一种基于SMOTETomek与图卷积网络的变压器智能状态评估方法与流程

本发明属于电力设备大数据运维与人工智能故障诊断，尤其涉及一种基于smote tomek与图卷积网络的变压器智能状态评估方法。

背景技术：

1、电力变压器是输配电系统的核心枢纽设备，其运行状态直接关系到电网的供电可靠性与运行安全。随着电网智能化水平提升，变压器监测维度不断丰富，涵盖油色谱、振动、局部放电、温度、应变等多源数据，但现有状态评估技术仍存在诸多局限：

2、其一，数据类别分布严重失衡。变压器正常运行样本占比极高，故障样本采集难度大、数量稀少，直接构建诊断模型易出现多数类偏置，导致故障识别漏检率高、准确率不足。

3、其二，多源监测信息融合困难。传统评估方法多依赖单一油色谱指标或固定阈值判断，难以挖掘温度、振动、局放、油质等多维度参量之间的非线性耦合关联，无法捕捉早期微弱故障的协同变化特征，预警存在滞后性。

4、其三，状态评估权重设置主观性强。现有健康评分体系多依赖专家经验设定指标权重，易受人为因素干扰，难以自适应不同运行工况与设备个体差异，评估结果稳定性与准确性受限。

5、其四，评估输出维度单一。多数方案仅能输出当前健康等级，无法同步实现故障类型精准定位与剩余使用寿命量化预测，难以支撑全生命周期预测性运维决策。

6、近年来，图卷积网络凭借非欧式数据建模能力逐步应用于设备诊断领域，但现有方案多仅针对单一数据源构建图结构，且深层网络易出现特征过平滑与性能退化问题，同时缺乏科学的定量评估体系，难以满足工程现场的高精度运维需求。

技术实现思路

1、本发明的目的是针对上述存在的技术问题，提供一种基于smote tomek 与图卷积网络的变压器智能状态评估方法，通过混合采样解决数据不平衡问题，通过多度量构图与残差图卷积网络实现多源数据深度特征融合，结合博弈论主客观综合赋权提升评估客观性，最终同步输出健康等级、故障类型与剩余寿命预测结果，实现变压器高精度状态评估与早期故障预警。

2、有鉴于此，本发明提供一种基于smote tomek与图卷积网络的变压器智能状态评估方法，包括以下步骤：

3、s1：采集变压器温度、应变、局部放电、油色谱、振动多源监测数据，根据健康指数划分不同健康状态类别，将数据集按比例拆分为训练集与测试集；

4、s2：采用smotetomek混合采样算法对训练集进行类别平衡预处理，对平衡后的训练集与测试集数据进行归一化处理；

5、s3：将各类监测参量映射为图节点，采用多度量融合方法计算节点间的关联强度，构建表征参量耦合关系的k近邻图结构；

6、s4：构建包含残差连接的残差图卷积网络模型，将k近邻图数据输入模型进行深度特征提取，得到多源数据融合的高维特征向量；

7、s5：基于博弈论方法对深度融合特征与状态评价指标进行主客观综合赋权，计算得到变压器综合健康状态评分；

8、s6：根据综合健康状态评分，输出变压器健康等级、故障类型及剩余寿命预测结果。

9、进一步地，s1中，所述多源监测数据包括油中溶解气体数据、箱体振动加速度信号、局部放电信号、光纤温度与应变监测数据、电气参量数据；其中油中溶解气体数据包括h2、ch4、c2h6、c2h4、c2h2、co、co2的浓度时序数据。所述健康状态根据健康指数取值划分为非常好、好、中度、差、非常差五个等级，训练集与测试集的划分比例为7:3。

10、进一步地，s2中，所述smote tomek混合采样算法的具体执行步骤为：

11、识别训练集中的少数类故障样本，在少数类中随机选取基准样本，计算其到同类其余样本的欧式距离，选取k个最近邻样本；

12、在k个最近邻样本中随机选取目标样本，按照公式生成新的少数类样本并加入训练集，完成少数类过采样，其中x为基准样本，xn为目标近邻样本，rand(0,1)为0到1之间的随机数；

