本发明涉及智能电网与电力系统故障诊断，尤其涉及一种基于演化结构表示学习的电网设备故障预测方法及系统。
背景技术：
1、随着电力系统的不断发展，电网设备的稳定运行对于保障现代社会的正常运转和经济发展具有至关重要的意义。电网设备如变压器、发电机、电抗器等作为电力系统的核心组成部分，其健康状况直接关系到电力供应的稳定性和可靠性。然而，由于电网设备的复杂性以及运维工作的繁琐性，设备故障难以避免，而一旦关键设备出现故障，不仅可能导致电力供应中断，还可能引发一系列连锁反应，对社会生产和人民生活造成严重影响。
2、传统的电网设备故障诊断方法主要依赖于设备的当前状态信息和运维人员的经验判断，往往忽略了设备所处的复杂环境以及故障之间的关联关系。此外，随着电网规模的不断扩大和智能化水平的提高，电网设备之间的关联关系日益复杂，传统的故障诊断方法已难以满足实际需求。
3、近年来，动态图表示学习技术的兴起为电网设备故障诊断提供了新的思路。动态图模型能够描述电网设备之间的拓扑关系和故障传播路径，通过引入时间维度，可以准确跟踪每个故障的发生时间，分析故障的时间分布和演变规律，从而实现对电网设备故障的高效准确诊断。然而，在连续型动态网络上运行的消息传递模型面临着处理节点邻居数量急剧增长的挑战，这不仅增加了计算复杂性，还使得处理的信息量显著上升，难以实现实时的故障诊断。
技术实现思路
1、为此，本发明实施例提供了一种基于演化结构表示学习的电网设备故障预测方法及系统，用于解决现有技术中传统预测方法忽略了设备间的复杂关联和故障演变规律，同时难以应对动态网络中节点邻居数量激增带来的计算挑战的问题。
2、为了解决上述问题，本发明实施例提供一种基于演化结构表示学习的电网设备故障预测方法，该方法包括：
3、步骤s1：采集电网设备故障数据，根据采集的电网设备故障数据构建数据集，并将数据集划分为训练集和测试集；
4、步骤s2：构建演化结构注意网络模型，所述演化结构注意网络模型包括显著性演化结构采样模块、相对结构信息编码以及结构信息增强的节点嵌入编码器；
5、所述显著性演化结构采样模块，用于根据电网设备故障数据构建候选边集合，并基于构建的候选边集合，根据边引起的冯诺依曼熵变化采样出具有显著性的边，得到采样后的候选边集合；
6、所述相对结构信息编码，用于分析网络结构变化中的相对差异，为消息传递表示引入更多细节和深度，增强模型对网络动态拓扑特性的理解和捕捉能力；
7、所述结构信息增强的节点嵌入编码器，用于基于显著性演化结构采样模块采样后的候选边集合，结合时间编码与相对结构信息编码，生成融合演化结构信息的节点表示；
8、步骤s3：使用训练集对演化结构注意网络模型进行训练，得到训练好的演化结构注意网络模型；
9、步骤s4：根据电网设备故障预测任务的特点，选择合适的评估指标，使用测试集对训练好的演化结构注意网络模型进行评估，计算各项评估指标的值。
10、优选地，所述根据电网设备故障数据构建候选边集合，具体包括：
11、首先，初始化查询节点集合、候选边集合和已访问节点集合；
12、随后，进入迭代过程，针对给定的搜索深度，逐层扩展查询节点的邻域；在每一层中，遍历当前查询节点集合中的每个节点，利用邻接表搜索获取这些节点在查询时间之前的邻居节点和边，同时确保不重复访问已搜索过的节点；新发现的邻居节点和边分别被添加到已访问节点集合和候选边集合中；随着迭代的进行，查询节点集合不断扩展，直至达到预定的搜索深度；
13、最后，输出包含查询节点在查询时间之前跳邻域内所有边的候选边集合。
14、优选地，所述基于构建的候选边集合，根据边引起的冯诺依曼熵变化采样出具有显著性的边，得到采样后的候选边集合，具体包括：
15、首先，对构建的候选边集合按时间进行排序，并基于给定的时间域划分为多个等时间间隔的窗口；在每个窗口内，计算每条边对冯诺依曼熵变化的贡献量；
16、随后，根据计算出的熵变化量对边进行排序，以便优先考虑对网络结构影响较大的边；在采样过程中，设定一个采样比例和每个节点的最大邻居数限制，以确保采样的有效性和网络结构的平衡，具体地，从排序后的边列表中按顺序选取边，只有当边的两个端点的当前邻居数都未达到最大值时，该边才会被加入采样集合；这一过程持续进行，直到达到每个时间窗口的采样数量限制或遍历完所有符合条件的边；
17、最后，将所有时间窗口的采样结果汇总，并输出最终的采样后的候选边集合。
18、优选地，所述计算每条边对冯诺依曼熵变化的贡献量的方法为：
19、；
20、式中，表示每条边对冯诺依曼熵变化的贡献量，、分别表示连续型动态图网络在时间和时的结构，表示边；、分别表示节点、的度数变化；表示节点集合。
21、优选地，所述基于显著性演化结构采样模块采样后的候选边集合，结合时间编码与相对结构信息编码，生成融合演化结构信息的节点表示，具体包括：
22、首先，演化结构注意网络模型在第层上，通过时间的边，从节点到生成消息为：
23、；
24、式中，||是连接操作，是查询时间戳，是随机傅立叶时间编码， 是边的相对结构信息编码，是第层上用于消息传递的权重度量，是节点在第层上的隐藏表示输出，，其中是节点嵌入的维度；
25、然后，演化结构注意网络模型使用多头注意力机制聚合所有消息，并添加时间信息，以生成节点的隐藏嵌入表示：
26、；
27、其中
28、；
29、；
30、；
31、式中，multiheadattn表示多头注意力机制，是1跳邻域中邻居的最大聚合数，、和是可学习的参数矩阵，用于将本层的邻域消息聚合，形成注意力机制所需的key、query、value矩阵，分别表示key、query、value矩阵，表示当前查询时间的编码；
