(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110719873.8 (22)申请日 2021.06.28 (65)同一申请的已公布的文献号 申请公布号 CN 113343581 A (43)申请公布日 2021.09.0 3 (73)专利权人 山东华科信息技 术有限公司 地址 250101 山东省济南市高新区会 展西 路88号1号楼1- 3133室 专利权人 北京华清智汇能源技 术有限公司 (72)发明人 杨会轩　张瑞照　朱曰超　 (74)专利代理 机构 深圳舍穆专利代理事务所 (特殊普通 合伙) 44398 专利代理师 郑菊凤 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/08(2006.01) (56)对比文件 CN 107063349 A,2017.08.18 CN 111737496 A,2020.10.02 CN 108090 558 A,2018.0 5.29 CN 111694879 A,2020.09.2 2 CN 111340248 A,2020.0 6.26 CN 112990258 A,2021.0 6.18 CN 103245861 A,2013.08.14 Meng Qu 等. “GMNN: Graph Mark ov Neural Networks”. 《arXiv》 .2019,第1-12页. 审查员 郄修尘 (54)发明名称 基于图马尔可夫神经网络的变压器故障的 诊断方法 (57)摘要 本公开描述了一种基于图马尔可夫神经网 络的变压器故障的诊断方法。 该诊断方法包括获 取多个包括类型为文本的初始特征的故障数据； 对多个故障数据进行预处理以获取多个包括多 个目标特征的目标故障数据， 多个目标故障数据 中包括已知故障类型的数据和未知故障类型的 数据； 构建基于图马尔可夫神经网络的诊断模型 以同时对目标故障数据的故障类型之间的依赖 关系和目标 故障数据的特征表示进行建模， 利用 目标故障数据构建图结构并基于图结构对基于 图马尔可夫神经网络的诊断模型进行优化 以获 取目标诊断模 型； 并且将待诊断的故障数据进行 预处理后输入目标诊断模型以输出待诊断的故 障数据所属的故障类型。 由此， 能够提高对故障 类型预测的准确率。 权利要求书2页 说明书9页 附图3页 CN 113343581 B 2022.11.11 CN 113343581 B 1.一种基于图马尔可 夫神经网络的变压器故障的诊断方法， 其特 征在于， 包括： 从多个变压器获取多个故障数据， 各个故障数据包括多个初始特征， 所述初始特 征的类型包括文本； 对所述多个故障数据进 行预处理以获取多个包括多个目标特征的目标 故障数据， 多个所述目标故障数据中包括已知故障类型的数据和未知故障类型的数据以利 用半监督的方式对诊断模型进行训练， 所述预处理包括初步去重、 缺失值处理和构建序列 向量处理， 其中， 所述初步去重为在存在相关性的多个初始特征中保留至少一个初始特征 以降低特征的维度， 对所述多个故障数据进 行所述缺 失值处理以获取多个包括多个第一目 标特征的第一故障数据， 所述构建序列向量处理为利用连续词袋模型将 类型为文本的第一 目标特征更新为序列向量并将更新后的第一目标特征作为第二目标特征以获取多个包括 多个所述第二 目标特征 的第二故障数据， 将所述第二故障数据作为所述 目标故障数据， 将 所述第二 目标特征作为所述 目标特征， 其中， 所述连续词袋模型利用多个类型为文本的第 一目标特征的值进行训练； 构建基于图马尔可夫神经网络的所述诊断模型以同时对所述目 标故障数据的故障类型之 间的依赖 关系和所述目标故障数据的特征表示进 行建模， 利用所 述目标故障数据构建图结构并基于所述图结构对所述诊断模型进行优化以使所述诊断模 型结合所述目标故障数据的故障类型之 间的依赖关系来预测故障类型， 进而获取目标诊断 模型， 其中， 所述图结构G表示为G＝(V， E， xV)， V为多个所述目标故障数据的集合， xV为多个 所述目标故障数据的目标特征的集合， E为各个所述目标故障数据之 间的关系的集合； 并且 将待诊断的故障数据进行所述预处理后输入所述目标诊断模型以输出所述待诊断的故障 数据所属的故障类型， 其中， 所述初始特征包括变压器的油中铜的浓度、 变压器的油中铁的 浓度， 变压器的油中溶解气体的含量和变压器的缺陷信息， 所述初始特征还包括变压器的 设备型号、 变压器的生产厂家、 变压器的投运 年限、 恶劣气象的信息和绝 缘老化的情况。 2.根据权利要求1所述的诊断方法， 其特 征在于： 所述缺失值处理为对所述初始特征的缺失比例进行检测并将所述缺失比例大于预设 比例的初始特征进行删除和将不大于所述预设比例的初始特征的缺失值进行填充以获取 所述第一目标 特征。 3.根据权利要求1所述的诊断方法， 其特 征在于： 所述预处理还包括特征降维处理和数据规范化处理； 所述特征降维处理为利用训练线 性回归或逻辑回归提取所述第二故障数据的各个第二目标特征的表决系数并进行重要性 排序以获取重要性大于预设重要性的第二 目标特征， 然后利用主成分分析和/或因子分析 提取所述重要性大于预设重要性的第二目标特征中的主要 特征； 所述数据规范化处理为利 用所述第二目标 特征的均值和方差对所述第二故障数据进行规范化。 4.根据权利要求1所述的诊断方法， 其特 征在于： 所述初始特征还包括变压器的油的温度、 变压器的负荷和变压器的突发短路的次数中 的至少一种， 其中， 所述溶解气体包括氢气、 甲烷、 乙烷、 乙烯和乙炔。 5.根据权利要求1所述的诊断方法， 其特 征在于： 将多个类型为文本的第一目标特征的值用独热编码进行表示以获取多个独热编码向 量， 将各个所述独热编 码向量分别与第一权重矩阵相乘以获取该第一目标特征的值对应的 序列向量， 其中， 所述第一权重矩阵通过利用所述多个独热编码向量对所述连续词袋模型 进行训练获得。权　利　要　求　书 1/2 页 2 CN 113343581 B 26.根据权利要求1所述的诊断方法， 其特 征在于： 所述诊断模型利用条件随机分布通过所述目标特征来建模所述目标故障数据的故障 类型之间的联合分布并使用变分EM算法进行优化， 所述变分EM算法包括E步骤和 M步骤， 其 中， 在所述E步骤中通过第一图神经网络来学习 所述目标故障数据的特征表示以预测故障 类型， 在所述M步骤中通过第二图神经网络来建模所述 目标故障数据的故障类型之间的依 赖关系。 7.根据权利要求1所述的诊断方法， 其特 征在于： 所述故障类型包括高温过热、 中低温过热、 高能放电、 低能放电、 放电兼过热和局部放 电。 8.一种计算机设备， 包括存储器和处理器， 所述存储器存储有计算机程序， 其特征在 于， 所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的诊断方法的步 骤。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时实现权利要求1至7中任一项所述的诊断方法的步骤。权　利　要　求　书 2/2 页 3 CN 113343581 B 3