基于图神经网络的电力变压器健康状态评估方法

1.本发明涉及人工智能及电力技术领域，具体涉及一种基于图神经网络的电力变压器健康状态评估方法。


背景技术：

2.电力变压器作为电力系统中的核心设备，起着能量传输和转换的作用，电力变压器的安全可靠运行关系着整个电网的稳定性。一旦变压器发生运行故障，将可能造成电网大规模的停电事故，对电力系统及国民经济带来重大的负面影响。
3.长期以来，电力变压器的检修方式主要是定期检修，定期检修会带来“欠修”或“过修”的问题，从而导致维修工作量大，供电可靠性低等后果。因此，实时准确地掌握电力变压器的健康状态，并根据其监控状态进行检修将成为未来电力变压器检修工作的发展方向；故急需一种评估结果更加准确的变压器健康状态评估方案。
4.现有的变压器状态评估方法存在着评估指标单一、指标间复杂关系考虑欠缺、指标权重量化存在过于主观性等问题，导致评估结果的可靠性较差。


技术实现要素：

5.本发明的主要目的是提供一种基于图神经网络的电力变压器健康状态评估方法，旨在解决目前急需一种评估结果更加准确的变压器健康状态评估方案的问题。
6.本发明提出的技术方案为：
7.一种基于图神经网络的电力变压器健康状态评估方法，包括：
8.从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系，其中，所述评估指标包括用于对变压器进行评估的底层指标和修正指标；
9.通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数；
10.利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估，其中，所述故障检修信息由所述修正指标生成；
11.建立变压器健康状态评估样本集，基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试，以得到优选评估模型；
12.通过所述优选评估模型进行变压器健康状态实例验证。
13.优选的，所述底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗；所述综合指标包括：与负荷率、环境等级、运行时间和设计寿命对应的运行工况指标、与氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量对应的油色谱试验指标、与微水含量、油介质损耗、击穿电压和糠醛含量对应的油化试验指标，以及与吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗对应的电气试验指标；所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指
数，包括：
14.基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命，利用健康指数法生成运行工况健康指数；
15.基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量，利用层次分析法生成油色谱试验健康指数；
16.基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量，利用层次分析法生成油化试验健康指数；
17.基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗，利用层次分析法生成电气试验健康指数。
18.优选的，所述基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命，利用健康指数法生成运行工况健康指数的计算公式为：
19.h1＝0.5e
bδt
，
[0020][0021]
式中，h1为所述运行工况健康指数；b为老化系数，δt为所述运行时间，td为所述设计寿命；f
l
为负荷率修正因子，取值与所述负荷率相关；fe为环境等级修正因子，取值与所述环境等级相关。
[0022]
优选的，所述通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数，还包括：
[0023]
对各所述底层指标进行预处理，以得到对应的底层指标健康指数；
[0024]
通过层次分析法获得各所述底层指标的权重；
[0025]
所述基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量，利用层次分析法生成油色谱试验健康指数，包括：
[0026]