13、遍历训练集中所有样本，通过欧式距离计算每个样本的最近邻，标记类别不同的样本对为tomek link对；

14、将所有tomek link对对应的边界噪声样本从训练集中移除，完成多数类欠采样，使训练集各类样本数量达到均衡。

15、进一步地，s3 中，所述多度量融合方法的具体步骤为：

16、分别采用高斯核函数、余弦相似度、皮尔逊相关系数三种度量方式，计算任意两个图节点之间的相似性，对应生成三个邻接矩阵；

17、对三个邻接矩阵的对应元素取算术平均值，得到融合后的综合邻接矩阵；

18、针对综合邻接矩阵中的每个节点，仅保留关联强度排名前 k 的邻接节点，将其余节点的连接权重置为 0，得到最终的 k 近邻图邻接矩阵 a。

19、进一步地，三种度量方式的计算公式分别为：

20、高斯核函数：

21、

22、，其中为高斯核带宽参数，xi、xj分别为节点i与节点j的特征向量；

23、余弦相似度：

24、

25、皮尔逊相关系数：

26、

27、其中t为时序采样总长度，、分别为节点i与节点j特征的时序均值。

28、进一步地，s4中，所述残差图卷积网络由5个堆叠的特征提取单元构成，每个特征提取单元依次包括图卷积层、批归一化层、relu激活函数层与edgepool图池化层；每隔1个特征提取单元设置一条残差连接，将单元的输入特征跳跃连接至该单元输出端；网络末端依次连接两层全连接层与softmax分类层，输出多源融合特征向量与初步分类结果。

29、进一步地，单个特征提取单元的输出表达式为：

30、x' = relu(bn(gconv(a·x·w)))，其中a为k近邻图邻接矩阵，x为输入特征矩阵，w为图卷积层可训练权重矩阵，bn为批归一化操作，relu为线性整流激活函数；

31、经edgepool图池化层后的输出表达式为：xoutput=edgepool(x')，残差连接将第n个特征提取单元的输入特征，与第n+1个特征提取单元的输出特征逐元素相加后，输入后续网络层。

32、进一步地，s5中，所述博弈论主客观综合赋权的具体步骤为：

33、采用层次分析法，结合领域专家经验确定各传统状态评价指标的主观权重向量；

34、采用熵权法，根据深度融合特征的信息熵计算各特征分量的客观权重向量；

35、构建博弈论优化模型，以综合权重与主观权重、客观权重的偏差最小化为目标函数，求解得到最优综合权重系数；

36、按照最优综合权重对各指标与特征分量进行加权求和，映射得到取值范围为0-100的综合健康状态评分。

37、进一步地，s6中：

38、健康等级划分规则为：综合健康评分≥80为非常好、60≤评分<80为好、40≤评分<60为中度、20≤评分<40为差、评分<20为非常差；

39、故障类型通过残差图卷积网络末端的softmax分类器识别，可识别过热故障、局部放电故障、绕组机械故障、绝缘劣化故障四类典型故障；

40、剩余寿命预测通过拟合历史健康评分的退化曲线，采用威布尔分布模型建模退化趋势，预测变压器达到失效阈值的剩余时间；

41、根据综合健康评分的数值区间、短期演变趋势以及故障类型匹配度，分别触发一级趋势预警、二级模式预警、三级突变预警，并同步生成维护决策支持报告。

42、本发明的有益效果是：

43、1.有效解决数据不平衡难题。采用smote tomek混合采样算法，结合少数类过采样与多数类边界去噪欠采样，既扩充了稀缺故障样本规模，又消除了类别边界的噪声重叠样本，有效缓解了模型因数据偏置导致的故障漏检问题，为模型训练提供了均衡高质量的数据集。

44、2.实现多源异构数据深度融合。将温度、应变、局放、油色谱、振动等多类监测参量统一建模为图节点，通过高斯核函数、余弦相似度、皮尔逊相关系数三种度量融合构建邻接关系，精准刻画多参量间的非线性耦合关联；结合带残差连接的图卷积网络提取深度图结构特征，既避免了深层网络的特征过平滑与性能退化问题，又充分挖掘了多源数据的协同故障信息，提升了早期微弱故障的感知能力。

45、3.提升状态评估的客观性与准确性。引入博弈论优化框架融合主观专家经验与客观数据信息，自适应计算最优综合权重，避免了单一赋权方法的主观偏差，使健康状态评分更贴合设备实际运行状态，状态评估准确率不低于 95%。

46、4.提供全维度运维决策支撑。同步输出健康等级、故障类型识别结果与剩余使用寿命预测结果，并配套三级分级预警机制与维护决策报告，实现从状态感知、故障定位到寿命预测的全链条评估，为变压器全生命周期预测性维护提供全面的决策依据。