| 摘要: |
| 针对电力变压器故障多、诊断精确度低等问题,提出了一种基于图卷积神经网络（Graph Convolutional Network, GCN）电力变压器故障诊断的方法,该算法可以准确地识别电力变压器的故障类别,且实现了将数据结构转化成图结构.以电力变压器为实验对象,利用小波包变换（Wavelet Packet Transform, WPT）提取变压器油中特征气体数据特征,构建特征向量;接着利用马氏距离(Mahalanobis Distance, MD)来表示各个向量之间的相似度,以数据特征为顶点、相似度为边构建图结构;最后利用图卷积神经网络实现变压器的故障类别分类,准确识别出变压器故障类别,能够针对变压器故障部分进行检修.仿真实验表明：与深度信念网络（Deep Belief Network, DBN）和卷积神经网络（Convolutional Neural Networks, CNN）相比,本文提出的方法做出的诊断结果更加精确,综合诊断效果最好. |
| 关键词: 电力变压器 图卷积神经网络 故障诊断 小波包 马氏距离 |
| DOI： |
| 分类号:TM411 |
| 基金项目:湖南省自科基金市州联合基金资助项目（S2021JJSSLH0022） |
|
|
|
|
| Abstract: |
|
| Key words: |
