图与Transformer融合架构用于变压器健康预测：基于耦合热-振动动力学的实时异常检测

《Electric Power Systems Research》：Graph–Transformer fusion for predictive transformer health: real-time anomaly detection via coupled thermal–vibration dynamics

　　

•提出 VTGT：一种融合热 - 振动数据的物理信息嵌入图 Transformer。
•实现 98.1% 的准确率、0.978 的 F1 分数和 0.992 的 AUC-PR，比 GATv2 高出最多 4.6 个 F1 点。
•在传感器噪声、环境变化及 30% 负载波动下，保持 F1 分数高于 0.95。
•预测剩余使用寿命的 RMSE 为 89 小时，比数字孪生模型好 33.6%。
•在 2.1 MB 的边缘模型上运行时间为 28 毫秒，支持实时现场部署。

引言
电力变压器是当今电力网络中最昂贵且最重要的设备之一。单台在役大型油浸式变压器故障可能导致级联停电，给公用事业带来数百万美元的更换和罚款成本，极端情况下甚至导致区域大停电。行业经验研究表明，变压器故障大多由两种退化因素的共同作用引起：热应力（导致纤维素绝缘去聚合）和机械应力（表现为绕组松动、铁芯松动和套管缺陷）。特别是，这些机制相互关联，振动引起的微裂纹改变了局部热传递路径，而增加的热梯度导致柔软度增加，从而进一步增大了夹紧件/结构的振动幅度。然而，过去这两种现象一直是被分开研究的，大多数诊断研究集中在诊断实践上。

传统的状态监测方法，如定期离线检查、基于阈值的油温报警、局部放电（PD）测试和溶解气体分析（DGA），都被证明是有价值的，但本质上是“被动式”方法。它们以粗粒度的迭代步骤检查资产状况，依赖人工调整的阈值，无法映射退化的多变根源，尤其是热热点与振动引起的机械应变之间的协同作用。随着提供连续高速多模态传感且现已在经济上可行的工业物联网（IIoT）生态系统的出现，实证研究表明，利用此类传感流进行预测分析可以显著减少意外停机时间。然而，数据是高维且非欧几里得的 - 相邻数据可能是热像素、振动频谱或 SCADA 通道，但不一定呈网格状分布。卷积神经网络（CNN）和其他架构，如长短期记忆（LSTM）网络等循环网络，在这种模式下无法高效使用，因为它们无法学习传感器之间的拓扑结构或长程时间交互。

经济和社会的影响使这些技术要求更加紧迫。大型电力变压器的采购周期从 12 到 24 个月不等，如果发生非计划故障，损失可能因负载转移、变电站调动、限电等因素而加剧，从而导致进一步的直接资产成本、未供电能罚款以及声誉成本。随着电气化和可再生能源的同步加速开始推动更多的负载多样性和增加的负载，许多已安装设备正达到或超过其设计寿命。这导致了公用事业决策所需的精度水平与公用事业监测系统提供的测量值之间的不匹配日益增加。大多数时候，这不是一个传感问题，因为廉价且无处不在的传感器已经可以普及；这是一个推理问题，即需要从复杂的耦合多模态数据流中提取早期、可靠且可解释的故障证据。这就是本文研究的主题。

两类架构家族各自孤立地处理每一个差距。虽然图神经网络（GNN）可以在图边上传播信息，从而擅长保持拓扑结构，但深层 GNN 堆栈会经历过度平滑和过度压缩，并且只能建模有限的时间上下文。另一方面，普通的自注意力机制不考虑图结构，且复杂度为长度的平方，这对于大型 IIoT 部署来说不是一个理想的特性。最近的图 - Transformer 混合体，以 GraphGPS 家族为代表，结合了图神经网络的局部敏感归纳偏差和 Transformer 的表达力，克服了广泛使用的 1-维斯费勒 - 莱曼（1-WL）测试的一些表达力障碍。在 IIoT 异常检测的部署中，已报告了 0.89 到 0.99 的精确率 - 召回率 AUC 和低于 50 毫秒的低推理延迟，它们在边缘设备上可以有效运行。这些结果鼓励了本文的主要观点；即电力变压器的耦合热 - 振动动力学可以通过图和 Transformer 的混合体更好地建模，而不是单独的图或 Transformer 模型，这对早期且可靠的异常检测非常有效。

在本文中，我们提出了一个名为 GraphTransHealth 的预测性健康监测框架，其核心实体是振动 - 热图 Transformer（VTGT）。该结构包括 3 个协调的元素：首先，一个异构 GNN 骨干从实时热流和振动流构建多视图图，每个节点代表一个红外热像素、快速傅里叶变换（FFT）的振动频谱，以及一些来自 SCADA 系统的辅助信息通道（DGA 读数和高油温），分别应用不同的物理启发算子来提供边权重。其次，一个因果双向 Transformer 编码器，通过拉普拉斯位置编码和频域令牌进行增强，学习故障传播序列上的因果推理，例如从振动引起的局部放电到热爆。第三，一个互赖动力学模块使用变分图自编码器（VGAE）产生无监督的报警级别异常分数和反事实报警，在亚秒级上逐报警地阐明每个报警。