基于所述油色谱试验健康指标对应的各所述底层指标的权重，将所述油色谱试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油色谱试验健康指数。
[0027]
优选的，所述对各所述底层指标进行预处理，以得到对应的底层指标健康指数，包括：
[0028]
采用升半梯模型对氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、糠醛含量、直阻不平衡率、铁芯接地电流和绕组介质损耗进行预处理，以得到对应的底层指标健康指数，其中，所述升半梯模型的公式为：
[0029][0030]
其中，a为指标下阈值，b为指标上阈值；x为指标测量值；y为指标预处理值，即为对应的底层指标健康指数；在所述升半梯模型中，指标测量值越大，对应的底层指标健康指数越大，表明变压器的运行状态越差；
[0031]
采用降半梯模型对击穿电压和吸收比进行预处理，以得到对应的底层指标健康指
数，其中，所述降半梯模型的公式为：
[0032][0033]
其中，a为指标下阈值，b为指标上阈值；x为指标测量值；y为指标预处理值，即为对应的底层指标健康指数；在所述降半梯模型中，指标测量值越大，对应的底层指标健康指数越小，表明变压器的运行状态越差。
[0034]
优选的，所述通过层次分析法获得各所述底层指标的权重，包括：
[0035]
采用成对比较法，对氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量相对于油色谱试验指标的重要程度进行两两判断，并形成判断矩阵；
[0036]
采用成对比较法，对微水含量、油介质损耗、击穿电压、糠醛含量相对于油化试验指标的重要程度进行两两判断，并形成判断矩阵；
[0037]
采用成对比较法，对吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗相对于电气试验指标的重要程度进行两两判断，并形成判断矩阵，其中，判断矩阵的结构为：
[0038][0039]
其中，元素a
ij
代表的含义为第i个指标相较于第j个指标的重要程度，矩阵中的对角元素都为1，元素a
ij
与元素a
ji
互为倒数关系，n为各个试验对应的底层指标总数；
[0040]
对判断矩阵进行一致性检验；
[0041]
若判断矩阵不满足一致性检验，对相应底层指标的相对重要程度进行重新判断，直至判断矩阵满足一致性检验；
[0042]
若判断矩阵满足一致性检验，计算判断矩阵的最大特征值λ
max
和最大特征值对应的特征向量w，以获得底层指标的权重。
[0043]
优选的，所述修正指标包括故障次数、附件情况和家族缺陷；所述利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估，包括：
[0044]
通过图神经网络层挖掘各综合指标间的关系，并聚合彼此相关的综合指标的信息以更新各综合指标的特征信息；
[0045]
基于所述故障次数、所述附件情况和所述家族缺陷生成故障检修信息，其中，所述故障检修信息包括故障次数修正系数、附件外观修正系数和家族缺陷修正系数；利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数对综合指标得到的结果进行修正；
[0046]
通过非线性层评估变压器的健康状态。
[0047]
优选的，所述建立变压器健康状态评估样本集，包括：
[0048]
通过层次分析法，获取多组不同的人工权重集，其中，所述人工权重集包括与所述运行工况健康指数对应的运行工况指标权重、与所述油色谱试验健康指数对应的油色谱试验指标权重、与所述油化试验健康指数对应的油化试验指标权重，和与所述电气试验健康指数对应的电气试验指标权重；
[0049]
获取样本数据集，其中，所述样本数据集包括多组与变压器一一对应的样本数据，每个所述样本数据均包括完整的评估指标；
[0050]
将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加，再通过所述故障缺陷信息进行修正，以得到所述样本数据对应的多组待选健康指数；
[0051]
利用健康状态等级与健康指数之间的对应关系，得到各组待选健康指数对应的变压器健康状态，并基于少数服从多数的原则确定所述样本数据的变压器健康状态，其中，变压器的健康状态等级包括好、较好、一般、差和很差；
[0052]
以所述样本数据和对应的所述变压器健康状态建立变压器健康状态评估样本集。
[0053]
优选的，所述将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加，再通过所述故障检修信息进行修正，以得到所述样本数据对应的多组待选健康指数的计算公式为：
[0054][0055]
式中，hi
