CN116244279A - 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 - Google Patents
基于因果图注意力机制的高压开关柜缺陷预测方法和系统 Download PDFInfo
- Publication number
- CN116244279A CN116244279A CN202211634215.XA CN202211634215A CN116244279A CN 116244279 A CN116244279 A CN 116244279A CN 202211634215 A CN202211634215 A CN 202211634215A CN 116244279 A CN116244279 A CN 116244279A
- Authority
- CN
- China
- Prior art keywords
- node
- sensor
- causal
- group component
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供一种基于因果图注意力机制的高压开关柜缺陷预测方法和系统,包括:数据收集及存储;数据归一化;利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构;根据含有因果关系的组部件传感器网络,利用因果图注意力网络学习不同组部件之间的关联关系强度。本发明提供的应用于智能高压开关柜的缺陷预测方法,根据上述给定的组部件传感器网络,通过采用因果图注意力机制神经网络,自动学习高压开关柜组部件间的关联强度,实现组部件间的有效信息交互,建模组部件传感器网络复杂的相互作用关系,显著提升高压开关柜缺陷预测准确度。
Description
技术领域x
本发明涉及人工智能技术领域,尤其是一种应用于智能高压开关柜缺陷预测的方法。
背景技术
高压开关柜是电力建设中使用极广、数量最多的开关设备,它在电力系统发电、输电、配电、电能转换和消耗中起通断、控制或保护等作用。
近年来,随着我国经济的快速发展,电力工业也得到了长期快速的发展,高压开关柜的产品也在不断迭代完善。在国内,高压开关柜的开发经历了漫长的过程,产品类型由最初单一的GG1A固定式高压开关柜发展到现在的手车柜与固定柜并存。目前市场广泛应用的KYN28中置式手车柜,能满足各种不同的使用要求,柜体结构也逐渐由焊接式框架向组装式过度。世界范围内,许多有实力的高压开关柜制造商都开发了自有的竞争力产品,如日本三菱公司的MA-EC型下置式手车柜、德国西门子公司的8BK20系列中置柜等产品具有先进的真空断路器、智能型控制保护单元以及无铁芯传感器,逐渐向着智能化、高可靠性、少维护方向发展。
高压开关柜主要由绝缘材料和导电材料构成,组部件老化磨损、零部件设计、安装不合理,受潮、污秽及机构、二次设备异常等问题是引发电力系统出现故障的常见原因。曾多次发生高压开关柜闪爆事件,导致整个装备停车,造成了巨大的经济损失。常见的高压开关柜故障包括拒动、误动故障,开断与关合故障,绝缘故障,载流故障以及外力故障等等。随着电力传感器技术的发展,各类传感器设计用于感知开关柜组部件运行状态的细微变化,缺陷预测则根据传感器数据对各组部件运行状态进行实时评估,根据数据分布变化和异常值的出现及时预测可能导致开关柜故障的缺陷,对于预防开关柜因缺陷恶化从而导致故障停电而造成巨大经济损失具有十分重要的意义。
针对高压开关柜中可能出现的缺陷,目前普遍使用人工检测或者借助机器人辅助手段实现,但这些方法具有监测数据量较少、背景干扰大、时间间隔不确定等问题,导致监测准确度低,难以满足电网快速发展对设备可靠性的需求。
随着高压开关柜传感器普及和电力业务的快速发展,在大数据背景的支撑下,多元异构的传感器数据的搜集、存储和分析成为可能,如温度数据、局放数据、机械故障数据等。近年来,随着计算机计算能力的显著提升和传感器技术的发展,涌现出一系列基于图神经网络的方法来解决高压开关柜缺陷预测问题,作为图表征学习算法,图神经网络可以有效处理高压开关柜组部件传感器网络等非欧几里得数据,根据给定组部件传感器网络进利用消息传递-信息聚合-更新机制学习上述网络中的节点嵌入并隐性建模结构信息。然而,高压开关柜具有内部高压环境复杂、组部件精密程度高对环境变化和其他组部件变化更敏感等特点,这使得其组部件间的作用关系相比普通开关柜更加复杂以至于难以凭借仅有的专业知识获得。而现有的图神经网络完全依赖于给定的图结构,常见的高压开关柜组部件传感器网络由相关从业人员构建,由于知识背景不用导致构建的组部件传感器网络质量较差噪声多,难以代表真正组部件传感器网络的相互作用关系。高压开关柜的缺陷预测作为传感器数据质量监测的门户是高压开关柜数据建模与分析的基石,因此,如何建模组部件网络复杂的关联关系,挖掘组部件间的相互作用的因果关系,精准感知高压开关柜运行状态变化,开展智能开关柜状态与缺陷的可信评估与分析是当下亟待解决的问题。
具体而言,高压开关柜缺陷预测面临困难如下:
