摘要
电力变压器是保障电网安全稳定运行的重要设备，然而随着电网复杂程度的提高，对电力变压器的运维提出了更高的要求。随着监测信息指数增长，大量多源数据难以有效融合，目前人工智能技术的发展给多源数据处理提供了思路，但电力变压器故障样本的缺乏给智能运维的实现造成了困难。为保障电力变压器安全运行，本文针对电力变压器运维数据呈现出的知识密栠、数据繁杂的特点，开展基千知识图诺和图学习的状态评价及故障诊断研究。具体研究内容如下： (1)基于电力变压器评价导则和故障机理分析，建立了具有层次结构的部位－性能－指标三层关键指标体系，从指标的性质出发，提出了一种基千定量修正层次分析的状态评价方法，利用判别矩阵晕化指标权重，并通过定量修正评分函数提高评价结果的可信度，在两台不同电压等级的变压器上进行验证，实现了电力变压器多维度、客观的可靠评价。 (2)针对电力变压器数据存在的多源数据壁垒、结构扁平化等问题，引入知识图谱进行复杂关联关系的奻据解析，根据指标体系从多源数据中抽取实体和关系形成三元组建立电力变压器知识图诰。同时考虑到不同数据源中相同含义数据的命名差异，建立了基于Sentence-BERT的知识融合校型，解决了电力变压器图谱构建中的知识冗余问题，并在Neo4j图数据库中实现了电力变压器知识图谱构建，为电力变压器的运行管理和故障诊断提供了数据支撑。 (3)计及电力变压器存在的运维信息关联性差和故障样本缺乏的现象，提出了面向变压器故障的图学习诊断思路。首先，根据电力变压器故障样本和故障机理分析，建立故障样本与变压器图谱的映射关系，构建了变压器故障知识图谱；然后考虑到知识图谱的非欧式空间特性使得传统的深度学习模型难以处理，因此建立了图卷积神经网络模型，通过图的关联性深挖故障原因，有效判别故降类型；最后通过实例分析并与深度学习方法对比，验证了在样本数量较少的情况下图卷积神经网络能够精确诊断变压器故障，解决了样本数量对故陷诊断效果的限制问题，给电力变压器的智能运维提供了有力支撑。
NETL