(m)
为依据第m组人工权重集得到待选健康指数，k
i(m)
为第m组人工权重集中第i个综合指标的权重，f1为故障次数修正系数，f2为附件外观修正系数，f3为家族缺陷修正系数。
[0056]
优选的，所述基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试，以得到优选评估模型，包括：
[0057]
按照预设比例将变压器状态评估样本集分为训练集和测试集，其中，所述训练集包括多个训练样本，测试集包括多个测试样本；
[0058]
使用训练集对所述评估模型进行训练，当达到训练次数时终止训练，以得到所述优选评估模型；
[0059]
将所述测试集输入至所述优选评估模型，以得到所述测试样本对应的测试健康状态；
[0060]
将所述测试健康状态与所述实际健康状态一致的所述测试样本标记为正确样本；
[0061]
将所述正确样本的数量与所述测试集中所有的所述测试样本的数量的比值标记为准确率。
[0062]
通过上述技术方案，能实现以下有益效果：
[0063]
本发明提出的基于图神经网络的电力变压器健康状态评估方法给出了一套完善且更为准确的变压器健康状态评估方案；具体的：本发明提出了一种依据变压器多方面状态信息(即评估指标)的健康状态评估体系；这里的评估指标包含基本信息、运行信息、试验信息和故障检修信息，由底层指标和修正指标组成；本评估体系能够基于这些评估指标对变压器进行更加充分且全面的运行状态评估，然后基于评估体系建立变压器状态评估样本集，并建立评估模型；再基于评估样本集对评估模型进行训练和测试，以得到优选评估模
型；最后通过优选评估模型来对变压器进行健康状态的评估。通过层次分析法和健康指数法得到底层指标对应的综合指标的健康指数，建立图神经网络来挖掘各综合指标之间的相互关系，并利用故障检修对综合指标得到的结果进行修正，以此得到状态评估结果，考虑了各个指标之间可能存在的相互关系，实现了指标权重量化的主客观方法结合，确保了最终的健康状态的评估准确性。
附图说明
[0064]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0065]
图1为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的流程图；
[0066]
图2为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的变压器健康状态评估体系示意图；
[0067]
图3为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例的变压器健康状态评估模型的示意图；
[0068]
图4为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第五实施例的底层指标预处理模型的示意图；
[0069]
图5为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第八实施例的图神经网络的工作原理的示意图；
[0070]
图6为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例的图神经网络层的边更新工作原理示意图；
[0071]
图7为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例的图神经网络层的节点更新工作原理示意图；
[0072]
图8为本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十二实施例的训练集的损失变化曲线示意图。
具体实施方式
[0073]
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0074]
本发明提出一种基于图神经网络的电力变压器健康状态评估方法。
[0075]
如附图1所示，在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第一实施例中，本基于图神经网络的电力变压器健康状态评估方法包括如下步骤：
[0076]
步骤s110：从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系，其中，所述评估指标包括用于对变压器进行评估的底层指标和修正指标。
[0077]
具体的，电力变压器健康状态评估体系如附图2所示；变压器健康状态底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流、