1.现有的图神经网络方法完全依赖于给定高压开关柜组部件传感器网络,然而当前主要的网络构建方法依靠从业人员的先验知识,存在误差大、噪声多且没有考虑组部件传感器间的因果关系,导致现有图神经网路方法难以准确建模高压开关柜组部件网络的相互作用关系。
2.开关柜工作环境更加复杂,组部件众多精密程度高且对环境变化和其他组部件变化更敏感,检测高压开关柜组部件的传感器种类复杂多样,导致难以挖掘组部件传感器网络的相互作用关系,根据建模的图结构进行精准缺陷预测难。
发明内容
本发明所要解决的技术问题在于如何构建模组部件网络复杂的关联关系挖掘组部件间的相互作用关系和潜在的因果关系,精准感知高压开关柜运行状态变化。
本发明通过以下技术手段实现解决上述技术问题的:一种基于因果图注意力机制的高压开关柜缺陷预测方法,包括下述步骤:
步骤1:数据收集及存储,收集高压开关柜传感器数据,根据传感器类型不同存入多个子数据库;
步骤2:数据归一化;
步骤3:利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构,包括:
步骤32、将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
步骤34、使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A;
步骤4、根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
作为进一步优化的技术方案,所述步骤3中,所述节点为温度传感器x和局部传感器y,将其他传感器构建成传感器集合z,对传感器集合z中的传感器组合进行遍历并以其为条件对温度传感器x和局部传感器y进行条件独立性检验,若在给定组部件传感器集合z的情况下上述两传感器独立,则在初始化的全连接图中删除温度传感器x和局部传感器y的连边,即温度传感器x和局部传感器y两者无相互作用关系。
作为进一步优化的技术方案,所述步骤4包括如下步骤:
步骤42、使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h,在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RG,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
步骤44、使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合;
步骤46、通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合;
步骤48、设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。
作为进一步优化的技术方案,所述步骤44具体包括:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间,选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni,通过因果图注意力机制a:eij=αT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化。
作为进一步优化的技术方案,所述步骤44的具体计算公式如下:
其中||代表拼接操作,αij为归一化后的权重,w为线性变换矩阵,exp为指数函数,k为节点i的邻居节点,Ni为邻居节点集合,T表示矩阵转置操作,因果图注意力机制学习组部件传感器之间的相互作用强度,经过归一化后通过权重指导信息聚合。
作为进一步优化的技术方案,所述步骤46包括:使用归一化后的权重αij对第i个节点嵌入向量hi的邻居节点嵌入向量hj进行线性加权同时考虑自身信息,非线性函数σ将小于0的值设为0,大于0的值不变,得到每个节点的节点嵌入表征,信息传递过程如下:
其中h′i为更新后的嵌入表征,根据上述归一化权重对邻居节点进行加权求和。
作为进一步优化的技术方案,所述步骤48包括:
获得高压开关柜各组部件传感器的更新后的嵌入表征后,通过平均池化函数来整合温度传感器、局放传感器、机械特性传感器和气体传感器更新后的嵌入表征从而获得整个高压开关柜的嵌入表征H=mean(∑ihi′),将高压开关柜嵌入表征H输入分类器中,分类器由一层MLP和softmax归一化函数构成,从而根据当前各传感器数据预测出各类型缺陷的概率,通过给定多分类标签使得模型预测复合型缺陷,其中损失函数为交叉熵损失
本发明还提供一种基于因果图注意力机制的高压开关柜缺陷预测系统,包括如下模块:
数据收集及存储模块:用于收集高压开关柜传感器数据,根据传感器类型不同存入多个子数据库;
数据处理模块:用于将数据归一化;
组部件传感器网络结构构成模块:用于利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构,包括:
组部件传感器网络构建单元,用于将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
