融合数字孪生模型的油浸式变压器故障诊断方法及系统与流程
本申请属于故障诊断领域,尤其涉及一种融合数字孪生模型的油浸式变压器故障诊断方法及系统。
背景技术:
1、油浸式变压器作为电力系统中的关键枢纽设备,其运行状态直接关系到电网运行的安全性与稳定性。随着智能监测技术的发展,数据驱动的变压器故障诊断方法已得到较为广泛的应用。
2、然而,受现场运行环境复杂、故障样本数量有限以及故障演化过程隐蔽等因素影响,仅依靠单一维度的监测数据,难以全面表征变压器内部潜伏性故障的动态演化规律。
3、数字孪生技术被引入变压器状态评估领域后,能够在虚拟空间中构建与实体相映射的仿真模型,生成表征变压器理论运行状态的孪生仿真数据,并与实际监测数据协同分析,从而拓宽故障诊断的信息来源,提升设备异常状态的感知能力。
4、现有虚实交互融合方法大多停留在监测数据与仿真数据的简单拼接或浅层比对层面,难以深入解析二者在时间序列相位差及幅值响应关系上的细粒度域间偏差信息。同时,变压器长期服役过程中内部参数会随工况变化和绝缘老化逐渐漂移,现有数字孪生模型通常缺乏可靠的自监督校正与闭环迭代机制,无法基于历史状态特征对当前重构误差进行自主反馈调节,容易造成孪生模型与实体运行轨迹逐步脱节,使仿真特征失去稳定参考价值,进而降低故障辨识特征对真实劣化状态的表征能力和诊断结果的准确性。
技术实现思路
1、为了提升数字孪生油浸式变压器故障诊断的精度与模型长期适配能力,本发明提供了一种融合数字孪生模型的油浸式变压器故障诊断方法及系统。
2、根据本发明的第一方面,提供了一种融合数字孪生模型的油浸式变压器故障诊断方法,包括以下步骤:
3、获取油浸式变压器的运行监测数据,输入数字孪生模型得到孪生仿真数据序列;构建滑动时窗内所述运行监测数据与所述孪生仿真数据序列的相位偏差阵列与幅值比值矩阵,利用所述幅值比值矩阵对所述相位偏差阵列进行投影变换得到域间偏差特征向量;
4、获取上一滑动时窗的统计参数并映射为掩码概率,基于所述掩码概率对所述域间偏差特征向量执行掩码处理,输入自监督特征重构网络计算重构损失值;利用当前滑动时窗内所述域间偏差特征向量的统计参数对所述重构损失值进行缩放得到反馈校正标量,保留当前统计参数传递至下一滑动时窗;
5、基于所述反馈校正标量判断是否更新所述数字孪生模型的状态矩阵,获取状态变更强度因子与更新后的孪生重构特征;利用所述状态变更强度因子对所述更新后的孪生重构特征进行缩放,与所述域间偏差特征向量融合构建故障辨识特征张量;将所述故障辨识特征张量输入分类映射网络,输出油浸式变压器的故障诊断结果。
6、根据本发明的第二方面,提供了一种融合数字孪生模型的油浸式变压器故障诊断系统,包括以下模块:
7、构建模块,用于获取油浸式变压器的运行监测数据,输入数字孪生模型得到孪生仿真数据序列;构建滑动时窗内所述运行监测数据与所述孪生仿真数据序列的相位偏差阵列与幅值比值矩阵,利用所述幅值比值矩阵对所述相位偏差阵列进行投影变换得到域间偏差特征向量;
8、计算模块,用于获取上一滑动时窗的统计参数并映射为掩码概率,基于所述掩码概率对所述域间偏差特征向量执行掩码处理,输入自监督特征重构网络计算重构损失值;利用当前滑动时窗内所述域间偏差特征向量的统计参数对所述重构损失值进行缩放得到反馈校正标量,保留当前统计参数传递至下一滑动时窗;
9、输出模块,用于基于所述反馈校正标量判断是否更新所述数字孪生模型的状态矩阵,获取状态变更强度因子与更新后的孪生重构特征;利用所述状态变更强度因子对所述更新后的孪生重构特征进行缩放,与所述域间偏差特征向量融合构建故障辨识特征张量;将所述故障辨识特征张量输入分类映射网络,输出油浸式变压器的故障诊断结果。
10、本发明深入挖掘了油浸式变压器实体与数字孪生模型之间的域间差异信息,通过构建相位偏差阵列和幅值比值矩阵并进行投影变换,提高了域间偏差特征的提取精度。利用时序参数传递机制生成掩码概率,结合自监督特征重构网络计算重构损失,并经缩放处理得到反馈校正标量,减少了对大量人工标注故障样本的依赖,实现了对模型运行偏差的量化表征。基于所述反馈校正标量对孪生模型状态矩阵的更新进行动态控制,并将状态变更强度因子、更新后的孪生重构特征与域间偏差特征进行融合,构建具有较强表达能力的故障辨识特征张量。由此提高数字孪生模型与真实设备状态之间的同步性,并提升油浸式变压器故障诊断的准确性和稳定性。
1.一种融合数字孪生模型的油浸式变压器故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述构建滑动时窗内所述运行监测数据与所述孪生仿真数据序列的相位偏差阵列与幅值比值矩阵,利用所述幅值比值矩阵对所述相位偏差阵列进行投影变换得到域间偏差特征向量,包括:
3.根据权利要求1或2所述的方法,其特征在于,所述获取上一滑动时窗的统计参数并映射为掩码概率,基于所述掩码概率对所述域间偏差特征向量执行掩码处理,输入自监督特征重构网络计算重构损失值,包括:
4.根据权利要求1所述的方法,其特征在于,所述利用当前滑动时窗内所述域间偏差特征向量的统计参数对所述重构损失值进行缩放得到反馈校正标量,保留当前统计参数传递至下一滑动时窗,包括:
5.根据权利要求1所述的方法,其特征在于,所述基于所述反馈校正标量判断是否更新所述数字孪生模型的状态矩阵,获取状态变更强度因子与更新后的孪生重构特征,包括:
6.根据权利要求1或5所述的方法,其特征在于,所述利用所述状态变更强度因子对所述更新后的孪生重构特征进行缩放,与所述域间偏差特征向量融合构建故障辨识特征张量,包括:
7.根据权利要求1所述的方法,其特征在于,所述将所述故障辨识特征张量输入分类映射网络,输出油浸式变压器的故障诊断结果,包括:
8.一种融合数字孪生模型的油浸式变压器故障诊断系统,其特征在于,包括以下模块:
9.根据权利要求8所述的系统,其特征在于,所述构建滑动时窗内所述运行监测数据与所述孪生仿真数据序列的相位偏差阵列与幅值比值矩阵,利用所述幅值比值矩阵对所述相位偏差阵列进行投影变换得到域间偏差特征向量,包括:
10.根据权利要求8所述的系统,其特征在于,所述获取上一滑动时窗的统计参数并映射为掩码概率,基于所述掩码概率对所述域间偏差特征向量执行掩码处理,输入自监督特征重构网络计算重构损失值,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com