绕组介质损耗；变压器健康状态修正指标包括故障次数、附件情况和家族缺陷；即评估指标包括了变压器对应的基本信息、运行信息、试验信息和故障检修信息。
[0078]
步骤s120：通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数。
[0079]
具体的，基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命，利用健康指数法生成运行工况健康指数；基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量，利用层次分析法生成油色谱试验健康指数；基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量，利用层次分析法生成油化试验健康指数；基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗，利用层次分析法生成电气试验健康指数；即将综合指标用于数值的形式进行表述，以便于进行比较和直观的分析。
[0080]
步骤s130：利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估，其中，所述故障检修信息由所述修正指标生成。
[0081]
具体的，通过图神经网络层来挖掘各综合指标之间的相互关系，并利用故障检修信息对综合指标得到的结果进行修正，再通过非线性层实现变压器健康状态的评估。
[0082]
步骤s140：建立变压器健康状态评估样本集，基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试，以得到优选评估模型。
[0083]
具体的，以变压器样本数据和对应的变压器健康状态建立变压器健康状态评估样本集。变压器健康状态评估模型如附图3所示，基于所述变压器健康状态评估样本集对评估模型进行训练和测试，以得到优选评估模型。
[0084]
步骤s150：通过所述优选评估模型进行变压器健康状态实例验证。
[0085]
具体的，完成测试后的评估模型便可用于实际应用，即对变压器进行健康状态实例验证。
[0086]
本发明提出的基于图神经网络的电力变压器健康状态评估方法给出了一套完善且更为准确的变压器健康状态评估方案；具体的：本发明提出了一种依据变压器多方面状态信息(即评估指标)的健康状态评估体系；这里的评估指标包含基本信息、运行信息、试验信息和故障检修信息，由底层指标和修正指标组成；本评估体系能够基于这些评估指标对变压器进行更加充分且全面的运行状态评估，然后基于评估体系建立变压器状态评估样本集，并建立评估模型；再基于评估样本集对评估模型进行训练和测试，以得到优选评估模型；最后通过优选评估模型来对变压器进行健康状态的评估。通过层次分析法和健康指数法得到底层指标对应的综合指标的健康指数，建立图神经网络来挖掘各综合指标之间的相互关系，并利用故障检修对综合指标得到的结果进行修正，以此得到状态评估结果，考虑了各个指标之间可能存在的相互关系，实现了指标权重量化的主客观方法结合，确保了最终的健康状态的评估准确性。
[0087]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第二实施例中，基于第一实施例，所述底层指标包括负荷率、环境等级、运行时间、设计寿命、氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、击穿电压、糠醛含量、吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗；所述综合指标包括：与负荷率、环境等级、运行时间和设计寿命对应的运行工况指标、与氢气含量、甲烷含量、乙烷含量、乙
烯含量和乙炔含量对应的油色谱试验指标、与微水含量、油介质损耗、击穿电压和糠醛含量对应的油化试验指标，以及与吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗对应的电气试验指标；步骤s120，包括如下步骤：
[0088]
步骤s210：基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命，利用健康指数法生成运行工况健康指数。
[0089]
具体的，这里的运行工况健康指数能够以数值的方式来反映变压器的运行工况。
[0090]
步骤s220：基于所述氢气含量、所述甲烷含量、所述乙烷含量、所述乙烯含量和所述乙炔含量，利用层次分析法生成油色谱试验健康指数。
[0091]
具体的，这里的油色谱试验健康指数能够以数值的方式来反映变压器的油色谱试验健康情况。
[0092]
