(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111542143.1 (22)申请日 2021.12.16 (71)申请人 郑州轻工业大 学 地址 450000 河南省郑州市高新 技术产业 开发区科 学大道136号 (72)发明人 黄万伟　黄敏　张超钦　张王卫　 王博　孙海燕　马欢　郑向雨　 李松　 (74)专利代理 机构 郑州优盾知识产权代理有限 公司 41125 代理人 栗改 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) (54)发明名称 基于图卷积神经网络的电力设备故障智能 预测方法 (57)摘要 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 。 权利要求书2页 说明书5页 附图2页 CN 114266301 A 2022.04.01 CN 114266301 A 1.一种基于图卷积神经网络的电力设备故障智能预测方法， 其特 征在于， 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。 2.根据权利要求1所述的基于图卷积神经网络的电力设备故障智能预测方法， 其特征 在于， 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。 3.根据权利要求1或2所述的基于图卷积神经网络的电力设备故障智能预测方法， 其特 征在于， 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<ui,ai,gi >； 节点i与节点i+1间的链路权值为λn‑i， 链路权值λn‑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。 4.根据权利要求3所述的基于图卷积神经网络的电力设备故障智能预测方法， 其特征 在于， 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。 5.根据权利要求4所述的基于图卷积神经网络的电力设备故障智能预测方法， 其特征 在于， 采集n个电压信息表示为<u1,u2,…un>， ui是某一时刻设备 的电压； 采集n个电流信息 表示为<a1,a2,…an>； 采集n个红外图像信息表示为<g1,g2…gn>， gi表示彩色图像的三维张 量； 其中， gi作为二维卷积神经网络的输入， ui和ai以及二维卷积神经网络的输出作为全连 接神经网络的输入， 全连接神经网络的输出(Y0,Y1…Ym)表示是否发生故障以及故障的类 型。 6.根据权利要求4所述的基于图卷积神经网络的电力设备故障智能预测方法， 其特征 在于， 设图卷积神经网络输出的空间特征为{ht‑p,...,ht‑1,ht}， 即包含p个隐藏状态， 采用 迭代计算的更新过程： zt＝σ(W(z)f(A,gt)+U(z)ht‑1)     (1) ct＝tanh(W(c)f(A,gt))     (2) ht＝zt⊙ht‑1+(1‑zt)⊙ct     (3) 其中， f(A,gt)是图卷积过程， A是卷积核， gt是节点t的红外图像表示， zt在节点t处的渲 染操作， ct是节点t连接处 的激活函数， 每个节点之间数据的传递由ct和链路权重λn‑i计算； ht是空间特征t的迭代输出， 图卷积神经网络中待训练的参数σ、 W(z)、 U(z)、 W(c)且σ 为激活层 参数， W(z)为全连接层参数， U(z)为渲染操作中对空间特征ht‑1的变换权重参数， W(c)为全连接 层参数，⊙为异或操作， tanh为 正切函数。 7.根据权利要求4 ‑6中任意一项所述的基于图卷积神经网络的电力设备故障智能预测权　利　要　求　书 1/2 页 2 CN 114266301 A 2方法， 其特征在于， 在全连接神经网络中， 连接空间特征{ht‑p,...,ht‑1,ht}之后的为4个隐 含层， 最后一层采用softmax层， 实现电力设备故障的分类预测。 8.根据权利要求1、 4 ‑6中任意一项所述的基于图卷积神经网络的电力设备故障智能预 测方法， 其特 征在于， 所述 步骤三中图卷积神经网络的训练采用监 督学习的方法为： (1)从电力数据中心采集的数据集G中取 出10000组训练数据(x,y)； (2)对于第i组训练数据(xi,yi)， 将其输入至图卷积神经网络求得预测值yi'， 同时采用 交叉熵计算实际值yi与预测值yi'之间的误差 (3)对于每组数据计算出的误差loss， 采用随机梯度下降算法优化 图卷积神经网络中 的网络参数； (4)从电力数据中心采集的数据 集G中随机抽取出100组测试数据， 按照步骤(2)中的方 法计算误差值， 并求其平均误差lossavg， 若平均误差lossavg在5％范围以内， 则满足精度要 求， 停止训练； 否则， 返回步骤(1)进行 下一批训练。权　利　要　求　书 2/2 页 3 CN 114266301 A 3