【技术实现步骤摘要】
本专利技术涉及电力系统和智能电网，特别是涉及一种基于图卷积神经网络的油浸式变压器状态评估方法及装置。
技术介绍
1、随着现代电力系统的发展和电网规模的不断扩大，变压器作为电力系统中的关键设备，其运行状态直接关系到电网的稳定性和可靠性。变压器的故障不仅会导致供电中断，还可能造成严重的经济损失和安全隐患。因此，对变压器运行状态进行有效监测，以及时发现潜在故障并采取预防措施，具有重要的现实意义。
2、传统的变压器状态监测方法主要依靠周期性的人工检测和简单的阈值报警，这种方法存在检测周期长、响应速度慢、故障识别准确性低等问题，导致油浸式变压器状态监测的效率较低，难以满足现代电力系统对变压器状态监测的高要求。
技术实现思路
1、有鉴于此，本专利技术提供一种基于图卷积神经网络的油浸式变压器状态评估方法及装置，主要目的在于解决现有油浸式变压器状态监测的效率较低的问题。
2、依据本专利技术一个方面，提供了一种基于图卷积神经网络的油浸式变压器状态评估方法，包括：
3、获取目标变压器在预设时间段内，关联预设运行状态评估参数的多个影响因素的时序数据，所述运行状态评估参数包括动态电气量维度参数、油温维度参数及振动信号维度参数；
4、依照各个影响因素之间的关联关系，以每个时间点的数据作为一个图状态，将所述时序数据转换为无权无向图结构时序数据；
5、利用预先训练好的影响因素预测模型对所述无权无向图结构时序数据进行预测处理，得到不同影响因素在下一时刻的
6、依据不同影响因素的所述预测数据确定多个目标运行状态评估参数，并依据所述目标运行状态评估参数确定状态评估结果。
7、进一步地，所述依照各个影响因素之间的关联关系，以每个时间点的数据作为一个图状态，将所述时序数据转换为无权无向图结构时序数据，包括：
8、以每个影响因素作为一个节点，依据每两个节点所对应影响因素之间的关联关系确定节点之间的边，构建无权无向图；
9、依据所述无权无向图的邻接矩阵，将所述时序数据中各个时间点所对应的影响因素，依次导入所述无权无向图，得到无权无向图结构时序数据。
10、进一步地，所述利用预先训练好的影响因素预测模型对所述无权无向图结构时序数据进行预测处理之前，所述方法还包括：
11、获取影响因素的历史时序数据，以目标时段的所述影响因素的历史数据为目标输入，以所述目标时段下一时刻的所述影响因素的历史数据为预测标签构建训练样本，得到训练样本集；
12、按照预设时间轴划分比例，从时间维度将所述训练样本集划分为训练集和测试集；
13、利用所述训练集对图卷积神经网络模型进行训练，得到评估模型；
14、利用所述测试集对所述评估模型进行模型性能测试和参数优化，得到预先训练好的影响因素预测模型。
15、进一步地，所述动态电气量维度以变压器传输效率表示，所述油温维度以油温对于环境温度的变化率表示，所述影响因素包括油温、环境温度、高压侧有功功率及低压侧有功功率，所述依据不同影响因素的所述预测数据确定多个目标运行状态评估参数，包括：
16、依据高压侧有功功率预测值和低压侧有功功率预测值，计算得到变压器传输效率，并将所述变压器传输效率作为第一目标运行状态评估参数，其中，计算公式表示为其中，η表示变压器传输功率预测值，p1表示高压侧有功功率预测值，p2表示低压侧有功功率预测值；
17、依据油温预测值和环境温度预测值，计算得到油温对于环境温度的变化率，并将所述油温对于环境温度的变化率作为第二目标运行状态评估参数，其中，计算公式表示为其中，λ表示变化率预测值，δθ表示预设时段顶层油温变化的预测值，δt表示预设时段外界环境温度变化的预测值。
18、进一步地，所述影响因素还包括高压侧电流及低压侧电流，所述依据不同影响因素的所述预测数据确定多个目标运行状态评估参数之前，所述方法还包括：
19、依据高压侧电流预测值及当前高压侧电压值计算得到高压侧有功功率验证值；
20、依据低压侧电流预测值及当前低压侧电压值计算得到低压侧有功功率验证值；
21、依据所述高压侧有功功率验证值对所述高压侧有功功率预测值进行校验，并依据所述低压侧有功功率验证值对所述高压侧有功功率预测值进行校验，若任一所述校验的结果均为未通过，则返回所述获取目标变压器在预设时间段内的运行数据的步骤。
22、进一步地，所述振动信号维度参数以频率集中度表示，所述方法还包括：
23、对振动信号进行频谱分析，分离出基频为100hz的n次谐波的幅值；
24、依据所述基频为100hz的n次谐波的幅值计算得到信号频率集中度，并将所述信号频率集中度作为第三目标运行状态评估参数；其中，所述信号频率集中度的计算公式表示为：dfc表示频率集中度，a100n表示基频为100hz的n次谐波的幅值，a100表示基频为100hz分量的振动幅值。
25、进一步地，所述状态评估结果包括正常、注意、异常及严重，所述依据所述目标运行状态评估参数确定状态评估结果，包括：
26、计算各个目标运行状态评估参数与对应参数限值的差异值及预设时间间隔内的波动量；
27、若任一目标运行状态评估参数的差异值表征异常差异方向，且所述差异值的绝对值大于第一差异阈值，则确定状态评估结果为严重；
28、若任一目标运行状态评估参数的所述波动量大于波动阈值，且所述差异值的绝对值小于第二差异阈值，则确定状态评估结果为异常；
29、若任意目标运行状态评估参数的所述差异值表征正常差异方向，且所述差异值小于所述第二差异阈值，则确定状态评估结果为注意；
30、若任意目标运行状态评估参数的所述波动量小于或等于所述波动阈值，且所述差异值表征正常差异方向，则确定状态评估结果为正常。
31、依据本专利技术另一个方面，提供了一种基于图卷积神经网络的油浸式变压器状态评估装置，包括：
32、获取模块，用于获取目标变压器在预设时间段内，关联预设运行状态评估参数的多个影响因素的时序数据，所述运行状态评估参数包括动态电气量维度参数、油温维度参数及振动信号维度参数；
33、转换模块，用于依照各个影响因素之间的关联关系，以每个时间点的数据作为一个图状态，将所述时序数据转换为无权无向图结构时序数据；
34、处理模块，用于利用预先训练好的影响因素预测模型对所述无权无向图结构时序数据进行预测处理，得到不同影响因素在下一时刻的预测数据；
35、确定模块，用于依据不同影响因素的所述预测数据确定多个目标运行状态评估参数，并依据所述目标运行状态评估参数确定状态评估结果。
36、根据本专利技术的又一方面，提供了一种存储介质，所述存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行如上述基于图卷积神经网络的油浸式变压器状态评估方法对应的本文档来自技高网...
【技术保护点】
1.一种基于图卷积神经网络的油浸式变压器状态评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述依照各个影响因素之间的关联关系，以每个时间点的数据作为一个图状态，将所述时序数据转换为无权无向图结构时序数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用预先训练好的影响因素预测模型对所述无权无向图结构时序数据进行预测处理之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述动态电气量维度以变压器传输效率表示，所述油温维度以油温对于环境温度的变化率表示，所述影响因素包括油温、环境温度、高压侧有功功率及低压侧有功功率，所述依据不同影响因素的所述预测数据确定多个目标运行状态评估参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述影响因素还包括高压侧电流及低压侧电流，所述依据不同影响因素的所述预测数据确定多个目标运行状态评估参数之前，所述方法还包括：
6.根据权利要求4所述的方法，其特征在于，所述振动信号维度参数以频率集中度表示，所述方法还包括：
7.根据权利
8.一种基于图卷积神经网络的油浸式变压器状态评估装置，其特征在于，包括：
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的基于图卷积神经网络的油浸式变压器状态评估方法对应的操作。
10.一种终端，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种基于图卷积神经网络的油浸式变压器状态评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述依照各个影响因素之间的关联关系，以每个时间点的数据作为一个图状态，将所述时序数据转换为无权无向图结构时序数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述利用预先训练好的影响因素预测模型对所述无权无向图结构时序数据进行预测处理之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述动态电气量维度以变压器传输效率表示，所述油温维度以油温对于环境温度的变化率表示，所述影响因素包括油温、环境温度、高压侧有功功率及低压侧有功功率，所述依据不同影响因素的所述预测数据确定多个目标运行状态评估参数，包括：
5.根据权利要求4所述的方法，其特征在于，所述影响因素还包括高压侧电流及低压侧电流，...
【专利技术属性】
技术研发人员：冯俊杰，王琼，袁滨，刘雨飞，张广勇，降国俊，
申请(专利权)人：国网山西省电力公司晋中供电公司，
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。