32、最后，演化结构注意网络模型计算query和所有key之间的相似度得分，得到每个头的输出向量后，将每个头的输出拼接，通过最后的线性变换，得到最终本层的节点隐藏嵌入。
33、优选地，所述演化结构注意网络模型在解码阶段，通过得分函数来预测在查询时间戳时节点和之间链接的概率：
34、；
35、其中，mlp表示多层感知机，表示激活函数。
36、优选地，所述使用训练集对演化结构注意网络模型进行训练，为了有效地训练结构信息增强的节点嵌入编码器，设计了训练损失函数，其表示如下：
37、；
38、其中，表示训练损失函数，表示在给定时间下观察到的两个节点之间的连接，表示候选边集合，表示负样本节点，表示概率分布，表示负样本的数量，表示数学期望。
39、本发明实施例还提供了一种基于演化结构表示学习的电网设备故障预测系统，该系统用于实现上述所述的基于演化结构表示学习的电网设备故障预测方法，具体包括：
40、数据采集与划分模块，用于采集电网设备故障数据，根据采集的电网设备故障数据构建数据集，并将数据集划分为训练集和测试集；
41、模型构建模块，用于构建演化结构注意网络模型，所述演化结构注意网络模型包括显著性演化结构采样模块、相对结构信息编码以及结构信息增强的节点嵌入编码器；
42、所述显著性演化结构采样模块，用于根据电网设备故障数据构建候选边集合，并基于构建的候选边集合，根据边引起的冯诺依曼熵变化采样出具有显著性的边，得到采样后的候选边集合；
43、所述相对结构信息编码，用于分析网络结构变化中的相对差异，为消息传递表示引入更多细节和深度，增强模型对网络动态拓扑特性的理解和捕捉能力；
44、所述结构信息增强的节点嵌入编码器，用于基于显著性演化结构采样模块采样后的候选边集合，结合时间编码与相对结构信息编码，生成融合演化结构信息的节点表示；
45、模型训练模块，用于使用训练集对演化结构注意网络模型进行训练，得到训练好的演化结构注意网络模型；
46、模型评估模块，用于根据电网设备故障预测任务的特点，选择合适的评估指标，使用测试集对训练好的演化结构注意网络模型进行评估，计算各项评估指标的值。
47、本发明实施例还提供了一种电子设备，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的基于演化结构表示学习的电网设备故障预测方法。
48、本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的基于演化结构表示学习的电网设备故障预测方法。
49、从以上技术方案可以看出，本发明申请具有以下有益效果：
50、（1）高效捕捉动态演化特征：通过引入基于冯诺依曼熵的显著性演化结构采样模块，本发明能够高效地识别电网设备故障数据中的关键结构变化，优先处理显著性高的边。这种方法不仅降低了计算复杂度，还显著提升了模型在捕捉动态网络演化特征方面的能力，使得故障预测更加精准。
51、（2）增强的结构信息表征：利用相对结构信息编码技术，本发明在消息传递过程中引入了更多关于网络结构变化的细节和深度信息。这种增强的结构信息表征方法，使得模型能够更深入地理解电网设备故障数据的动态拓扑特性，从而提高故障预测的准确性和鲁棒性。
52、（3）广泛的适用性和高效性：通过在不同数据集上的实验验证，本发明证明了其在长期演化网络中的通用性和高效性。与多个先进的基线模型相比，本发明在电网设备故障预测任务中展现出显著优势，具有广泛的应用前景和较高的实用价值。
1.一种基于演化结构表示学习的电网设备故障预测方法，其特征在于，包括：
2.根据权利要求1所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述根据电网设备故障数据构建候选边集合，具体包括：
3.根据权利要求1所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述基于构建的候选边集合，根据边引起的冯诺依曼熵变化采样出具有显著性的边，得到采样后的候选边集合，具体包括：
4.根据权利要求3所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述计算每条边对冯诺依曼熵变化的贡献量的方法为：
5.根据权利要求1所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述基于显著性演化结构采样模块采样后的候选边集合，结合时间编码与相对结构信息编码，生成融合演化结构信息的节点表示，具体包括：
6.根据权利要求5所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述演化结构注意网络模型在解码阶段，通过得分函数来预测在查询时间戳时节点和之间链接的概率：
7.根据权利要求1所述的基于演化结构表示学习的电网设备故障预测方法，其特征在于，所述使用训练集对演化结构注意网络模型进行训练，为了有效地训练结构信息增强的节点嵌入编码器，设计了训练损失函数，其表示如下：
8.一种基于演化结构表示学习的电网设备故障预测系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的基于演化结构表示学习的电网设备故障预测方法，具体包括：
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的基于演化结构表示学习的电网设备故障预测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的基于演化结构表示学习的电网设备故障预测方法。