含有因果关系的组部件传感器网络构建单元,用于使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A;
组部件之间的关联关系强度学习模块,用于根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
作为进一步优化的技术方案,组部件之间的关联关系强度学习模块包括如下单元:
节点嵌入向量获得单元,用于使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h,在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RF,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
因果图注意力机制单元,用于使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合;
消息传递单元,用于通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合;
多跳传递单元,用于设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。
作为进一步优化的技术方案,因果图注意力机制单元的处理过程为:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间,选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni,通过因果图注意力机制a:eij=αT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化;
具体计算公式如下:
其中||代表拼接操作,αij为归一化后的权重,w为线性变换矩阵,exp为指数函数,k为节点i的邻居节点,Ni为邻居节点集合,T表示矩阵转置操作,因果图注意力机制学习组部件传感器之间的相互作用强度,经过归一化后通过权重指导信息聚合。
本发明的优点在于:
本发明提供的应用于智能高压开关柜的缺陷预测方法,通过采用因果发现算法,将高压开关柜组部件传感器作为观测变量,探究各个观测变量间的独立和条件独立关系,精准捕获高压开关柜组部件传感器间的因果关系,过滤组部件传感器网络中的冗余信息,构建带有因果方向的组部件传感器网络,挖掘可靠的组部件传感器件的相互作用关系,克服传统组部件传感器网络构建方法过于依赖从业人员先验知识、质量差噪声多等问题,为使用图神经网络建模组部件传感器网络挖掘组部件传感器与缺陷的关联关系提供可靠的数据支撑。
本发明提供的应用于智能高压开关柜的缺陷预测方法,根据上述给定的组部件传感器网络,通过采用因果图注意力机制神经网络,自动学习高压开关柜组部件间的关联强度,实现组部件间的有效信息交互,利用组部件传感器网络的交互结构和信息传递,建模组部件传感器网络复杂的相互作用关系,拟合输入组部件传感器数据与高压开关柜缺陷间的映射关系,显著提升高压开关柜缺陷预测准确度。
附图说明
图1是本发明实施例的基于因果图注意力机制的高压开关柜缺陷预测方法的过程示意图;
图2是本发明实施例的基于因果图注意力机制的高压开关柜缺陷预测方法流程图;
图3是本发明实施例中数据因果结构发现步骤的流程图;
图4是本发明实施例中根据高压开关柜组部件因果图,利用图注意力网络学习不同组部件之间的关联关系强度步骤的流程图;
图5是本发明实施例的捕捉到高压开关柜中各个组部件不同的关联关系强度的过程示意图;
图6是本发明实施例中传感器在高压开关柜内的安装位置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对现有的缺陷预测技术即使用规则或者机器学习方法来拟合输入数据和标签的映射关系,难以考虑组部件间的关联关系和结构信息,本发明的实施例对现有的应用于智能高压开关柜的缺陷预测方法进行改进,并针对组部件网络关联关系复杂难构建和不同缺陷下组部件间的相互作用关系难建模等问题提供了一种基于因果图注意力机制的高压开关柜缺陷预测方法。
参阅图1所示,是本发明基于因果图注意力机制的高压开关柜缺陷预测方法的过程示意图,包括如下步骤:
步骤1:数据收集及存储
在本步骤中收集传感器数据,进行数据清洗,并存储,包括:
将传感器返回数据根据传感器类型不同存入多个子数据库;
根据传感器类型的不同,对数据进行分析,解决数据缺失和数据样本采集不准确等问题;
更新各个子数据库中的数据。
请参阅图6,以下对高压开关柜传感器数据的特点进行说明:
1.传感器种类:
温度传感器:
温度传感器由螺丝固定在动触头与触臂上,此外还将高灵敏度温度传感器固定在手车室内壁的三个布点上,用以间接测量触头温升情况。
局放传感器:
采用超声波局放传感器、TEV暂态地电波局放传感器、UHF特高频局放传感器测量开关柜内的局部放电信号。
机械特性传感器:
分合闸线圈电流监测装置和开关机械特性传感器安装在仪表室二次线路和断路器操作轴上,从分合闸线圈电流监测装置采集分合闸线圈电流,计算分合闸时间,从开关机械特性传感器采集分合闸速度、分合闸行程。
气体传感器:
中压开关柜内绝缘件因局部放电和异常发热引发绝缘损伤的同时绝缘材料会因高温而发生劣化分解,采用气体传感器单元对气体含量进行实时检测。
2.传感器数据表征
传感器缺陷通常是一个过程,因此本申请设计传感器数据表征时通过采集若干次(可以是十次左右或者更多)的传感器数据作为特征向量来考虑数据变化过程。
温度传感器结构数据表征如下:
局放传感器结构数据表征如下:
机械特性结构数据表征如下:
分合闸线圈电流(At1,At2…Atn,…,At1,At2…Atn);分合闸速度(vt1,vt2…vtn,,…,vt1,vt2…vtn);分合闸行程(Dt1,Dt2…Dtn,…,Dt1,Dt2…Dtn,);刚分/刚合速度
气体传感器
气体含量变化(Qt1,Qt2…Qtn,…,Qt1,Qt2…Qtn)
3.缺陷类型:
绝缘类缺陷:柜内空气净距离不满足要求,柜内受潮、凝露,穿墙套管、触头盒未装设屏蔽线,导体尖端导致局部电场过大,电缆终端接头制作不良等。
机构缺陷:机构卡涩,零部件松动、变形,分合闸线圈烧毁等。
异常发热缺陷:隔离开关刀口接触不良,断路器触头接触不良,手车推入深度不足,导流部位螺栓未紧固等。
二次设备异常缺陷:辅助开关接触不良,微动开关松动未正常切换,分合闸线圈动作电压不满足要求,整流模块击穿等。
本申请将缺陷类别分为绝缘类缺陷、机构缺陷、异常发热缺陷、二次设备异常缺陷和多种类别的复合缺陷。
本公开的一个实施例中,机械特性传感器实时监测智能高压开关柜中的开关器件状态,从分合闸线圈电流监测装置采集分合闸线圈电流,计算分合闸时间,从开关机械特性传感器采集分合闸速度与分合闸行程。最终记录的传感器数据状态存入相应的机械特性传感器数据库中,包括分合闸时间、分合闸速度、分合闸行程,刚分/刚合速度等字段。
步骤2:数据归一化
在本步骤中,多源异构数据的分布不同,使用数据最大最小值缩放方法进行数据归一化,具体计算过程如下:
其中x’为归一化后的数据,x为传感器输入数据,Xmax为传感器输入数据中的最大值,Xmin为输入数据中的最小值。数据归一化后消除数据量级差距导致的信息不平衡问题,并且可以避免模型训练过程中由于数据值过大或者过小导致的梯度消失和梯度爆炸问题。当然,也可以采用现有的其他数据归一化的方法进行数据归一化,如Z-Score归一化、标准差归一化方法等。
步骤3:数据因果结构发现,利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到精准的高压开关柜组部件传感器网络结构
在本步骤中,根据步骤2中归一化的传感器收集的数据,通过因果发现算法PeterClark(PC)构建含有因果关系的高压开关柜组部件传感器网络,包括如下步骤:
步骤32、将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
步骤34、使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A,挖掘组部件传感器之间的相互作用关系,通过因果发现过滤组部件间的冗余作用关系,得到不同组部件传感器间相互作用关系和因果关系,构建含有因果关系的组部件传感器网络,大幅提高了组部件传感器网络的准确性,克服了原始网络构建方法误差大噪声多、难以挖掘不同组部件传感器间相互作用关系和因果关系的缺陷,显著增强数据质量,突出数据显著特征提高数据信息表达能力,为使用图神经网络建模组部件传感器网络挖掘组部件传感器与缺陷的关联关系提供可靠的数据支撑。
本申请的一个实施例中,所述节点为温度传感器x和局部传感器y,将其他传感器构建成传感器集合z,对传感器集合z中的传感器组合进行遍历并以其为条件对温度传感器x和局部传感器y进行条件独立性检验。若在给定组部件传感器集合z的情况下上述两传感器独立,则在初始化的全连接图中删除温度传感器x和局部传感器y的连边,即温度传感器x和局部传感器y两者无相互作用关系。
步骤4根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
在本步骤中,根据给定含有因果关系的组部件传感器网络A,通过因果图注意力网络自动学习高压开关柜组部件间的关联关系,以捕捉到高压开关柜中各个组部件不同的关联关系强度,参阅图4和图5,包括如下步骤:
步骤42、使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h。
在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RF,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
步骤44、使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合,包括:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间。选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni。通过因果图注意力机制a:eij=αT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化,具体计算公式如下:
其中||代表拼接操作,αij为归一化后的权重,w为线性变换矩阵,exp为指数函数,k为节点i的邻居节点,Ni为邻居节点集合,T表示矩阵转置操作。因果图注意力机制可以学习组部件传感器之间的相互作用强度,经过归一化后通过权重指导信息聚合;
步骤46、通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合。使用归一化后的权重αij对第i个节点嵌入向量hi的邻居节点嵌入向量hj进行线性加权同时考虑自身信息,非线性函数σ将小于0的值设为0,大于0的值不变,得到每个节点的更新后的嵌入表征,信息传递过程如下:
其中h′i为更新后的嵌入表征,根据上述归一化权重对邻居节点进行加权求和。
步骤48、设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。针对高压开关柜组部件众多精密程度高且对环境变化和其他组部件变化更敏感,检测高压开关柜组部件的传感器种类复杂多样等特点,多层因果图注意力网络聚合多跳邻居信息,多层图注意力网络聚合多跳邻居信息,学习多跳组部件传感器节点间关联关系并更新关联关系强度,感知高压开关柜组部件传感器网络潜在结构信息,最终通过学习模型参数,输入各类传感器数据可以直接预测属于各类缺陷的概率。
获得高压开关柜各组部件传感器的更新后的嵌入表征h′i后,通过平均池化函数来整合温度传感器、局放传感器、机械特性传感器和气体传感器更新后的嵌入表征从而获得整个高压开关柜的嵌入表征H=mean(∑ih′i)。将高压开关柜嵌入表征H输入分类器中,分类器由一层MLP和softmax归一化函数构成,从而根据当前各传感器数据预测出各类型缺陷的概率。通过给定多分类标签例如y=[1,0,1…0]使得模型可以预测复合型缺陷,其中损失函数为交叉熵损失
在本申请的一个实施例中,给定含有因果关系的高压开关柜组部件网络,初始化温度传感器、局部传感器和机械特性传感器嵌入表示,通过因果注意力图神经网络捕获各类传感器内和传感器间的关联关系强度,并进行信息聚合,相互辅助进行缺陷预测。
依照本申请实施的一种基于因果图注意力机制的高压开关柜缺陷预测方法,对现有的高压开关柜缺陷预测方法进行了有效地改进,利用因果图注意力神经网络捕获高压开关柜组部件间的相互作用关系强度,感知组部件传感器网络的网络结构关系,进行信息传递和信息更新,建模组部件传感器网络复杂的相互作用关系,拟合输入组部件传感器数据与高压开关柜缺陷间的映射关系,显著提升高压开关柜缺陷预测准确度。具体而言,传感器数据如下:
由于数据分布进行数据归一化,输入传感器缺陷预测模型,首先使用传感器数据初始化组部件传感器嵌入并经过线性变换获得节点嵌入,使用因果图注意力机制自动学习组部件间的相互作用关系强度,然后根据含有因果关系的高压开关柜组部件网络进行信息传递,更新节点嵌入,最后通过平均池化得到高压开关柜整体嵌入,输入分类器进行预测,预测结果为[1,0,0,0]为绝缘类缺陷。从上表的数据中可以看出UHF特高频信号MHZ数据第三组开始有明显的增高,说明高压开关柜内局放电信号异常,可能由于高压开关柜中触头盒内异常放电、母排对穿墙套管放电等原因造成,属于绝缘类缺陷。
实施例二
本发明还提供对应上述实施例一的一种基于因果图注意力机制的高压开关柜缺陷预测系统,包括如下模块:
数据收集及存储模块:用于收集高压开关柜传感器数据,根据传感器类型不同存入多个子数据库;
数据处理模块:用于将数据归一化;
组部件传感器网络结构构成模块:用于利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构,包括:
组部件传感器网络构建单元,用于将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
含有因果关系的组部件传感器网络构建单元,用于使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A;
组部件之间的关联关系强度学习模块,用于根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
其中组部件之间的关联关系强度学习模块包括如下单元:
节点嵌入向量获得单元,用于使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h,在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RF,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
因果图注意力机制单元,用于使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合;
