本发明涉及变压器故障识别，尤其涉及一种基于残差图卷积神经网络的变压器故障识别方法及系统。
背景技术：
1、在变压器故障识别领域，已有技术尚存在一些不足。传统的变压器运维方式分为定期检修和事后维修，对于变压器的安全稳定运行是不利的，定期维修不能及时发现潜在存在故障并且容易造成人力的浪费，事后维修容易导致大规模停电问题。随着在线监测系统的不断完善，基于状态的检修是目前的主流方向，利用图卷积神经网络对变压器信息进行深度挖掘，将基于状态的检修提升为基于预测的检修具有重要的意义。
2、在变压器故障诊断方面，目前大多数研究都集中在大容量以及高电压等级的油浸式变压器，主要为根据油气实验进行状态评估与故障诊断，但是对于干式变压器的研究还较少，已有大部分研究只考虑了单一状态与变压器故障之间的关系，对于多种运行状况之间的相互关系缺少考虑与挖掘，存在监测量单一，容易对变压器实时状态产生误判的问题。
3、目前干式变压器使用的故障诊断方法多选用干式变压器外壳振动信号作为特征量，使用振动传感器提取信息进行故障类别的分析，对干式变压器实际运行过程中发生的多种状况之间的相互关系还未进行充分挖掘。
技术实现思路
1、为了解决上述问题，本发明提出一种基于残差图卷积神经网络的变压器故障识别方法及系统，利用残差图卷积神经网络挖掘干式变压器发生的故障与多种实际运行状况关系，根据干式变压器实际运行过程中发生的振动、温度变化以及局部放电等状况对变压器故障进行精准识别，可有效避免传感器采集数据错误或存在误差等情况，保证干式变压器的安全可靠运行，提高其故障识别的准确率。
2、本发明采用的技术方案如下：
3、一方面，本发明提出一种基于残差图卷积神经网络的变压器故障识别方法，包括：
4、收集干式变压器正常运行与发生故障时的相关数据，包括振动、外部温度、内部温度和局部放电状况数据；
5、根据所述相关数据的序列偏差进行归一化预处理，利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图；
6、将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，并构建图金字塔池化模块，通过resgcn模型得到的特征值完成对干式变压器故障的故障识别。
7、进一步地，所述根据所述相关数据的序列偏差进行归一化预处理，包括：
8、
9、其中，δ x( t)为时刻 t的差值， x( t)为时刻 t时传感器测量数据， x( t-1)为时刻 t-1时传感器测量数据， chg( t)为预处理后时刻 t的差值， σ为故障状况序列的偏差。
10、进一步地，所述利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图，包括：
11、计算随机变量x=(x1,x2,…,xn)和y=(y1,y2,…,yn)之间的斯皮尔曼等级相关系数：
12、
13、其中， rs为斯皮尔曼等级相关系数， pi为变量 xi的排名，为变量 p的均值， qi为变量 yi的排名，为变量 q的均值；若变量中出现值相等，则该值对应的排名为这几个值对应排名的平均值。
14、根据振动、内部温度、外部温度以及局部放电四种故障状况之间的相互关系，建立带权重的关系图，关系图中的每一条边的权重代表故障状况之间关系的强弱。
15、进一步地，所述将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，包括：
16、将故障状况信息表示为单向图g=(v,ε)，其中v={v1,v2,…,vn}是表示与干式变压器故障有关的故障状况，ε={e1,e2,…,en}表示连接这些故障状况节点的边；节点和边之间的关系由邻接矩阵a∈rnxn建模，如果节点i连接到节点j，则aij值为相关系数值，否则为0；
17、残差图卷积神经网络的图卷积层包括基本块和瓶颈卷积块；所述基本块包括空间基本块和时间基本块，所述空间基本块包括依次连接的空间图卷积神经网络层s-gcn、批处理归一化层bn和校正线性单元激活层，所述时间基本块包括依次连接的二维时间卷积神经网络层2d-tcn、批处理归一化层bn和校正线性单元激活层；所述瓶颈卷积块包括在图卷积层之前和之后添加的1×1卷积层，且每个瓶颈卷积块使用块残差机制在输出处馈送每个块的输入。
18、进一步地，所述构建图金字塔池化模块，包括：
19、构建具有不同级别和大小的金字塔模型；在金字塔模型的不同级别，将合并的对象分割成不同大小的块；使用不同大小的池化窗口来对池化对象执行各种池化过程；根据池化对象的大小动态计算每个池化对象的池化内核大小和步长，以适应不同大小的池化对象并从中获得相同大小的结果。
20、另一方面，本发明一种基于残差图卷积神经网络的变压器故障识别系统，包括：
21、数据准备模块，被配置为收集干式变压器正常运行与发生故障时的相关数据，包括振动、外部温度、内部温度和局部放电状况数据；
22、数据预处理模块，被配置为根据所述相关数据的序列偏差进行归一化预处理，利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图；
23、模型构建及应用模块，被配置为将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，并构建图金字塔池化模块，通过resgcn模型得到的特征值完成对干式变压器故障的故障识别。
24、进一步地，所述数据预处理模块包括第一预处理单元，所述第一预处理单元被配置为根据所述相关数据的序列偏差进行归一化预处理：
25、
26、其中，δ x( t)为时刻 t的差值， x( t)为时刻 t时传感器测量数据， x( t-1)为时刻 t-1时传感器测量数据， chg( t)为预处理后时刻 t的差值， σ为故障状况序列的偏差。
27、进一步地，所述数据预处理模块包括第二预处理单元，所述第二预处理单元被配置为利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图，包括：
28、计算随机变量x=(x1,x2,…,xn)和y=(y1,y2,…,yn)之间的斯皮尔曼等级相关系数：
29、
30、其中， rs为斯皮尔曼等级相关系数， pi为变量 xi的排名，为变量 p的均值， qi为变量 yi的排名，为变量 q的均值；若变量中出现值相等，则该值对应的排名为这几个值对应排名的平均值。
31、根据振动、内部温度、外部温度以及局部放电四种故障状况之间的相互关系，建立带权重的关系图，关系图中的每一条边的权重代表故障状况之间关系的强弱。
32、进一步地，所述模型构建及应用模块包括图卷积层构建单元，所述图卷积层构建单元被配置为将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，包括：
33、将故障状况信息表示为单向图g=(v,ε)，其中v={v1,v2,…,vn}是表示与干式变压器故障有关的故障状况，ε={e1,e2,…,en}表示连接这些故障状况节点的边；节点和边之间的关系由邻接矩阵a∈rnxn建模，如果节点i连接到节点j，则aij值为相关系数值，否则为0；
34、残差图卷积神经网络的图卷积层包括基本块和瓶颈卷积块；所述基本块包括空间基本块和时间基本块，所述空间基本块包括依次连接的空间图卷积神经网络层s-gcn、批处理归一化层bn和校正线性单元激活层，所述时间基本块包括依次连接的二维时间卷积神经网络层2d-tcn、批处理归一化层bn和校正线性单元激活层；所述瓶颈卷积块包括在图卷积层之前和之后添加的1×1卷积层，且每个瓶颈卷积块使用块残差机制在输出处馈送每个块的输入。
35、进一步地，所述模型构建及应用模块包括图池化层构建单元，所述图池化层构建单元被配置构建图金字塔池化模块：
36、构建具有不同级别和大小的金字塔模型；在金字塔模型的不同级别，将合并的对象分割成不同大小的块；使用不同大小的池化窗口来对池化对象执行各种池化过程；根据池化对象的大小动态计算每个池化对象的池化内核大小和步长，以适应不同大小的池化对象并从中获得相同大小的结果。
37、本发明的有益效果在于：
38、（1）现有的应用于变压器故障识别的图神经网络主要考虑节点间关系，相较之下，本发明在数据预处理阶段利用斯皮尔曼相关系数确立故障状况之间的相互关系，建立带权重的图，充分挖掘振动、变压器内部温度、外部温度以及局部放电之间的相互关系。
39、（2）传统图神经网络存在层次太浅、梯度消失过快、存在过度平滑等问题，本发明将bn层、残差连接、卷积层、金字塔池化层和全连接层相组合构成的残差卷积神经网络，拥有更好的数据处理能力，解决图神经网络存在的不足，提高干式变压器故障识别的准确率。
40、（3）本发明利用残差图卷积神经网络挖掘干式变压器发生的故障与多种实际运行状况关系，根据干式变压器实际运行过程中发生的振动、温度变化以及局部放电等状况对变压器故障进行精准识别，可有效避免传感器采集数据错误或存在误差等情况，保证干式变压器的安全可靠运行，提高其故障识别的准确率。
41、（4）本发明从图分类的角度出发，利用图卷积神经网络挖掘干式变压器多种运行状况之间可能的相互关系，将resnet的残差结构和图卷积神经网络相结合来训练更深的模型，同时构建了图金字塔池化模块聚合多尺度特征以扩大模型感受野，提升故障识别的准确度，旨在及时发现干式变压器存在问题，保障其安全稳定运行。
42、（5）本发明将采集到的干式变压器运行过程中振动、变压器外部温度、内部温度以及局部放电数据进行精细预处理，包括数据归一化和构建数据关系图，具体为利用相关数据的序列偏差进行归一化预处理，使用斯皮尔曼相关系数构建残差卷积神经网络训练时需要的关系图，以提高残差卷积神经网络（resgcn）预测识别精度。其次，将处理后数据输入残差图卷积神经网络，依次经过bn层、残差图卷积层、图池化层和全连接层完成对干式变压器故障的识别。
43、（6）本发明利用图卷积神经网络可以充分挖掘干式变压器发生故障时振动、内部温度变化、外部温度变化以及局部放电之间的相互关系，降低计算的复杂性，相较于图神经网络，图卷积神经网络将卷积神经网络强大的建模能力迁移到图上来，引入残差连接，实现训练更深层的图卷积神经网络，同时，降低了图卷积神经网络训练的难度，缓解了图卷积神经网络中更新图节点特征表示容易造成过度平滑的问题，提高干式变压器故障识别的准确率。
44、（7）本发明可应用于干式变压器故障的识别，旨在提高其故障识别的准确率，避免传感器采集数据错误或存在误差等情况发生时导致不能及时发现具体故障的问题，降低干式变压器运维成本，延长其寿命，确保干式变压器的安全可靠运行。
45、（8）本发明使用的神经网络不仅可以根据干式变压器多种实际运行状况对其故障进行精准识别，还可以根据数据变化判断趋势，对其故障进行预测，实现提前预警功能，对干式变压器的运维提供了新途径。综上所述，本发明的创新性在于为干式变压器故障识别引入新的处理角度，提高了干式变压器故障识别的可靠性和准确性，为其安全稳定运行提供重要保障。
1.一种基于残差图卷积神经网络的变压器故障识别方法，其特征在于，包括：
2.根据权利要求1所述的基于残差图卷积神经网络的变压器故障识别方法，其特征在于，所述根据所述相关数据的序列偏差进行归一化预处理，包括：
3.根据权利要求1所述的基于残差图卷积神经网络的变压器故障识别方法，其特征在于，所述利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图，包括：
4.根据权利要求1所述的基于残差图卷积神经网络的变压器故障识别方法，其特征在于，所述将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，包括：
5.根据权利要求1所述的基于残差图卷积神经网络的变压器故障识别方法，其特征在于，所述构建图金字塔池化模块，包括：
6.一种基于残差图卷积神经网络的变压器故障识别系统，其特征在于，包括：
7.根据权利要求6所述的基于残差图卷积神经网络的变压器故障识别系统，其特征在于，所述数据预处理模块包括第一预处理单元，所述第一预处理单元被配置为根据所述相关数据的序列偏差进行归一化预处理：
8.根据权利要求6所述的基于残差图卷积神经网络的变压器故障识别系统，其特征在于，所述数据预处理模块包括第二预处理单元，所述第二预处理单元被配置为利用斯皮尔曼等级相关系数构造残差图卷积神经网络所需的关系图，包括：
9.根据权利要求6所述的基于残差图卷积神经网络的变压器故障识别系统，其特征在于，所述模型构建及应用模块包括图卷积层构建单元，所述图卷积层构建单元被配置为将残差网络net与图卷积神经网络gcn结合构造残差图卷积神经网络即resgcn模型，包括：
10.根据权利要求6所述的基于残差图卷积神经网络的变压器故障识别系统，其特征在于，所述模型构建及应用模块包括图池化层构建单元，所述图池化层构建单元被配置构建图金字塔池化模块：