步骤s230：基于所述微水含量、所述油介质损耗、所述击穿电压和所述糠醛含量，利用层次分析法生成油化试验健康指数。
[0093]
具体的，这里的油化试验健康指数能够以数值的方式来反映变压器的油化试验健康情况。
[0094]
步骤s240：基于所述吸收比、所述直阻不平衡率、所述铁芯接地电流和所述绕组介质损耗，利用层次分析法生成电气试验健康指数。
[0095]
具体的，这里的电气试验健康指数能够以数值的方式来反映变压器的电气试验健康情况。
[0096]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第三实施例中，基于第二实施例，所述基于所述负荷率、所述环境等级、所述运行时间和所述设计寿命，利用健康指数法生成运行工况健康指数的计算公式为：
[0097]
h1＝0.5e
bδt
，
[0098][0099]
式中，h1为所述运行工况健康指数；b为老化系数，δt为所述运行时间，单位为年；td为所述设计寿命，单位为年；f
l
为负荷率修正因子，取值与所述负荷率相关；fe为环境等级修正因子，取值与所述环境等级相关。
[0100]
具体的，负荷率修正因子由表1确定，环境等级修正因子由表2确定；其中，表1为负荷修正表，表2为环境等级修正表：
[0101]
负荷率(％)负荷系数f
l
0-40％140％-60％1.0560％-70％1.170％-80％1.2580％-150％1.6
[0102]
表1
[0103]
环境等级环境系数fe01
1121.0531.1541.3
[0104]
表2
[0105]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第四实施例中，基于第二实施例，步骤s120中的通过层次分析法和健康指数法得到所述底层指标对应的综合指标的健康指数，还包括如下步骤：
[0106]
步骤s410：对各所述底层指标进行预处理，以得到对应的底层指标健康指数。
[0107]
具体的，由于各个底层指标由于数量级和量纲不同，故需要对其进行预处理。
[0108]
步骤s420：通过层次分析法获得各所述底层指标的权重。
[0109]
步骤s220，包括如下步骤：
[0110]
步骤s430：基于所述油色谱试验健康指标对应的各所述底层指标的权重，将所述油色谱试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油色谱试验健康指数。
[0111]
步骤s230，包括如下步骤：
[0112]
步骤s440：基于所述油化试验健康指标对应的各所述底层指标的权重，将所述油化试验健康指标对应的各所述底层指标健康指数进行加权求和以得到油化试验健康指数。
[0113]
步骤s240，包括如下步骤：
[0114]
步骤s450：基于所述电气试验健康指标对应的各所述底层指标的权重，将所述电气试验健康指标对应的各所述底层指标健康指数进行加权求和以得到电气试验健康指数。
[0115]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第五实施例中，基于第四实施例，步骤s410，包括如下步骤：
[0116]
步骤s510：采用升半梯模型对氢气含量、甲烷含量、乙烷含量、乙烯含量、乙炔含量、微水含量、油介质损耗、糠醛含量、直阻不平衡率、铁芯接地电流和绕组介质损耗进行预处理，以得到对应的底层指标健康指数，其中，所述升半梯模型的公式为：
[0117][0118]
其中，a为指标下阈值，b为指标上阈值；x为指标测量值；y为指标预处理值，即为对应的底层指标健康指数；在所述升半梯模型中，指标测量值越大，对应的底层指标健康指数越大，表明变压器的运行状态越差。
[0119]
步骤s520：采用降半梯模型对击穿电压和吸收比进行预处理，以得到对应的底层指标健康指数，其中，所述降半梯模型的公式为：
[0120][0121]
其中，a为指标下阈值，b为指标上阈值；x为指标测量值；y为指标预处理值，即为对应的底层指标健康指数；在所述降半梯模型中，指标测量值越大，对应的底层指标健康指数越小，表明变压器的运行状态越差。
[0122]
具体的，预处理模型的示意图如附图4所示；上述底层指标对应的的阈值和预处理模型如表3所示，表3为变压器底层指标的阈值和评分模型：
[0123]
底层指标ab评分模型氢气含量(μl/l)10150升半梯甲烷含量(μl/l)060升半梯乙烷含量(μl/l)040升半梯乙烯含量(μl/l)070升半梯乙炔含量(μl/l)05升半梯微水含量(mg/l)2035升半梯油介质损耗(％)04升半梯击穿电压(kv)3550降半梯糠醛(mg/l)04升半梯吸收比1.32降半梯直阻不平衡率02升半梯铁芯接地电流(ma)0100升半梯绕组介质损耗(％)00.8升半梯