消息传递单元,用于通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合;
多跳传递单元,用于设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。
其中因果图注意力机制单元的处理过程为:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间,选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni,通过因果图注意力机制a:eij=αT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化;
具体计算公式如下:
其中||代表拼接操作,αij为归一化后的权重,w为线性变换矩阵,exp为指数函数,k为节点i的邻居节点,Ni为邻居节点集合,T表示矩阵转置操作,因果图注意力机制学习组部件传感器之间的相互作用强度,经过归一化后通过权重指导信息聚合。
其中消息传递单元的处理过程为:使用归一化后的权重αij对第i个节点嵌入向量hi的邻居节点嵌入向量hj进行线性加权同时考虑自身信息,非线性函数σ将小于0的值设为0,大于0的值不变,得到每个节点的节点嵌入表征,信息传递过程如下:
其中h′i为更新后的嵌入表征,根据上述归一化权重对邻居节点进行加权求和。
其中多跳传递单元的处理过程为:获得高压开关柜各组部件传感器的更新后的嵌入表征后,通过平均池化函数来整合温度传感器、局放传感器、机械特性传感器和气体传感器更新后的嵌入表征从而获得整个高压开关柜的嵌入表征H=mean(∑ih′i),将高压开关柜嵌入表征H输入分类器中,分类器由一层MLP和softmax归一化函数构成,从而根据当前各传感器数据预测出各类型缺陷的概率,通过给定多分类标签使得模型预测复合型缺陷,其中损失函数为交叉熵损失
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于因果图注意力机制的高压开关柜缺陷预测方法,其特征在于:包括下述步骤:
步骤1:数据收集及存储,收集高压开关柜传感器数据,根据传感器类型不同存入多个子数据库;
步骤2:数据归一化;
步骤3:利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构,包括:
步骤32、将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
步骤34、使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A;
步骤4、根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
2.根据权利要求1所述的一种基于因果图注意力机制的高压开关柜缺陷预测方法,其特征在于:
所述步骤3中,所述节点为温度传感器x和局部传感器y,将其他传感器构建成传感器集合z,对传感器集合z中的传感器组合进行遍历并以其为条件对温度传感器x和局部传感器y进行条件独立性检验,若在给定组部件传感器集合z的情况下上述两传感器独立,则在初始化的全连接图中删除温度传感器x和局部传感器y的连边,即温度传感器x和局部传感器y两者无相互作用关系。
3.根据权利要求1所述的一种基于因果图注意力机制的高压开关柜缺陷预测方法,其特征在于:所述步骤4包括如下步骤:
步骤42、使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h,在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RF,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
步骤44、使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合;
步骤46、通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合;
步骤48、设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。
4.根据权利要求3所述的一种基于因果图注意力机制的高压开关柜缺陷预测方法,其特征在于:所述步骤44具体包括:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间,选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni,通过因果图注意力机制a:eij=aT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化。
8.一种基于因果图注意力机制的高压开关柜缺陷预测系统,其特征在于:包括如下模块:
数据收集及存储模块:用于收集高压开关柜传感器数据,根据传感器类型不同存入多个子数据库;
数据处理模块:用于将数据归一化;
