买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东海洋大学

摘要：本申请提供一种基于油色谱分析的变压器故障预警方法及系统，涉及智能电网系统技术领域，该方法包括：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；基于实时油色谱数据和实时变压器运行数据构建油色谱图结构；基于图卷积网络，对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历史变压器运行数据组，得到相应的变压器运行时序依赖特征；将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，确定相应的变压器故障预测结果，变压器故障预测模型采用多模态深度学习模型。由此，保证了变压器故障预警的实时性和可靠性，提高了电网运行的稳定性。

主权项：1.一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；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： ， ，式中，表示第层的节点特征矩阵，表示激活函数，表示尺度总数，表示第个尺度的权重矩阵，表示第层第个尺度的节点特征矩阵；表示节点的邻居图节点集合，表示节点和节点之间的归一化系数，表示节点和节点之间的边特征，表示向量拼接操作；表示节点在第层的特征向量，表示节点在第层的特征向量；表示图卷积权重矩阵；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： ， ， ， ，式中，表示第层的特征矩阵，表示时间卷积核，表示时间卷积偏置项，表示卷积操作；是时间步的权重，是时间步的得分，和分别表示注意力权重矩阵和注意力偏置项；表示在时间步的特征，表示时间步总数；表示注意力加权后的变压器运行时序依赖特征；其中，所述变压器故障预测模型的损失函数为： ， ， ，式中，表示互信息损失项，表示对比学习损失项，和分别表示相应的损失调整系数；表示特征和标签之间的互信息，表示特征𝑥和标签𝑦之间的联合概率分布，表示特征𝑥的边缘概率分布和，表示标签𝑦的边缘概率分布；表示数据样本集中的样本总数，是标签，正样本对的标签值为1，负样本对的标签值为0；表示正样本对的距离，表示负样本对的距离，表示样本的特征表示，表示预设的距离边界值。

全文数据：

权利要求：

百度查询： 广东海洋大学 基于油色谱分析的变压器故障预警方法及系统