换流变压器故障诊断方法及装置与流程

本发明涉及电力设备故障诊断技术，尤其涉及一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法及装置。

背景技术：

1、换流变压器作为高压直流输电系统的核心设备，其运行环境复杂，长期承受交直流叠加电压及高次谐波电流的冲击。机械状态异常（如绕组压紧力不足、铁心松动等）是换流变压器的主要故障形式之一。利用振动信号进行非侵入式状态监测，是目前评估换流变压器机械健康状态的重要手段。

2、然而，现有的换流变压器振动监测与评估技术在测点布置、诊断算法方面仍存在显著的局限性。

3、（1）在传感器测点布置方面，现有技术依赖人工经验（如油箱四角）或均匀布点。由于振动模态复杂，易将传感器置于“振动死区”（漏检）或“信息冗余区”（数据重复），造成成本浪费与监测盲区。即使采用标准智能优化算法，也易陷入局部最优，无法找到兼顾高能量与独立性的全局最优测点。

4、（2）在故障诊断方面，存在以下三个缺陷：一是无法剔除工况干扰，易导致高误报；二是难以区分铁心与绕组故障，故障源混叠；三是仅能输出故障标签，缺乏物理定位能力，无法指导精准检修。

技术实现思路

1、本发明提供一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法及装置，用以解决现有技术中传感器布点依赖经验导致监测盲区与冗余、变工况下振动幅值随负荷波动引发高误报率、难以区分故障类型以及难以进行故障定位的缺陷，实现了对换流变压器铁心与绕组机械松动故障的精准解耦与物理区域定位。

2、本发明提供一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，包括：

3、同步采集换流变压器的多通道振动信号以及对应的电压和电流信号；所述多通道振动信号通过在换流变压器油箱表面最优位置布置的传感器网络得到；所述最优位置通过智能优化算法得到；

4、对所述多通道振动信号以及对应的电压和电流信号进行频域变换，并通过频率掩码进行特征分离，得到换流变压器的第一特征矩阵和第二特征矩阵；

5、将所述第一特征矩阵和第二特征矩阵分别输入至训练好的双通道物理图神经网络的第一通道和第二通道，得到第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵；所述第一邻接矩阵和第二邻接矩阵用于表征所述传感器网络的节点之间机械传递关系；

6、基于所述第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵，判定故障类型以及定位故障的物理区域。

7、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述智能优化算法包括：多策略改进麻雀搜索算法；

8、对应的，所述最优位置通过智能优化算法得到，具体包括：

9、获取换流变压器油箱表面的模态动能分布；

10、基于所述模态动能分布，采用加权轮盘赌策略生成所述传感器网络的布点方案的初始种群；

11、基于当前种群的每个所述布点方案的复合适应度值，更新所述布点方案，得到新一代种群；对所述新一代种群的全局最优布点方案，采用基于模态贡献度的局部透镜策略进行局部更新；迭代直到达到最大迭代次数或者所述复合适应度值不再降低，输出适应度值最小的布点方案，即为所述传感器网络的全局最优位置集合。

12、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述对所述新一代种群的全局最优布点方案，采用基于模态贡献度的局部透镜策略进行局部更新，具体包括：

13、基于所述模态贡献度，识别短板传感器网络节点；

14、对所述短板传感器网络节点进行局部透镜变异，生成候选布点方案；

15、若所述候选布点方案的复合适应度值优于原全局最优布点方案，则更新所述全局最优布点方案。

16、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述复合适应度函数fit(x)定义为：

17、；

18、其中，x表示包含m个节点的传感器网络的布点方案；模态矩阵元素表示第i个节点在第j阶模态下的振型幅值；w1、w2表示权重系数；是从模态矩阵中提取的第个测点位置对应的模态行向量；是从模态矩阵中提取的第个测点位置对应的模态行向量；)表示布点方案x中所有节点对之间的模态置信准则最大值。

19、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述模态贡献度通过如下公式表征：

20、；

21、其中，为第个节点在所有模态下的总动能；为传感器网络所有节点中的最大动能值；表示第i个节点与除自身外所有节点的最大相似度；表示权重系数。

22、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述双通道物理图神经网络模型包括：物理引导的自注意力层和图卷积回归预测层；

23、对应的，将所述第一特征矩阵和第二特征矩阵分别输入至训练好的双通道物理图神经网络的第一通道和第二通道，得到第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵，具体包括：