组部件传感器网络结构构成模块:用于利用因果发现算法挖掘组部件传感器网络的相互作用关系和因果关系,得到高压开关柜组部件传感器网络结构,包括:
组部件传感器网络构建单元,用于将每个组部件传感器作为一个变量,从而构建一个全连接的组部件传感器网络A’,组部件传感器即组部件传感器网络中的节点,边表示传组部件感器之间的相互作用关系;
含有因果关系的组部件传感器网络构建单元,用于使用D分离算法进行变量独立性检验和条件独立性检验,任意选取上述全连接的组部件传感器网络A’中的两个节点x和y,网络中其余节点构成组部件传感器集合z,其中传感器集合z包含所有组部件传感器节点的组合形式和空集,遍历组部件传感器集合z中所有元素,并在其基础上对节点x和y进行条件独立性检验,若节点x和y之间相互独立或者条件独立,则删除节点x和y之间的连边,通过遍历所有节点对,删除独立节点对和条件独立节点对的连边,并通过回归分析判别因果方向从而获得含有因果关系的组部件传感器网络A;
组部件之间的关联关系强度学习模块,用于根据含有因果关系的组部件传感器网络A,利用因果图注意力网络学习不同组部件之间的关联关系强度。
9.根据权利要求8所述的一种基于因果图注意力机制的高压开关柜缺陷预测系统,其特征在于:组部件之间的关联关系强度学习模块包括如下单元:
节点嵌入向量获得单元,用于使用组部件传感器数据作为节点特征初始化组部件传感器网络节点嵌入向量h,在给定含有因果关系的高压开关柜组部件网络A,高压开关柜的组部件传感器作为节点,其特征值由传感器观测,节点嵌入向量为h={h1,h2,…hn},hi∈RF,其中n为不同组部件节点的个数,F为每个组部件的特征数即向量维度,hi为由传感器的观测值初始化的第i个节点嵌入向量,R为嵌入空间;
因果图注意力机制单元,用于使用因果图注意力机制挖掘组部件传感器间深层的相互作用关系,通过消息传递进行信息聚合;
消息传递单元,用于通过消息传递机制沿着含有因果关系的高压开关柜组部件网络A中的有向边进行信息传递和信息聚合;
多跳传递单元,用于设置不同的线性变换矩阵W和参数向量a构建成图注意力层网络进行多跳信息传递。
10.根据权利要求9所述的一种基于因果图注意力机制的高压开关柜缺陷预测系统,其特征在于:因果图注意力机制单元的处理过程为:
利用线性变换矩阵W∈RF′*F,F’为变换后的隐向量空间维度,对每一个组部件传感器节点进行参数化的共享线性变换,将组部件嵌入映射到隐空间,选对含有因果关系的高压开关柜组部件传感器网络A中的有向边节点对ni<-nj,表示节点nj作用于节点ni,通过因果图注意力机制a:eij=aT[Whi||Whj]自动学习组部件传感器节点间的相互作用强度,eij为节点i与节点j的关联关系强度,a为参数向量,通过对位乘操作融合组部件传感器节点对信息并学习不同组部件传感器间的关联关系强度,学习节点j对节点i的重要性,||代表拼接操作,T表示矩阵转置操作,向量a∈R2F′,为组部件信息融合函数,使用了LeakyReLU非线性激活构建表达能力更强的非线性函数,学习组部件传感器间的关联关系强度并进行归一化;
具体计算公式如下:
其中||代表拼接操作,αij为归一化后的权重,w为线性变换矩阵,exp为指数函数,k为节点i的邻居节点,Ni为邻居节点集合,T表示矩阵转置操作,因果图注意力机制学习组部件传感器之间的相互作用强度,经过归一化后通过权重指导信息聚合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211634215.XA CN116244279A (zh) | 2022-12-19 | 2022-12-19 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211634215.XA CN116244279A (zh) | 2022-12-19 | 2022-12-19 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244279A true CN116244279A (zh) | 2023-06-09 |
Family
ID=86632126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211634215.XA Pending CN116244279A (zh) | 2022-12-19 | 2022-12-19 | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244279A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094705A (zh) * | 2023-10-19 | 2023-11-21 | 国网安徽省电力有限公司电力科学研究院 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
CN117540258A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市艾克姆科技发展有限公司 | 一种注塑生产监测方法、装置及系统 |
