一种有载分接开关油中溶解气体异常检测方法
本发明属于电力设备状态监测与异常检测,具体涉及一种有载分接开关油中溶解气体异常检测方法。
背景技术:
1、有载分接开关(on-load tap changer,oltc)是变压器在线调压的关键部件,其运行状态直接影响设备安全与电力系统稳定。长期复杂工况下,oltc故障风险不断增加。油中溶解气体分析(dissolved gas analysis,dga)是oltc状态监测的重要手段,通过分析绝缘油在热应力与电应力作用下产生的特征气体浓度及其变化趋势,实现对设备运行状态的间接评估。
2、oltc dga数据具有以下特点:(1)时序非平稳性——气体浓度变化受到历史运行过程的持续影响;(2)多气体耦合性——多种气体之间受到负载水平、运行环境和设备老化状态的共同作用;(3)异常渐进演化性——故障信号以渐进方式累积,早期异常幅值较低,容易被正常波动掩盖。
3、传统规则方法依赖固定阈值,难以刻画非线性耦合关系;统计分析方法依赖线性假设,难以表征时序依赖关系;现有深度学习方法侧重单一维度信息建模,关键演化阶段信息容易在全局判别过程中被弱化,从而影响模型对早期异常的识别能力。
4、尽管现有扩散模型在无监督建模和复杂分布刻画方面具有优势,但在oltc在线dga异常检测场景中仍存在适配性不足。一方面,部分扩散异常检测方法采用卷积网络或transformer作为去噪网络骨干,虽能够提取局部特征或全局依赖关系,但通常缺少对oltc-dga异常渐进演化阶段差异的显式建模,容易使临近故障阶段的弱异常信息在全局重构过程中被稀释。另一方面,多数方法采用全序列重构误差或全局异常评分作为判别依据,难以突出序列末端逐步显现的关键异常变化,从而影响模型对早期异常和渐进性异常的检测灵敏度。此外,当采用完整多步反向采样过程时,扩散模型通常具有较高计算开销,可能限制其在在线监测场景中的部署应用。
技术实现思路
1、本发明要解决的技术问题:针对现有技术的上述问题,提供一种oltc油中溶解气体无监督异常检测方法,在保留扩散模型扰动建模优势的基础上,构建更适用于dga时序数据的扩散时间步条件重构机制,并设计能够突出关键演化阶段信息的异常判别机制。
2、为了解决上述技术问题,本发明采用的技术方案为:
3、一种有载分接开关油中溶解气体异常检测方法,包括以下步骤:
4、获取正常工况有载分接开关的油中溶解气体分析时序数据,进行前向扩散生成所述油中溶解气体分析时序数据在扩散时间步下的带噪样本;
5、使用所述带噪样本训练有载分接开关油中溶解气体异常检测模型,所述有载分接开关油中溶解气体异常检测模型采用多层lstm编码器对油中溶解气体分析时序数据进行时序特征编码,提取隐藏状态序列;然后通过自注意力机制对所述隐藏状态序列进行上下文增强,获得包含跨变量关联信息的表征序列;再采用多阶段自适应加权策略对所述表征序列进行结构化加权聚合,生成序列级表示;最后将序列级表示与所述扩散时间步的时间步条件向量的拼接结果输入mlp解码器,得到油中溶解气体分析时序数据的重构样本;
6、获取有载分接开关的油中溶解气体分析时序数据的测试样本,将测试样本输入训练好的有载分接开关油中溶解气体异常检测模型,得到对应的重构样本,计算测试样本与对应重构样本的重构误差,若重构误差大于或等于预设阈值,则测试样本的有载分接开关为异常工况。
7、进一步的,进行前向扩散生成所述油中溶解气体分析时序数据在扩散时间步下的带噪样本时,具体是随机采样扩散时间步,并在对应噪声强度下对所述油中溶解气体分析时序数据施加高斯扰动,得到带噪样本
xt,数学表达式如下:
8、
9、其中,是原始油中溶解气体分析时序数据,为标准高斯噪声,为累积信号保留系数,数学表达式如下:
10、
11、
12、其中,是第i个扩散时间步的单步信号保留系数,是第
t个扩散时间步的单步信号保留系数,是第
t个扩散时间步对应的噪声方差。
13、进一步的,采用多阶段自适应加权策略对所述表征序列进行结构化加权聚合,生成序列级表示时,具体包括:
14、对所述表征序列的不同部分分别赋予差异化的分段权重;
15、将所述表征序列中的特征按照所属区间位置分配对应的分段权重;
16、将所述表征序列中各特征的分段权重进行归一化处理,数学表达式如下:
17、
18、其中,为所述表征序列中第t个特征归一化后的权重,为所述表征序列中第t个特征对应的分段权重,为所述表征序列中第i个特征对应的分段权重,为防止分母为零的极小常数;
19、使用归一化后的权重对所述表征序列中各特征加权聚合,得到序列级表示,数学表达式如下:
20、
21、其中,为所述表征序列中第t个特征。
22、进一步的,对所述表征序列的不同部分分别赋予差异化的分段权重时,具体是为所述表征序列的各分段分别定义对应的可训练标量参数,然后对各可训练标量参数通过softplus映射得到各分段对应的权重系数。
23、进一步的,所述扩散时间步的时间步条件向量的数学表达式如下:
24、
25、其中,表示嵌入操作。
26、进一步的,油中溶解气体分析时序数据的重构样本的数学表达式如下:
27、
28、其中,表示mlp解码器,表示序列级表示
z与时间步条件向量的拼接结果。
29、进一步的,所述有载分接开关油中溶解气体异常检测模型训练时的损失函数如下:
30、
31、其中,为平衡系数,为重构损失,为顺序约束正则项。
32、进一步的,重构损失的数学表达式如下:
33、
34、其中,e表示期望,为油中溶解气体分析时序数据的重构样本,为油中溶解气体分析时序数据的原始样本;
35、顺序约束正则项的数学表达式如下:
36、
37、其中,、、分别为所述表征序列的前段、中段和后段对应的权重系数。
38、进一步的,计算测试样本与对应重构样本的重构误差时,具体是计算测试样本与对应重构样本的均方误差或交叉熵或l1 损失。
39、进一步的,获取正常运行状态下有载分接开关的油中溶解气体分析时序数据之前,还包括:采用滑动窗口方法获取固定长度的有载分接开关的油中溶解气体的时间序列样本,进行数值清洗和标准化之后,将剩余样本标记为正常工况样本或异常工况样本。
40、与现有技术相比,本发明的优点在于:
41、本发明利用多层lstm提取气体浓度序列中的时序依赖特征,通过自注意力机制增强上下文关系表征,并采用多阶段自适应加权策略突出关键演化阶段的特征贡献。在此基础上,本发明通过扩散条件下的带噪重构机制学习正常运行状态的数据分布,并以重构误差作为异常判别依据。该方法能够在无异常标签参与训练的条件下,增强模型对oltc dga渐进性异常的表征能力,并为异常状态识别提供有效判别依据。
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