一种电能计量箱早期故障预警方法、系统及存储介质与流程

摘要: 本技术属于电能计量箱领域,尤其涉及一种电能计量箱早期故障预警方法、系统及存储介质。背景技术:1、电能计量箱作为智能电网末端信息采集与电能分配的重要设备,其运行状...
一种电能计量箱早期故障预警方法、系统及存储介质与流程

本技术属于电能计量箱领域,尤其涉及一种电能计量箱早期故障预警方法、系统及存储介质。

背景技术:

1、电能计量箱作为智能电网末端信息采集与电能分配的重要设备,其运行状态直接关系到电网系统的安全稳定和电力计量结果的准确性。由于电能计量箱通常长期处于户外或复杂运行环境中,容易受到环境应力、设备老化、接触松动以及负荷波动等因素影响而产生异常状态。若不能在故障早期对异常趋势进行识别和预警,可能造成计量异常、设备停运,甚至带来一定的安全风险。随着智能监测技术的发展,电能计量箱运行过程中积累了大量包含温度、电压、电流、湿度等参数的多维时序监测数据,该类数据通常具有非线性、高维度和动态演化特征。传统故障预警方法多依赖人工经验进行特征提取,难以充分挖掘监测数据中隐藏的动力学变化规律;而常规深度学习模型在处理此类数据时,往往难以同时兼顾长期时间演化依赖和局部瞬态突变特征,导致全局时序规律与局部突出特征之间缺乏有效交互,在早期故障特征较弱、运行工况变化较大的情况下,预警准确性和稳定性仍有提升空间。

2、此外,现有数据驱动的故障预警方法通常依赖较大规模的高质量标注样本。然而,在实际工业应用中,电能计量箱大多数时间处于正常运行状态,真实早期故障样本数量有限,且故障状态确认和人工标注成本较高,使得实际监测数据常呈现有标签样本较少、无标签样本较多的特点。传统监督学习模型在少标签场景下容易出现过拟合,泛化能力受到限制。部分半监督学习方法虽尝试利用无标签数据参与训练,但在面对电能计量箱多维时序数据时,通常未充分利用网络内部不同特征表示之间的差异性与协同性,并且在无标签样本约束和伪标签生成过程中缺乏有效调节机制,容易受到低质量伪标签噪声影响,进而造成预测偏差累积。因此,如何有效表征非线性多维时序数据特征,建立局部特征与时序特征之间的互馈机制,并在有限标注样本条件下合理利用无标签数据完成协同训练,成为电能计量箱早期故障预警领域需要解决的重要问题。

技术实现思路

1、为了解决现有技术中难以同时表征电能计量箱多维时序数据的非线性演化规律、局部突变特征与少标签样本协同训练不足的问题,本发明提供一种电能计量箱早期故障预警方法、系统及存储介质。

2、第一方面,本发明提出了一种电能计量箱早期故障预警方法,包括如下步骤:

3、获取电能计量箱多维时序监测数据,输入参数生成网络计算相空间重构的最优时间延迟和嵌入维度,将重构的相空间轨迹矩阵拼接为多通道特征张量;

4、构建包含时序提取分支和局部识别分支的互馈网络,所述时序提取分支利用门控循环单元处理所述多通道特征张量生成时序上下文向量,所述局部识别分支利用一维卷积网络处理所述多通道特征张量生成局部突出性向量;进行双向互馈,基于所述多通道特征张量生成时序上下文向量和局部突变特征图,利用所述时序上下文向量调制所述局部突变特征图,得到局部突出性向量,并将所述局部突出性向量反馈至门控循环单元以引导其关注突变信息;

5、对所述互馈网络进行训练,训练损失包括监督损失和无标签样本的双分支协同差异约束损失,所述双分支协同差异约束损失用于约束两分支预测分布之间的差异,并根据有标签样本的平均预测不确定性确定目标约束范围;对无标签样本,当两分支预测类别一致且至少一个分支的置信度高于预设阈值时生成伪标签用于监督损失计算,将待测数据输入训练完成的互馈网络融合两分支输出得到故障预警结果。

6、可选地,所述获取电能计量箱多维时序监测数据,输入参数生成网络计算相空间重构的最优时间延迟和嵌入维度,将重构的相空间轨迹矩阵拼接为多通道特征张量,包括:

7、将当前时间窗口内的多维时序监测数据沿时间维度展平为一维数据序列;

8、将所述一维数据序列输入至由深度神经网络构成的参数生成网络,输出包含两个连续数值的预测结果;

9、分别对所述两个连续数值进行取整操作并进行边界截断,得到相空间重构所需的最优时间延迟和嵌入维度的整数参数;

10、根据所述最优时间延迟和嵌入维度,对各监测维度数据进行相空间重构,并将重构后的矩阵按通道维度拼接,生成所述多通道特征张量。

11、可选地,所述构建包含时序提取分支和局部识别分支的互馈网络,所述时序提取分支利用门控循环单元处理所述多通道特征张量生成时序上下文向量,包括:

12、将所述多通道特征张量按时间步切分为独立的数据序列;

13、先将各时间步的数据序列和前一时间步的隐藏状态输入第一门控循环单元,生成初始时序上下文向量;

14、再将局部识别分支生成的局部突出性向量经广播机制扩展后,与当前时间步的数据序列及前一时间步的隐藏状态输入第二门控循环单元,通过内部更新门和重置门计算当前时间步的候选状态,并更新当前的隐藏状态;

15、提取第二门控循环单元最后一个时间步的隐藏状态作为反馈更新后的时序上下文向量。

16、可选地,所述局部识别分支利用一维卷积网络处理所述多通道特征张量生成局部突出性向量,包括:

17、利用一维卷积核在所述多通道特征张量上进行滑动窗口卷积操作,结合偏置项生成包含局部高频突变信息的初始特征图;

18、利用非线性激活函数对所述初始特征图进行映射,将低于基准阈值的特征值置零,保留正向激活的局部特征;

19、基于时序提取分支输出的初始时序上下文向量生成通道注意力权重向量,并利用所述通道注意力权重向量对激活后的特征图进行通道调制;

20、对调制后的特征图沿时间维度执行全局池化操作,计算每个通道的特征代表值,将所有通道的特征代表值拼接得到所述局部突出性向量。

21、可选地,所述对所述互馈网络进行训练,训练损失包括监督损失和无标签样本的双分支协同差异约束损失,所述双分支协同差异约束损失用于约束两分支预测分布之间的差异,并根据有标签样本的平均预测不确定性确定目标约束范围,包括:

22、计算两个分支对同一无标签样本预测概率分布之间的散度,作为初始差异度量值;

23、计算当前训练批次中所有有标签样本预测概率的熵值均值,作为平均预测不确定性,并根据所述平均预测不确定性生成与之正相关的目标区间的中心值及上下限;

24、判断所述初始差异度量值是否超出所述目标区间的上下限,当超出边界时,计算初始差异度量值与边界的绝对误差作为惩罚项,并将所述绝对误差作为所述双分支协同差异约束损失。

25、可选地,所述对无标签样本,当两分支预测类别一致且至少一个分支的置信度高于预设阈值时生成伪标签用于监督损失计算,包括:

26、对比两个分支对无标签样本输出的预测概率分布,分别获取两者预测概率最大值对应的类别标签;

27、判断两个分支输出的类别标签是否一致;

28、若类别标签一致,则提取两个分支中最大的预测置信度,并将所述预测置信度与预设的置信度阈值进行比较;

29、若最大预测置信度大于所述预设阈值,则将所述类别标签作为所述无标签样本的高置信度伪标签,纳入有标签样本集参与后续的监督损失计算。

30、另一方面,本发明还提出了一种电能计量箱早期故障预警系统,包括如下模块:

31、拼接模块,用于获取电能计量箱多维时序监测数据,输入参数生成网络计算相空间重构的最优时间延迟和嵌入维度,将重构的相空间轨迹矩阵拼接为多通道特征张量;

32、构建模块,用于构建包含时序提取分支和局部识别分支的互馈网络,所述时序提取分支利用门控循环单元处理所述多通道特征张量生成时序上下文向量,所述局部识别分支利用一维卷积网络处理所述多通道特征张量生成局部突出性向量;进行双向互馈,基于所述多通道特征张量生成时序上下文向量和局部突变特征图,利用所述时序上下文向量调制所述局部突变特征图,得到局部突出性向量,并将所述局部突出性向量反馈至门控循环单元以引导其关注突变信息;

33、输出模块,用于对所述互馈网络进行训练,训练损失包括监督损失和无标签样本的双分支协同差异约束损失,所述双分支协同差异约束损失用于约束两分支预测分布之间的差异,并根据有标签样本的平均预测不确定性确定目标约束范围;对无标签样本,当两分支预测类别一致且至少一个分支的置信度高于预设阈值时生成伪标签用于监督损失计算,将待测数据输入训练完成的互馈网络融合两分支输出得到故障预警结果。