-
2022
- 2022-12-19 CN CN202211634215.XA patent/CN116244279A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094705A (zh) * | 2023-10-19 | 2023-11-21 | 国网安徽省电力有限公司电力科学研究院 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
CN117094705B (zh) * | 2023-10-19 | 2024-01-02 | 国网安徽省电力有限公司电力科学研究院 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
CN117540258A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市艾克姆科技发展有限公司 | 一种注塑生产监测方法、装置及系统 |
CN117540258B (zh) * | 2024-01-10 | 2024-05-03 | 深圳市艾克姆科技发展有限公司 | 一种注塑生产监测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116244279A (zh) | 基于因果图注意力机制的高压开关柜缺陷预测方法和系统 | |
KR101553005B1 (ko) | 전력설비의 부분방전 감시진단 시스템 | |
Sica et al. | A cognitive system for fault prognosis in power transformers | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN111650451A (zh) | 一种换流变故障原因辨识方法及系统 | |
Niu et al. | A fault diagnosis method of high voltage circuit breaker based on moving contact motion trajectory and ELM | |
CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
El-Hag | Application of machine learning in outdoor insulators condition monitoring and diagnostics | |
CN108399579B (zh) | 变电站设备监控数据信号的智能解析系统 | |
CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 | |
CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
Dwivedi et al. | DynamoPMU: A Physics Informed Anomaly Detection, Clustering and Prediction Method using Non-linear Dynamics on μPMU Measurements | |
CN112014696A (zh) | 基于局部放电特征的干式空心电抗器故障诊断方法及装置 | |
Gopinath et al. | Insulation condition assessment of high‐voltage rotating machines using hybrid techniques | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
Wang et al. | A comprehensive survey on transformer fault diagnosis and operating condition prediction | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
CN112418398A (zh) | 电力信息设备安全监测方法 | |
CN117094705B (zh) | 一种应用于高压开关柜缺陷预测的方法、系统及设备 | |
CN111199254A (zh) | 基于rbf神经网络和贝叶斯网络的高压电气设备实时检测方法 | |
Wu et al. | Remaining useful life prediction of circuit breaker operating mechanisms based on wavelet-enhanced dual-tree residual networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |