一种电力监控系统中设备异常状态的智能检测方法与流程

摘要: 本发明涉及电力设备智能监控与多模态数据异常识别,尤其是一种电力监控系统中设备异常状态的智能检测方法。背景技术:1、目前,电力设备的状态监控与异常检测正向多源数据...
一种电力监控系统中设备异常状态的智能检测方法与流程

本发明涉及电力设备智能监控与多模态数据异常识别,尤其是一种电力监控系统中设备异常状态的智能检测方法。

背景技术:

1、目前,电力设备的状态监控与异常检测正向多源数据融合和智能综合判别方向发展。业内主流技术通常基于对电压、电流、温度、振动、局部放电等多模态数据的同步采集与分析,结合特征工程、统计建模及深度学习方法实现对设备异常的智能识别。在实际应用中,广泛采用的方法包括:单变量或多变量异常检测、浅层机器学习分类器(如支持向量机、随机森林)、端到端神经网络模型(如卷积神经网络、时间序列lstm)、融合加权等。这些方法多以特征拼接、注意力分配或先验知识图谱为基础进行多模态数据的关联分析和特征融合。近年,部分研究引入知识驱动模型,用于增强设备老化过程和失效机理的可解释性,但多聚焦单一模态的深度建模和判别能力提升,缺乏对多源异构信息的动态因果关联建模。

2、现有技术存在如下主要不足:多数方法输出为整体异常概率或粗粒度标签,无法量化各模态异常在总体异常判决中的贡献度,缺失可溯源、可验证的故障指向能力,不满足运维场景对透明可解释性和决策支持的实际需求。尤其是在设备老化、复合工况变化以及复杂环境干扰的典型应用场景下,单一模态监测往往对隐性异常识别能力有限,容易因信息冗余、异常分布漂移等现象导致误报、漏报。

技术实现思路

1、本申请提供一种电力监控系统中设备异常状态的智能检测方法,旨在解决上述背景技术中提到的缺失可溯源、可验证的故障指向能力,不满足运维场景对透明可解释性和决策支持的实际需求的问题。

2、本申请提供的一种电力监控系统中设备异常状态的智能检测方法,具体包括:

3、s1:获取电力设备在额定工况及老化周期内的历史运维数据,构建设备专属演化轨迹知识库;

4、s2:采集电力设备实时运行过程中的原始多模态数据流,对所述原始多模态数据流执行特征提取处理,生成实时特征向量集合;

5、s3:利用所述实时特征向量集合在设备专属演化轨迹知识库中加载出对应设备类型的参数化轨迹模板,将参数化轨迹模板实例化为动态语义锚点并进行计算得到轨迹合规性指标;

6、s4:以所述轨迹合规性指标进行节点实例化处理生成初始节点集合,对初始节点集合中的节点对进行有向边连接构建,得到动态偏差关联图;

7、s5:将所述动态偏差关联图输入至轻量图神经网络模型,输出因果贡献权重分布;

8、s6:根据所述因果贡献权重分布进行计算,得到设备综合异常概率数值;

9、s7:基于所述设备综合异常概率数值及对应的因果贡献权重分布,生成结构化归因报告,完成设备异常状态的智能检测。

10、本申请提供的一种电力监控系统中设备异常状态的智能检测方法,具有以下有益效果:

11、本申请通过参数化轨迹模板,使每类典型设备具备随状态演化的“理想健康路径”,并实时计算各模态特征向量与该路径间的幅值偏离、方向错位、演化斜率失配及跨模态协变异常等多维度偏差矢量,有效克服了传统静态阈值或黑箱模型误报率高、适应性差的缺陷,在电流突增但温升滞后等复合模式下较传统方法提前捕捉绝缘劣化迹象,大幅提升早期故障发现灵敏度;同时,通过将各模态“轨迹合规性指标”构建为动态偏差关联图,边权重由物理因果链、拓扑连接及协同偏差模式共同决定,并利用轻量图神经网络生成满足双重硬约束的因果贡献权重,限制任一模态不超其实际失配强度且在因果链条中自动增强上游主导权重、抑制下游衍生偏差,最终输出伴随结构化归因报告的异常概率,极大增强决策可信度。

1.一种电力监控系统中设备异常状态的智能检测方法,其特征在于,具体包括:

2.根据权利要求1所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述原始多模态数据流包括电压电流信号、声纹信号、局放脉冲信号以及红外图像数据中至少一种。

3.根据权利要求1所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述s1具体包括:

4.根据权利要求3所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述标准时序数据集包括电压、电流、温度、振动及局放脉冲。

5.根据权利要求3所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述参数化轨迹模板库包括演化斜率、相位差及耦合系数。

6.根据权利要求1所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述s3具体包括:

7.根据权利要求6所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述利用动态语义锚点对实时特征向量集合进行处理得到初始偏离特征集,包括:

8.根据权利要求6所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述初始偏离特征集表征单模态物理失配程度。

9.根据权利要求7所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述基于协变关系矩阵结合参数化轨迹模板进行聚合和归一化处理得到轨迹合规性指标,包括:

10.根据权利要求1所述的电力监控系统中设备异常状态的智能检测方法,其特征在于,所述轨迹合规性指标综合反映当前状态与理想路径全方位偏差。