[发明专利]基于图卷积神经网络的电力设备故障智能预测方法

说明书

本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。

技术领域

本发明涉及故障预测的技术领域，尤其涉及一种基于图卷积神经网络的电力设备故障智能预测方法。

背景技术

电力是人们现代化生活的主要能源，电力设备是构建电力电网的基本单元，因此，维护电力设备的正常运转是电力管理的重要工作。电力设备故障之后再维修不仅造成了用电间断，而且也对设备造成了二次损害。电力设备故障的预测与检修可以防患于未然，是当前智能电网中的重要需求。智能电网中，故障预测是通过采集电力设备的运转数据，结合相关的分析算法或专家经验，对设备即将发生的故障做出判断。目前，学术界和产业界已经提出了多种电力设备故障预测的方法。诸如：1)专家经验，结合专家知识对相关的检测参数进行阈值设定，该方法简单易行，但有较高的假阳性而造成人力检修的麻烦；2)传统的基于卡尔曼滤波器、贝叶斯网络、马尔科夫链等算法，依赖对输入数据的预处理，使得预测的准确率较低，难以在市场中推广应用；3)基于BP神经网络、支持向量机等机器学习算法，这些算法虽然涉及到了人工智能，但处理方式未能较好匹配电力设备采集数据的特征，预测的故障准确率也是较低，需要进一步的改进。

发明内容

针对的技术问题，本发明提出一种基于图卷积神经网络的电力设备故障智能预测方法，结合电力设备采集数据的特征，基于新型的神经网络---图卷积神经网络(GraphConvolutional Network,GCN)，对电力设备的故障进行预测，具有较高的预测准确率，应用推广价值高。

为了达到上述目的，本发明的技术方案是这样实现的：一种基于图卷积神经网络的电力设备故障智能预测方法，其步骤如下：

步骤一：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；

步骤二：构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；

步骤三：利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；

步骤四：采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。

所述监测信息电力设备的电压、电流和红外图像；所述预处理包括两部分：1)数据清洗，将电压、电流、红外图像中的噪声、无关数据进行清除；2)数据规约，将电压、电流采用标准差的方法进行归一化处理。

所述图卷积神经网络有n个节点，以直线的拓扑结构排列，节点i的输入为u_i,a_i,g_i；节点i与节点i+1间的链路权值为λ^n-i，链路权值λ^n-i在卷积神经网络训练中确定；图卷积神经网络能够提取输入数据在时间上的依赖特征。

所述图卷积神经网络包括连接的二维卷积神经网络和全连接神经网络，二维卷积神经网络的输入为红外图像，二维卷积神经网络的输出以及监测信息中电压、电流输入全连接神经网络，全连接神经网络输出为是否发生故障以及故障的类型。