[0124]
表3
[0125]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第六实施例中，基于第四实施例，步骤s420，包括如下步骤：
[0126]
步骤s610：采用成对比较法，对氢气含量、甲烷含量、乙烷含量、乙烯含量和乙炔含量相对于油色谱试验指标的重要程度进行两两判断，并形成判断矩阵。
[0127]
步骤s620：采用成对比较法，对微水含量、油介质损耗、击穿电压、糠醛含量相对于油化试验指标的重要程度进行两两判断，并形成判断矩阵。
[0128]
步骤s630：采用成对比较法，对吸收比、直阻不平衡率、铁芯接地电流和绕组介质损耗相对于电气试验指标的重要程度进行两两判断，并形成判断矩阵，其中，判断矩阵的结构为：
[0129][0130]
其中，判断矩阵中元素a
ij
代表的含义为第i个指标相较于第j个指标的重要标度。矩阵中的对角元素都为1，元素a
ij
与元素a
ji
互为倒数关系，n为各个试验对应的底层指标总数。目前使用的指标间重要标度如表4所示。
[0131]
标度值对比程度1i与j同等重要21-3中间的程度3i与j同等重要43-5中间的程度5i与j同等重要65-7中间的程度7i与j同等重要87-9中间的程度9i与j同等重要
[0132]
表4
[0133]
步骤s640：对判断矩阵进行一致性检验。
[0134]
具体的，得到判断矩阵之后，为了避免在判断各个指标相对重要程度时出现的矛盾情况，需要对判断矩阵进行一致性检验。具体步骤如下：
[0135]
1)首先计算一致性指标ci：
[0136][0137]
其中，λ
max
为判断矩阵的最大特征根，n为判断矩阵的阶数。
[0138]
2)然后计算检验系数cr
[0139][0140]
其中，ri为随机一致性指标，其取值规则如表5所示：
[0141][0142][0143]
表5
[0144]
步骤s650：若判断矩阵不满足一致性检验，对相应底层指标的相对重要程度进行重新判断，直至判断矩阵满足一致性检验。
[0145]
步骤s660：若判断矩阵满足一致性检验，计算判断矩阵的最大特征值λ
max
和最大特
征值对应的特征向量w，以获得底层指标的权重。
[0146]
具体的，如果检验系数cr小于0.1，则认为该判断矩阵通过了一致性检验。相反，则代表该判断矩阵不满足一致性检验，此时，需要对同一层的各个指标的相对重要程度进行重新判断，直至该判断矩阵满足一致性检验。判断矩阵通过一致性检验后，此时判断矩阵最大特征根λ
max
对应的特征向量w即代表最低层指标相对于上一层指标的重要程度，以此获得指标的权重。
[0147]
下表6为层次分析法得到的底层指标权重：
[0148]
底层指标权重底层指标权重底层指标权重氢气0.1245油中微水0.2198吸收比0.1455甲烷0.185油介质损耗0.2061直阻不平衡率0.2724乙烷0.1245击穿电压0.2314铁芯接地电流0.2309乙烯0.2527糠醛0.3427绕组介质损耗0.3783乙炔0.3132
ꢀꢀꢀꢀ
[0149]
表6
[0150]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第七实施例中，基于第四实施例，步骤s430的计算公式为：
[0151][0152]
其中，h2为油色谱试验健康指数，yi为油色谱试验指标对应的第i个底层指标健康指数，wi为油色谱试验指标对应的第i个底层指标的权重，n为油色谱试验指标对应的底层指标的个数，本实施例中为5。
[0153]
步骤s440的计算公式为：
[0154][0155]
其中，h3为油化试验健康指数，hi为油化试验指标对应的第i个底层指标健康指数，zi为油化试验指标对应的第i个底层指标的权重，o为油化试验指标对应的底层指标的个数，本实施例中为4。
[0156]
步骤s450的计算公式为：
[0157][0158]
其中，h4为电气试验健康指数，ti为电气试验指标对应的第i个底层指标健康指数，bi为电气试验指标对应的第i个底层指标的权重，p为电气试验指标对应的底层指标的个数，本实施例中为4。
[0159]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第八实施例中，基于第一实施例，所述修正指标包括故障次数、附件情况和家族缺陷；所述图神经网络包括图神经网络层和非线性层；步骤s130，包括如下步骤：
[0160]
步骤s810：通过图神经网络层挖掘各综合指标间的关系，并聚合彼此相关的综合指标的信息以更新各综合指标的特征信息。
[0161]
步骤s820：基于所述故障次数、所述附件情况和所述家族缺陷生成故障检修信息，
