【技术实现步骤摘要】
本专利技术涉及电力设备故障诊断，具体涉及一种基于改进图卷积网络的电力变压器故障诊断方法及系统。
技术介绍
1、电力变压器是变电站和发电厂中的关键设备，其运行状态直接关系到电力系统的安全和电能质量，一旦发生故障，可能导致局部或大范围停电，造成巨大的经济损失，因此，准确诊断电力变压器的故障具有重要意义。
2、目前，大型变压器大多为油浸式变压器，当其发生故障时，会释放出大量的溶解气体，溶解气体分析(dga)是诊断故障的重要指标，现有的基于dga的故障诊断方法主要分为两类：基于距离的方法和基于模型的方法。基于距离的方法，如案例推理、专家系统、k近邻(knn)和孪生神经网络，通过计算待分类样本与历史样本之间的相似度进行诊断，这类方法虽然利用了历史数据，但难以捕捉溶解气体与故障类型之间复杂的非线性关系，准确性有限；基于模型的方法，如支持向量机、多层感知器、极端梯度提升树和深度学习方法(如卷积神经网络、深度信念网络、胶囊神经网络)，能够挖掘溶解气体与故障类型之间的复杂非线性关系，但未能充分利用历史数据与当前样本的相似度信息，性能提升有限。
3、公开于该
技术介绍
部分的信息仅仅旨在加深对本公开总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术中提供了一种基于改进图卷积网络的电力变压器故障诊断方法及系统，从而有效解决
技术介绍
中所指出的问题。
2、为了达到上述目的，本专利技术所采用的技术方案是
3、基于改进图卷积网络的电力变压器故障诊断方法，所述方法包括：
4、获取电力变压器故障数据集，并进行预处理，所述数据集包括不同运行状态和故障类型的样本数据；
5、构建改进的图卷积网络结构，并通过自循环和邻接矩阵归一化方法改进图卷积层的计算；
6、将所述电力变压器故障数据集数据集划分为训练集和测试集，并对所述邻接矩阵进行稀疏化处理；
7、初始化图卷积网络的结构和参数，构建包含至少一个图卷积层和至少一个密集层的图卷积网络模型；
8、采用反向传播算法训练图卷积网络模型，并将优化得到的结果输入测试集进行验证，得到电力变压器故障诊断结果。
9、进一步地，预处理包括：
10、选择特征气体并进行数据预处理，得到归一化特征值；
11、使用min-max归一化方法将溶解气体的含量和新特征映射到指定区间。
12、进一步地，构建改进的图卷积网络结构，并通过自循环和邻接矩阵归一化方法改进图卷积层的计算，包括：
13、构建邻接矩阵，所述邻接矩阵表示历史数据和当前样本之间的相似性度量；
14、在所述邻接矩阵中执行自循环操作，每个节点在计算时包含自身的特征信息；
15、对所述邻接矩阵进行归一化处理，并利用改进的图卷积层，通过输入的图形矩阵和归一化后的邻接矩阵计算输出特征。
16、进一步地，所述归一化处理公式为：
17、
18、其中，a″为归一化处理后的邻接矩阵，d为邻接矩阵a′的对角线节点度数矩阵，e为邻接矩阵a的对角线节点度数矩阵，a′为自循环操作的结果，a′＝a+i，其中i为单位矩阵。
19、进一步地，初始化图卷积网络的结构和参数，构建包含至少一个图卷积层和至少一个密集层的图卷积网络模型，包括：
20、将图结构数据作为输入，利用内在拓扑生成中间特征，并使用表示的权值将每个节点的特征向量与相邻节点的特征向量线性组合，得到混合特征矩阵；
21、在第一个图卷积层中，通过将权重矩阵相乘并添加偏置向量，选择relu作为激活函数，得到第一层的输出数据；
22、将第一层的输出数据输入到第二个图卷积层，通过线性组合和激活函数处理，得到第二层的输出数据；
23、在图卷积层后添加两个密集层，在第三层中对数据进行校验和处理，使用权重矩阵、偏置向量和激活函数得到输出数据；
24、第四层中使用softmax函数作为激活函数，对第三层的所述输出数据进行处理，得到改进的gcn输出的故障类型。
25、进一步地，采用反向传播算法训练图卷积网络模型，包括：正向激励传播和反向权值更新，所述正向激励传播，输入变量经过多个图卷积层处理后传递到密集层，并输出样本的标签。
26、进一步地，利用故障诊断结果和实际结果计算损失函数，所述损失函数为：
27、
28、其中，l(θ)为损失函数，c为类别的数量，即分类问题中可能得分类数，vc为类别c的权重，yi为第i个样本的实际标签，(yi＝c)为指示函数，当第i个样本的实际标签为c时，(yi＝c)＝1，否则为0，si为第i个样本被预测为正确类别的概率，xi为第i个样本在softmax函数输入层的得分，xc为类别c在softmax函数输入层的得分，为对所有类别的指数得分的总和。
29、进一步地，所述损失函数建立后，对图卷积网络进行全局优化，对参数θ的更新为：
