基于相位不变与尺度鲁棒图神经网络的局部放电识别方法与流程

本发明涉及电力设备状态监测与智能诊断，更具体的说是涉及一种基于相位不变与尺度鲁棒图神经网络的局部放电识别方法。

背景技术：

1、目前气体绝缘开关设备（gis）局部放电识别中，工程上通常基于工频同步采集方式获取放电信号，并构建相位分辨脉冲序列图谱用于后续识别分析。现有技术中，该类图谱的处理主要包括基于人工特征的方法、基于传统机器学习的方法以及基于深度学习的方法。人工特征方法通常基于统计量及时频分析结果构建特征向量，并结合支持向量机或随机森林分类器进行识别，该类方法依赖特征设计，难以表征复杂放电模式的空间分布特性。

2、深度学习方法中，通常将相位分辨脉冲序列图谱表示为二维图像输入卷积神经网络进行处理，网络结构包括resnet、densenet等。在实际应用中，不同采集设备或不同采集参数条件下生成的图谱在相位分辨率及周期长度上存在差异，因此通常需要通过插值或重采样方式将其统一至固定尺寸后再进行模型输入。该处理方式改变原始相位分布的局部密度结构及统计分布特征。部分研究进一步采用循环神经网络或transformer结构对图谱进行序列建模，将相位维度或周期维度展开为序列输入模型，用于学习时序依赖关系。但该类方法主要基于序列相关性建模，未对相位轴的周期结构特性进行显式表达。

3、在实际采集过程中，由于设备同步误差或相位参考点设置差异，同一类型局部放电在不同采集条件下可能出现整体相位平移现象，使其在相位轴上的分布位置发生变化。现有方法通常未对该类相位平移特性进行建模处理，仍依赖固定空间位置特征进行学习。此外，不同设备或不同采集参数设置下，相位划分方式及周期采样长度存在差异，使得图谱在尺度上表现不一致。现有方法通常通过统一尺寸方式进行对齐处理，但该方式在跨设备或跨参数场景下易引入结构失真，从而影响特征表达的一致性。

4、接近的现有技术中，相关研究人员提出了一种基于卷积神经网络和长短期记忆神经网络的气体绝缘开关设备局部放电识别方法。该方法通过特高频传感器采集局部放电信号，利用长短期记忆神经网络提取时域特征，利用傅里叶变换提取频域特征，并利用卷积神经网络提取空间特征，随后对多类特征进行融合，实现局部放电故障识别。该方法能够综合利用局部放电信号的时域、频域和空间信息，提高局部放电识别效果，但仍存在以下技术问题：

5、（1）对prps图谱中相位、幅值和放电次数之间的结构关联特征表达不足：prps图谱包含相位、幅值和放电次数等多维信息，现有技术主要依赖卷积神经网络提取局部空间特征，难以充分表征不同相位区间、不同幅值范围以及放电次数分布之间的关联关系，导致对局部放电类型的区分能力不足。

6、（2）对prps图谱的相位偏移适应能力不足：在实际监测过程中，受采样起始点、相位同步误差及现场干扰等因素影响，同一类局部放电图谱可能发生相位偏移。现有卷积神经网络对图谱位置变化较为敏感，难以保持相位偏移前后识别结果的一致性，容易造成误判。

7、（3）对不同尺寸、不同分辨率prps图谱的自适应能力不足：不同监测设备或采集参数生成的prps图谱尺寸和分辨率可能不同，现有方法通常需要对图谱进行统一缩放、裁剪或插值处理，容易造成放电分布细节丢失或图谱结构失真，影响识别准确性和稳定性。

8、（4）模型可解释性不足：现有深度学习方法通常直接输出识别结果，难以明确说明识别依据来自具体相位区间、幅值范围或放电分布特征，导致诊断结果缺乏可追溯性，不利于电力设备在线监测场景下的工程应用。

9、因此，如何提供一种基于相位不变与尺度鲁棒图神经网络的局部放电识别方法是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于相位不变与尺度鲁棒图神经网络的局部放电识别方法，旨在解决上述技术问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于相位不变与尺度鲁棒图神经网络的局部放电识别方法，包括以下步骤：

4、s1、获取待识别的相位分辨脉冲序列prps图谱，对所述prps图谱进行幅值归一化处理，得到归一化后的prps图谱；

5、s2、将归一化后的prps图谱构建为相位约束多关系图：以一个工频周期内的每个相位区间为图节点构建节点集合，为每个节点提取初始节点特征；构建包含相位连续关系、半周期耦合关系和模式相似关系的多类型边集合，并为每条边构建对应的边属性；最终形成包含节点集合、边集合、节点特征矩阵、节点相位信息和边属性集合的相位约束多关系图；

6、s3、将所述相位约束多关系图输入相位约束多关系图神经网络pragnn模型进行特征提取：先对各节点的初始节点特征进行映射得到初始隐藏特征；再按不同边关系类型分别执行关系自适应相位消息传递，得到各关系类型下的聚合消息；对多类关系的聚合消息进行自适应融合得到融合消息；基于融合消息与节点原特征通过门控机制完成节点特征更新；经过多层消息传递后，对各层节点特征进行加权融合，得到各节点的最终特征表示；

7、s4、采用基于谐波幅值的相位不变图级读出方式，对各节点的最终特征表示进行聚合：对各阶谐波分别计算余弦分量与正弦分量，进而得到对应阶次的谐波幅值特征；将多阶谐波幅值特征拼接，得到图级特征表示；

8、s5、将所述图级特征表示输入分类器，得到各类局部放电类型的预测概率，取预测概率最大的类别作为最终的局部放电类型识别结果。

9、进一步的，所述s2中，为每个节点提取初始节点特征的具体过程为：

10、提取该相位区间在t个观测周期内的归一化放电序列，保留该相位区间内随观测周期变化的放电演化信息；

11、计算该节点对应的统计特征，包括平均放电强度、峰值放电强度、放电发生比例、放电强度离散程度和放电分布熵；

12、定义局部相位偏移量与反相位偏移量，计算该节点的局部相位上下文能量与反相位上下文能量，进而构建局部相位上下文对比特征和反相位上下文对比特征；

13、将所述归一化放电序列、统计特征、局部相位上下文对比特征和反相位上下文对比特征组合为节点的初始节点特征。

14、进一步的，所述s2中，多类型边集合的构建方式为：

15、构建相位连续边，用于连接相邻的相位区间，表征局部相位放电连续性；

16、构建半周期耦合边，用于连接相差半个工频周期的相位区间，表征交流正负半周之间的放电关联性；

17、构建模式相似边，先计算不同节点统计特征之间的余弦相似度，为每个目标节点选取统计特征相似度最高的若干个非相邻节点作为邻居并连接，表征非相邻相位区间之间的相似放电模式。

18、进一步的，所述s2中，每条边的边属性包含周期相对相位差、边权重和边类型独热编码；其中周期相对相位差为源节点与目标节点之间的周期相对相位差，边权重由节点统计特征相似度得到，边类型独热编码用于区分相位连续边、半周期耦合边和模式相似边。

19、进一步的，所述s3中，所述关系自适应相位消息传递的具体过程为：

20、针对每一层网络中的每一种边关系类型，根据目标节点特征、源节点特征和对应边属性计算每条有向边的注意力得分；

21、对同一目标节点的所有邻居节点的注意力得分进行归一化，得到各邻居节点对应的注意力权重；

22、根据注意力权重对各源节点特征进行加权聚合，得到该关系类型下目标节点的聚合消息。

23、进一步的，所述s3中，对多类关系的聚合消息进行自适应融合的具体过程为：

24、针对每个节点，分别计算相位连续关系、半周期耦合关系和模式相似关系三类关系对应的贡献权重；

25、以贡献权重对三类关系的聚合消息进行加权求和，得到融合后的全局消息。

26、进一步的，所述s3中，基于融合消息与节点原特征通过门控机制完成节点特征更新的具体过程为：

27、将融合后的消息与节点原特征共同输入，计算得到候选节点特征；

28、计算用于控制信息更新程度的门控系数；

29、通过门控系数对候选节点特征与原节点特征进行逐元素加权组合，得到更新后的节点特征。

30、进一步的，所述s3中，对各层节点特征进行加权融合的具体过程为：

31、为每一层网络输出的节点特征分配对应的可学习融合权重，所有层的融合权重之和为1；

32、按融合权重对各层输出的节点特征进行加权求和，得到每个节点的最终特征表示。

33、进一步的，所述s4中，谐波幅值特征的计算方式为：

34、对于第k个谐波分量，分别基于各节点的最终特征与对应节点的中心相位，计算该阶谐波的余弦分量和正弦分量；

35、由余弦分量的平方与正弦分量的平方和开根号，计算得到第k阶谐波的幅值特征，作为该阶谐波对应的图级特征。

36、进一步的，所述局部放电识别方法用于气体绝缘开关设备gis的局部放电类型识别，所述prps图谱为基于特高频uhf传感器采集的局部放电信号，经脉冲检测、幅值提取、相位映射和周期性累积后构建的相位分辨脉冲序列图谱。

37、相较于现有技术，本发明提升了prps图谱多维结构关联的表征能力：通过相位约束多关系图构建，将相位连续关系、半周期耦合关系和模式相似关系显式融入图结构，能够充分表征不同相位区间、不同幅值范围与放电次数分布之间的关联，增强对复杂局部放电模式的区分能力；增强了相位偏移鲁棒性：采用基于谐波幅值的相位不变图级读出方法，利用谐波幅值不受整体相位平移影响的特性，使模型依赖相对相位结构而非绝对相位位置进行识别，有效降低同步误差、相位参考点差异导致的相位偏移对识别结果的影响。提升了尺度自适应能力：以相位区间为图节点、以相对相位关系为边进行建模，不依赖固定图像尺寸与分辨率，无需对图谱进行插值缩放处理，避免了结构失真与细节丢失，在不同采集设备、不同相位分辨率场景下均能保持稳定识别性能。具备更好的可解释性：识别过程基于相位节点、边关系与谐波分量进行特征提取，可通过节点重要性、边关系权重与谐波贡献度追溯诊断依据，符合电力设备在线监测场景对可解释性的工程需求。