24、将所述第一特征矩阵和第二特征矩阵分别输入至所述第一通道和第二通道的所述自注意力层，分别计算所述第一通道和第二通道的所述传感器网络节点间的动态机械传递关系，得到第一邻接矩阵和第二邻接矩阵；

25、将所述第一特征矩阵和所述第一邻接矩阵输入至所述第一通道的所述物理图卷积回归预测层，得到所述传感器网络的第一预测振动幅值矩阵；将所述第二特征矩阵和所述第二邻接矩阵输入至所述第二通道的所述物理图卷积回归预测层，得到所述传感器网络的第二预测振动幅值矩阵。

26、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述传感器网络节点间的动态机械传递关系的计算方法还包括：

27、；

28、；

29、其中，代表传感器节点到节点的机械传递权重；为注意力系数，代表了传感器对传感器的原始关注程度；表示第i个和第j个节点的特征向量；表示注意力权重向量；为可学习的权重矩阵；表示向量拼接操作；r为循环变量；m表示传感器网络的节点个数。

30、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述基于所述第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵，判定故障类型以及定位故障的物理区域，具体包括：

31、构造结构一致性损失函数，所述结构一致性损失函数包括：预测误差和结构差异；

32、基于所述第一预测振动幅值矩阵、第一邻接矩阵，通过所述结构一致性损失函数，计算得到第一损失值；

33、基于所述第二预测振动幅值矩阵、第二邻接矩阵，通过所述结构一致性损失函数，计算得到第二损失值；

34、将所述第一损失值与设定的第一阈值进行比较，确定铁心状态；

35、将所述第二损失值与设定的第二阈值进行比较，确定绕组状态。

36、根据本发明提供的一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法，所述定位故障发生的物理区域，具体包括：

37、当所述铁心状态和/或绕组状态确认为故障后，计算各自的差异矩阵，所述差异矩阵用于表征邻接矩阵与基准邻接矩阵之间的差异，所述基准邻接矩阵在模型训练结束后确定；

38、找出所述差异矩阵中数值最大的元素，确定故障点位于所述元素代表的传感器节点之间的区域。

39、本发明还提供一种基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法装置，包括：

40、采集模块，用于同步采集换流变压器的多通道振动信号以及对应的电压和电流信号；所述多通道振动信号通过在换流变压器油箱表面最优位置布置的传感器网络得到；所述最优位置通过智能优化算法得到；

41、特征分离模块，用于对所述多通道振动信号以及对应的电压和电流信号进行频域变换，并通过频率掩码进行特征分离，得到换流变压器的第一特征矩阵和第二特征矩阵；

42、预测模块，用于将所述第一特征矩阵和第二特征矩阵分别输入至训练好的双通道物理图神经网络的第一通道和第二通道，得到第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵；所述第一邻接矩阵和第二邻接矩阵用于表征所述传感器网络的节点之间机械传递关系；

43、故障诊断模块，用于基于所述第一预测振动幅值矩阵、第一邻接矩阵、第二预测振动幅值矩阵以及第二邻接矩阵，判定故障类型以及定位故障的物理区域。

44、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法。

45、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法。

46、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于传感器位置寻优与物理图神经网络的换流变压器故障诊断方法。

47、与现有技术相比，本发明的有益效果是：

48、（1）本发明通过智能优化算法进行传感器测点位置寻优，确保筛选出的测点既能捕捉到最大的模态振动能量，又保证了各测点信号的独立性，实现对换流变压器全表面振动状态的高信噪比感知，大幅降低了硬件监测成本；通过频率掩码机制与双通道并行诊断架构，将混合的振动信号在频域上精确分离，使得系统能够明确指出异常振动是源于铁心磁路异常还是绕组压紧力不足，解决了故障源属性判别不清的问题；

49、（2）本发明通过图神经网络，构建结构一致性损失函数，实时反演传感器节点间的机械传递矩阵（邻接矩阵）评估设备状态，减少了误报，这种基于物理机理的诊断逻辑显著提高了系统在复杂变工况下的鲁棒性。

50、（3）本发明通过图神经网络的可解释性，计算当前动态邻接矩阵与健康基准矩阵的差异，能够定位发生机械刚度突变的物理区域，可直接向运维人员指出故障位于“哪两个传感器之间的连接路径”，将检修范围从整个设备缩小至局部区域，显著提高了检修效率并降低了维护成本。