30、
31、xl＝∑θ·xl-1+bi
32、
33、其中，μ为学习率，q为每层的样本个数，xl为前向传播函数，l为神经网络的层数，ed是每个小批的预测值和实际值之间的欧氏距离。
34、进一步地，所述反向权值更新，包括：
35、通过前向传播计算网络输出和实际标签之间的损失，并利用链式法则将误差从输出层逐层传递到中间层和输入层，计算每层的梯度；
36、使用梯度下降法根据计算出的所述梯度更新权重矩阵和偏置向量；
37、重复上述过程，迭代训练模型，直至损失函数收敛，并使用测试集来评估图卷积网络的性能。
38、基于改进图卷积网络的电力变压器故障诊断系统，所述系统包括：
39、故障数据集获取模块，获取电力变压器故障数据集，并进行预处理，所述数据集包括不同运行状态和故障类型的样本数据；
40、网络结构构建模块，构建改进的图卷积网络结构，并通过自循环和邻接矩阵归一化方法改进图卷积层的计算；
41、矩阵稀疏化处理模块，将所述电力变压器故障数据集数据集划分为训练集和测试集，并对所述邻接矩阵进行稀疏化处理；
42、模型基础设定模块，初始化图卷积网络的结构和参数，构建包含至少一个图卷积层和至少一个密集层的图卷积网络模型；
43、诊断结果输出模块，采用反向传播算法训练图卷积网络模型，并将优化得到的结果输入测试集进行验证，得到电力变压器故障诊断结果。
44、通过本专利技术的技术方案，可实现以下技术效果：
45、提高了电力变压器故障诊断的准确性和效率，充分利用历史数据和当前样本的相似度信息，克服了现有方法难以捕捉复杂非线性关系和未能充分利用历史数据的不足，
本文档来自技高网...【技术保护点】
1.基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，预处理包括：
3.根据权利要求1所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，构建改进的图卷积网络结构，并通过自循环和邻接矩阵归一化方法改进图卷积层的计算，包括：
4.根据权利要求3所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，所述归一化处理公式为：
5.根据权利要求4所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，初始化图卷积网络的结构和参数，构建包含至少一个图卷积层和至少一个密集层的图卷积网络模型，包括：
6.根据权利要求1所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，采用反向传播算法训练图卷积网络模型，包括：正向激励传播和反向权值更新，所述正向激励传播，输入变量经过多个图卷积层处理后传递到密集层，并输出样本的标签。
7.根据权利要求6所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，利
8.根据权利要求7所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，所述损失函数建立后，对图卷积网络进行全局优化，对参数θ的更新为：
9.根据权利要求6所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，所述反向权值更新，包括：
10.基于改进图卷积网络的电力变压器故障诊断系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，预处理包括：
3.根据权利要求1所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，构建改进的图卷积网络结构，并通过自循环和邻接矩阵归一化方法改进图卷积层的计算，包括：
4.根据权利要求3所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，所述归一化处理公式为：
5.根据权利要求4所述的基于改进图卷积网络的电力变压器故障诊断方法，其特征在于，初始化图卷积网络的结构和参数，构建包含至少一个图卷积层和至少一个密集层的图卷积网络模型，包括：
6.根据权利要求1所述的基于改进图卷积网...
【专利技术属性】
技术研发人员：杨全兵，朱鸿，夏莹，赵文博，李垣江，智鹏飞，陈枫芸，李雕鹏，郭鑫，顾昊，
申请(专利权)人：江苏大全箱变科技有限公司，
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。