种故障时，第q个特征的可分离程度。
43、作为本专利技术方法的进一步改进：所述步骤s303中进行特征选择的流程包括：
44、对第q种特征的识别度参数、分隔度参数分别采用多项式拟合，这里采用3次多项式表示：
45、frc(τq)＝a1τq3+a2τq2+a3τq+b1
46、fds(γq)＝v1rq3+v2rq2+v3rq+b2
47、其中，τq表示rc(m,q)的值，γq表示ds(c,m,q)的值，其中，c,m＝1,2,3,4，c≠m。
48、计算特征有效性1：
49、h(q)＝w1∫frc(τq)dτq+w2∫fdc(γq)dγq
50、计算各特征对不同故障识别的方差：
51、
52、计算特征有效性2：
53、b(q)＝w3本文档来自技高网...
【技术保护点】
1.一种基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S100中，采集不同绝缘状态下的电压互感器二次信号xi，i＝1,2...,N，xi表示第i台电压互感器采集的二次电压信号；采用PCA主成分分析法对同相互感器的二次信号进行处理，实现一次电压信号、误差信号的分离。
3.根据权利要求2所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S100包括：
4.根据权利要求1-3中任意一项所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S200中是基于各互感器的误差信号E(j)，提取信号特征EV(j)；其中
5.根据权利要求1-3中任意一项所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S300包括以下流程：
6.根据权利要求5所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S301包括以下流程：
7.根据
8.根据权利要求5所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S303中进行特征选择的流程包括：
9.根据权利要求1-3中任意一项所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤S400的流程包括：
...【技术特征摘要】
1.一种基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤s100中，采集不同绝缘状态下的电压互感器二次信号xi，i＝1,2...,n，xi表示第i台电压互感器采集的二次电压信号；采用pca主成分分析法对同相互感器的二次信号进行处理，实现一次电压信号、误差信号的分离。
3.根据权利要求2所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤s100包括：
4.根据权利要求1-3中任意一项所述的基于图卷积神经网络的电压互感器绝缘故障诊断方法，其特征在于，所述步骤s200中是基于各互感器的误差信号e(j)，提取信号特征ev...
【专利技术属性】
技术研发人员：王海元，梁文韬，谭海波，黄红桥，龙乙林，刘恩平，欧阳洁，谈丛，彭潇，孙飞，严向前，王蓉，
申请(专利权)人：国网湖南省电力有限公司，
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。