34、优选地,所述获取电能计量箱多维时序监测数据,输入参数生成网络计算相空间重构的最优时间延迟和嵌入维度,将重构的相空间轨迹矩阵拼接为多通道特征张量,包括:

35、将当前时间窗口内的多维时序监测数据沿时间维度展平为一维数据序列;

36、将所述一维数据序列输入至由深度神经网络构成的参数生成网络,输出包含两个连续数值的预测结果;

37、分别对所述两个连续数值进行取整操作并进行边界截断,得到相空间重构所需的最优时间延迟和嵌入维度的整数参数;

38、根据所述最优时间延迟和嵌入维度,对各监测维度数据进行相空间重构,并将重构后的矩阵按通道维度拼接,生成所述多通道特征张量。

39、优选地,所述构建包含时序提取分支和局部识别分支的互馈网络,所述时序提取分支利用门控循环单元处理所述多通道特征张量生成时序上下文向量,包括:

40、将所述多通道特征张量按时间步切分为独立的数据序列;

41、先将各时间步的数据序列和前一时间步的隐藏状态输入第一门控循环单元,生成初始时序上下文向量;

42、再将局部识别分支生成的局部突出性向量经广播机制扩展后,与当前时间步的数据序列及前一时间步的隐藏状态输入第二门控循环单元,通过内部更新门和重置门计算当前时间步的候选状态,并更新当前的隐藏状态;

43、提取第二门控循环单元最后一个时间步的隐藏状态作为反馈更新后的时序上下文向量。

44、优选地,所述局部识别分支利用一维卷积网络处理所述多通道特征张量生成局部突出性向量,包括:

45、利用一维卷积核在所述多通道特征张量上进行滑动窗口卷积操作,结合偏置项生成包含局部高频突变信息的初始特征图;

46、利用非线性激活函数对所述初始特征图进行映射,将低于基准阈值的特征值置零,保留正向激活的局部特征;

47、基于时序提取分支输出的初始时序上下文向量生成通道注意力权重向量,并利用所述通道注意力权重向量对激活后的特征图进行通道调制;

48、对调制后的特征图沿时间维度执行全局池化操作,计算每个通道的特征代表值,将所有通道的特征代表值拼接得到所述局部突出性向量。

49、优选地,所述对所述互馈网络进行训练,训练损失包括监督损失和无标签样本的双分支协同差异约束损失,所述双分支协同差异约束损失用于约束两分支预测分布之间的差异,并根据有标签样本的平均预测不确定性确定目标约束范围,包括:

50、计算两个分支对同一无标签样本预测概率分布之间的散度,作为初始差异度量值;

51、计算当前训练批次中所有有标签样本预测概率的熵值均值,作为平均预测不确定性,并根据所述平均预测不确定性生成与之正相关的目标区间的中心值及上下限;

52、判断所述初始差异度量值是否超出所述目标区间的上下限,当超出边界时,计算初始差异度量值与边界的绝对误差作为惩罚项,并将所述绝对误差作为所述双分支协同差异约束损失。

53、优选地,所述对无标签样本,当两分支预测类别一致且至少一个分支的置信度高于预设阈值时生成伪标签用于监督损失计算,包括:

54、对比两个分支对无标签样本输出的预测概率分布,分别获取两者预测概率最大值对应的类别标签;

55、判断两个分支输出的类别标签是否一致;

56、若类别标签一致,则提取两个分支中最大的预测置信度,并将所述预测置信度与预设的置信度阈值进行比较;

57、若最大预测置信度大于所述预设阈值,则将所述类别标签作为所述无标签样本的高置信度伪标签,纳入有标签样本集参与后续的监督损失计算。

58、本发明通过参数生成网络获得相空间重构参数,并据此构建多通道特征张量,表征多维监测数据中的非线性演化特征。通过门控循环单元与一维卷积网络构成双向互馈结构,使全局时序上下文与局部突出特征能够协同融合,并引导模型关注异常波动片段。在模型训练阶段,引入双分支协同差异约束损失,使目标区间与有标签样本的预测不确定性相关联,从而降低分支差异过大或特征同质化对训练稳定性的影响。同时,结合高置信度伪标签筛选策略,利用无标签样本扩充训练信息,提高模型在有限标注数据条件下的故障预警泛化能力。