其中，所述故障检修信息包括故障次数修正系数、附件外观修正系数和家族缺陷修正系数；利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数对综合指标得到的结果进行修正。
[0162]
步骤s830：通过非线性层评估变压器的健康状态。
[0163]
具体的，本发明构建的图神经网络包括一个图神经网络层和一个非线性层；通过图神经网络层实现了综合指标间关系的挖掘，然后聚合相关指标的信息去实现各综合指标特征信息的更新。然后利用故障次数修正系数、附件外观修正系数和家族缺陷修正系数去修正综合指标得到的结果。最后通过构建非线性层，实现变压器健康状态的评估；图神经网络的工作原理为附图5所示。
[0164]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第九实施例中，基于第八实施例，步骤s810，包括如下步骤：
[0165]
步骤s910：通过图神经网络层的边更新过程来更新综合指标之间的关系，公式为：
[0166]e′
ij
＝φe(vi,vj)，
[0167]
式中，vi为发射节点的特征，vj为接收节点的特征。φe为边更新函数，e
′
ij
为节点i传递给节点j的边的信息；本发明通过构建非线性网络来实现节点之间边的关系的获取，如附图6所示。
[0168]
步骤s920：通过图神经网络层的节点更新过程来更新综合指标的特征信息，公式为：
[0169][0170][0171]
式中，ρ为边信息的聚合函数，为相关节点传递给节点i的边信息的聚合，φv为边更新函数。本发明使用的聚合函数为求和函数，并通过构建非线性神经网络实现节点的更新，如附图7所示。
[0172]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十实施例中，基于第一实施例，步骤s140中的建立变压器健康状态评估样本集，包括如下步骤：
[0173]
步骤s1010：通过层次分析法，获取多组不同的人工权重集，其中，所述人工权重集包括与所述运行工况健康指数对应的运行工况指标权重、与所述油色谱试验健康指数对应的油色谱试验指标权重、与所述油化试验健康指数对应的油化试验指标权重，和与所述电气试验健康指数对应的电气试验指标权重。
[0174]
具体的，这里的人工权重集由专家确定，每名专家确定一组人工权重集，本实施例中采用由5名专家确定的5组人工权重集。
[0175]
步骤s1020：获取样本数据集，其中，所述样本数据集包括多组与变压器一一对应的样本数据，每个所述样本数据均包括完整的评估指标。
[0176]
步骤s1030：将每个所述样本数据对应的各综合指标的健康指数与对应的各组人工权重集相乘后相加，再通过所述故障检修信息进行修正，以得到所述样本数据对应的多组待选健康指数。
[0177]
步骤s1040：利用健康状态等级与健康指数之间的对应关系，得到各组待选健康指
数对应的变压器健康状态，并基于少数服从多数的原则确定所述样本数据的变压器健康状态，其中，变压器的健康状态等级包括好、较好、一般、差和很差；
[0178]
步骤s1050：以所述样本数据和对应的所述变压器健康状态建立变压器健康状态评估样本集。
[0179]
具体的，本实施例中的变压器健康状态等级与健康指数之间的对应关系由表7确定，表7为变压器健康状态等级与健康指数的对应关系表：
[0180]
健康指数健康状态故障风险[0,1.5]好无安全隐患(1.5,4]较好很低(4,5.5]一般低(5.5,7]差中(7,10]很差高
[0181]
表7
[0182]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十一实施例中，基于第十实施例，步骤s1030的计算公式为：
[0183][0184]
式中，hi
(m)
为依据第m组人工权重集得到待选健康指数，m小于等于m，m为人工权重集的数量(本实施例中，这里的人工权重集为人工输入的由不同的专家确定的权重集，m取5，即本实施例中有5个不同的专家利用层次分析法分别确定的权重集)；k
i(m)
为第m组人工权重集中第i个综合指标的权重，f1为故障次数修正系数，f2为附件外观修正系数，f3为家族缺陷修正系数。
[0185]
具体的，本实施例中人工权重集中各个综合指标的权重由表8确定，表8为各个专家利用层次分析法确定的人工权重集：
[0186][0187]
表8此外，故障次数修正系数由表9确定，表9为故障次数修正表：
[0188]
[0189][0190]
表9此外，附件外观修正系数由表10确定，表10为附件外观修正表：
[0191][0192]
表10此外，家族缺陷修正系数由表11确定，表11为家族缺陷修正表：