本研究旨在满足智能电网更接近电气化和可持续发展的需求，以实现以下目标：
1.设计并验证 VTGT 模型，在基准测试以及经过消融研究验证的专有变压器故障语料库（涵盖图深度、注意力头数和融合方案）上，实现超过 98% 的实时变压器故障异常检测准确率。
2.将模型部署在资源受限的边缘 IIoT 硬件上，并将推理延迟保持在 50 毫秒以下，联邦学习被确定为应对时变电网负载带来的数据漂移的机制。
3.提供可解释的异常归因，使用基于 SHAP 和注意力的解释来区分振动主导和热主导的故障状况，这可以提升操作人员的信任并遵循 IEEE 关于可靠性的指导。
4.建立耦合动力学基准测试，并量化热 - 振动交互建模对检测质量以及剩余使用寿命（RUL）预测的贡献。

本文有 4 个主要贡献：首先，我们提出了 VTGT 架构，这是第一个用于监测电力变压器的物理信息嵌入图 - Transformer 混合模型，通过明确合并热传导和振动波动力学来生成边权重。对于 GNN，基于大多数视频（长）理解任务中忽略局部特征的论点，我们提出了一个交叉注意力融合门，可能将局部聚合的 GNN 特征融合到全局注意的时间令牌中，消融后提供 0.8-1.2 点的 AUC-PR 提升。(iii) 我们展示了边缘端的实时部署：剪枝和 INT8 量化后的模型占用 2.1 MB，在英伟达 Jetson 平台上推理时间为 28 毫秒，保持了 99% 的全精度准确率。(iv) 我们提供了一项全面评估（对噪声、环境变化、负载波动等的鲁棒性），统计显著性测试，可解释性分析以及与数字孪生基线相结合的背景中 RUL 预测，推动 VTGT 走向符合工业 5.0 标准的自主变压器车队维护。

本文其余部分结构如下。第 2 节总结了关于变压器状态监测、深度学习诊断以及基于图和 Transformer 的 Transformer 嵌入混合体的现有研究。第 3 节包含所提出的方法论。第 4 节描述了实验设置、数据集和评估协议。第 5 节呈现并讨论了结果，第 6 节给出了进一步研究的方向。

部分摘录
传统变压器状态监测
变压器以各种方式进行监测和诊断
电力变压器的经典状态监测技术基于溶解气体分析（DGA）、局部放电测量和基于阈值的热检查分析。尽管使用绝缘油进行 DGA 已经存在多年，但大多数行业解释方案仍基于 DGA，包括 Duval 三角形[[1], [2], [3], [4]]，它通过观察气体特征来检测初始电气和热故障。一系列
系统概述
所提出的 GraphTransHealth 框架由五个步骤组成：(i) 多模态数据采集和窗口化；(ii) 无监督异构图构建，其中基于物理学的边根据物理规律分配权重；(iii) 负责局部结构编码的 GNN 骨干网络。(iv) 基于 Transformer 架构并纳入交叉注意力机制的函数图编码器网络，用于全局时间推理，以及 (v) 两个输出头，
数据集
有三个数据源。(i) IEEE TB-2024 变压器故障语料库 – 来自 220 kV 油浸式变压器的 50,000 个多传感器时间序列，标记为 6 种变压器故障类别。(iv) 增强的 CIGRE A2/D1 热 - 机械仿真加上 20% 的合成非平稳噪声（SNR = 15 dB），代表变电站中的电磁噪声。(iii) 作者在受控过载下进行的 3801 次测试中收集的专有加速老化数据集，
总体检测性能
主要比较见表 2。完整 VTGT 模型的最终整体故障分类准确率为 98.1%，在保留测试集上的 F1 分数为 0.978，精确率为 98.2%，召回率为 97.4%，AUC-PR 为 0.992。这比最强的传统基线（CNN – LSTM，F1 = 0.951）好 2.7 个 F1 点，比纯 GNN 模型（GATv2，F1 = 0.932）好 4.6 点。通过五折方差分析（ANOVA）获得的 p < 0.001 值，证实了 VTGT

资助
本研究未收到公共、商业或非营利部门的任何专门资助。
CRediT 作者贡献声明
Balasubramanian Swaminathan：项目管理，方法论，调查，概念化。Parasuraman Manikandan：资源，资金获取，数据整理。P. Renukadevi：验证，软件，方法论。Narayanasami Satheesh：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，形式分析，数据整理，概念化。
Balasubramanian Swaminathan|Parasuraman Manikandan|P. Renukadevi|Narayanasami Satheesh