[0193]
家族缺陷情况家族缺陷修正系数f3同系列设备未发生问题0.96同系列设备发生少数缺陷，但未危及运行1同系列设备发生重复故障，存在隐患1.04
[0194]
表11
[0195]
在本发明提出的一种基于图神经网络的电力变压器健康状态评估方法的第十二实施例中，基于第十一实施例，步骤s140中的基于所述变压器健康状态评估样本集对变压器健康状态评估模型进行训练和测试，以得到优选评估模型，包括如下步骤：
[0196]
步骤s1201：按照预设比例将评估样本集分为训练集和测试集，其中，所述训练集包括多个训练样本，测试集包括多个测试样本。
[0197]
具体的，这里的预设比例为7:3，即训练集和测试集之间的比例为7:3。
[0198]
步骤s1202：使用训练集对所述评估模型进行训练，当达到训练次数时终止训练，以得到所述优选评估模型。
[0199]
具体的，这里的训练次数优选为500次。
[0200]
步骤s1203：将所述测试集输入至所述优选评估模型，以得到所述测试样本对应的测试健康状态。
[0201]
步骤s1204：将所述测试健康状态与所述实际健康状态一致的所述测试样本标记为正确样本。
[0202]
步骤s1205：将所述正确样本的数量与所述测试集中所有的所述测试样本的数量的比值标记为准确率。
[0203]
具体的，本发明收集筛选得到了200组评估样本集。其中，140组训练集和60组测试集。附图8所示为基于图神经网络的变压器健康状态评估模型训练集的训练损失随着迭代
次数的变化曲线。从图中可以看到，当迭代次数达到500次时，训练损失趋于平稳。因此，本发明将训练次数设置为500次，并对训练集和测试集的准确率进行记录。其中，训练集的准确率为97.14％，测试集的准确率为93.33％。
[0204]
此外，本发明利用此模型对某变压器进行实例分析。该变压器的设计寿命为20年，运行时间为14年，平均负载率72％，运行环境等级1级。变压器发生过3次故障，并且同系列设备发生过少数故障，但未危及运行。对其附件外观进行检查，本体、冷却系统、分接开关和非电量保护装置的外观等级分别为二级、二级、一级和一级。油色谱试验、油化试验和电气试验记录如表12所示，表12为实例分析所采用的变压器的试验数据：
[0205][0206][0207]
表12
[0208]
将上述数据进行预处理后得到综合指标的健康指数，并输入至图神经网络模型，最后得到变压器的健康状态评估结果为“差”。表明变压器此时存在一定的故障风险，并且预测结果与实际情况相符。另外，本发明使用第十一实施例中5位专家分别确定的权重对该变压器进行状态评估，结果如表13所示，表13为由专家确定的权重得到的健康指数和对应的状态评估结果。
[0209]
专家健康指数评估结果专家健康指数评估结果专家15.265“一般”专家25.625“差”专家35.260“一般”专家45.760“差”专家55.718“差
”ꢀꢀꢀ
[0210]
表13
[0211]
从上表可以得出，利用专家经验得出的状态评估结果大部分正确。但是若只选择一个专家经验对变压器进行状态评估，则有较大的可能造成变压器某些缺陷未及时处理而迅速扩大，对变压器乃至整个电网造成威胁。另外，该方法确定的权重具有较强的主观性，并且未考虑指标之间复杂的相互关系，因此状态评估结果不易令人信服。
[0212]
因此，本发明结合5位专家的状态评估结果来确定各组变压器数据相应的标签，以此建立样本集。本发明所提方法通过层次分析法和健康指数法得到各底层指标对应的综合指标健康指数，再建立综合指标关系图，并通过图神经网络实现变压器健康状态评估。该方法不仅实现了权重确定的主客观方法结合，还实现了指标之间相互关系的挖掘，使状态评估结果更具有可靠性。
[0213]
综上，本发明提出的一种基于图神经网络的变压器健康状态评估方法。该方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系，利用层次分析法和健康指数法得到底层指标对应的综合指标健康指数，然后通过建立综合指标关系图，并构建图神经网络来挖掘综合指标之间的相互关系，实现变压器健康状态的评估。该方法不仅充分考虑状态评估指标选取的全面性和各个指标之间可能存在的相互关系，还实现了权重确定的主客观方法结合，使健康状态评估结果更可靠。
[0214]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0215]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0216]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。