一种基于动态源间加权与时序因果增强的智能诊断方法与流程

本发明属于电力自动化与机器学习领域，具体涉及一种基于动态源间加权与时序因果增强的智能诊断方法。

背景技术：

1、铁路供电系统是电气化铁路的核心基础设施，断路器是系统中承担正常操作与故障隔离的关键设备，其操作状态的准确判别是调度运行的重要环节。在实际运行中，断路器操作涉及多种复杂场景，包括调度远方操作、现场就地操作、保护装置自动跳闸以及隐蔽性极强的开关偷跳现象。

2、随着铁路供电系统规模的不断扩大和自动化程度的持续提升，调度运行人员面临着海量告警信息的处理压力，需要在复杂多变的信号环境中快速、准确地判断断路器操作性质。传统的监测手段主要依赖scada系统单一信号或操作命令的日志记录，这类方法将断路器操作简化为离散的状态变化事件，忽视了操作过程中丰富的时序信息和多源信号间的内在关联。现有技术在处理断路器操作诊断时，在复杂多变的信号环境中，存在以下缺陷：

3、1.多源数据质量不可控：现有方法多采用简单拼接或固定权重融合策略，无法根据各信号源的实时质量动态调整融合权重，当scada信号出现抖动或操作日志记录缺失时，固定权重方法会将低质量信息强行融入诊断依据，导致诊断结果置信度下降。

4、2.多源信息难以精确对齐：不同系统间的通信延迟和时钟偏差导致多源信息难以精确对齐，现有技术普遍采用硬对齐策略，即通过最近邻匹配将低频日志事件强制对齐到高频时间轴，这种简单粗暴的处理方式会引入高达数百毫秒的对齐误差，在操作命令与位置变化时间窗口紧密耦合的场景下，极易造成因果倒置的误诊断。

5、3.传统诊断方法仅关注信号的相关性而非因果性：现有方法缺乏对断路器操作物理因果规律的建模能力，只能通过模式匹配识别已知故障类型，对于开关偷跳这类无命令有动作的隐蔽故障缺乏有效的检测机制，导致该故障类型长期处于监测盲区。

6、因此，亟须一种能够动态调整源间注意力、时序软对齐、增强因果约束，能够适应复杂多变信号来源的智能诊断方法。

技术实现思路

1、发明目的：针对现有断路器报警中信号源可靠性动态变化、时序不同步、因果关系隐匿的诊断分析问题，本发明提供一种基于动态源间加权与时序因果增强的智能诊断方法。

2、为了实现上述目的，本发明所采用的技术方案为：一种基于动态源间加权与时序因果增强的智能诊断方法，述方法通过源间注意力动态调整模块、时序软对齐模块、因果感知约束模块三重融合网络以及智能诊断模块实现，具体包括以下步骤：

3、步骤1：将与断路器报警相关的各种高频信号源，如遥控遥信时序信号、重合闸状态信号，输入源间注意力动态调整模块，基于信号源先验权重、当前断路器分合闸操作阶段和实时信号质量，计算各信号源的动态融合权重，并对多源特征进行加权求和，输出初步融合特征序列。

4、步骤2：将步骤1所述初步融合特征序列与低频操作日志信号，输入时序软对齐模块，提取高频融合特征的时间戳序列，计算其与相邻低频日志事件的时间差，形成时序偏移特征向量，通过可学习的偏移估计网络生成一个概率分布，对低频日志特征进行软对齐，将低频特征插值到高频时间轴，输出时序对齐后的增强特征序列。

5、步骤3：将步骤2所述时序对齐增强特征序列输入因果感知约束模块，该模块构建了可学习的断路器操作因果模式库，包含断路器多种标准操作因果链，根据当前操作阶段，从因果模式库中选择对应的因果模式作为引导模板，对输入的时序对齐增强特征进行因果增强，计算因果违反分数，输出因果增强特征序列与因果违反分数。

6、步骤4：将步骤3所述因果增强特征序列与因果违反分数输入智能诊断模块，输出诊断结论。

7、进一步地，所述步骤1源间注意力动态调整模块的执行过程如下：

8、步骤101：对遥控遥信时序信号、重合闸状态信号等高频信号源分别提取时序特征向量，构建多源特征矩阵，基于断路器操作中各信号源的固有特性设定各信号源先验权重，

9、优选地，可以设定各信号源先验权重为：

10、

11、步骤102：定义操作阶段集合集合：

12、

13、定义场景调制函数，用于根据操作阶段调整各信号源的权重偏好，

14、

15、其中，是信号源在阶段的基础偏好函数，是阶段的中心时刻，是阶段的时间跨度参数，

16、优选地，可以设定基础偏好函数为：

17、

18、其中，行顺序：断路器遥控信号、断路器遥信信号、重合闸信号、事故总信号，列顺序：分闸前阶段、分闸中阶段、分闸后阶段、合闸前阶段、合闸中阶段、合闸后阶段。断路器遥控信号、断路器遥信信号在分合闸过程中变化最剧烈，权重应提高。重合闸仅在合闸阶段可能启动，在合闸阶段提高其权重。事故总可能导致断路器分闸，在分闸阶段提高其权重。

19、步骤103：定义信号质量，可以根据断路器遥控信号、断路器遥信信号、重合闸信号、事故总信号的抖动程度和数据缺失点数计算得出，

20、

21、其中，为单位时间内抖动次数，为预设的抖动次数最大允许值，为数据缺失点数，为预期数据采集点数。

22、定义质量调制函数用于根据实时信号质量动态调整权重，

23、

24、其中，为灵敏度系数，为参考质量阈值。

25、优选地，可以取，。

26、通过调制，实时信号质量动态调整权重输出呈现s型曲线，质量变化更加平滑。

27、步骤104：计算各信号源的动态融合权重为：

28、

29、步骤105：根据所述动态融合权重对各信号源的特征进行加权求和，得到初步融合特征序列。

30、进一步地，所述步骤2时序软对齐模块的执行过程如下：

31、步骤201：对于每个高频采样时刻，确定其前后最近的低频事件时刻和，计算时序偏移特征序列：

32、

33、步骤202：将初步融合特征序列、时序偏移特征以及scada信号权重、日志信号权重动态权重输入可学习的偏移估计网络，输出偏移概率分布：

34、

35、其中softmax函数为概率归一化函数，为偏移估计网络的学习参数，当高时，偏移分布更集中在scada信号时间戳附近；当高时，偏移分布可能向日志事件时间偏移。

36、步骤203：对于每个可能的偏移量，需要将日志事件特征插值到高频时间轴上，将低频日志特征映射到目标时刻，实现软对齐融合，得到时间软对齐增强后的特征序列：

37、

38、其中，为插值函数，为时序偏移量。

39、日志特征对融合的贡献大小，由日志权重决定。当日志信号质量差时，即使偏移概率分布很集中，其对最终特征的贡献也会被抑制，避免低质量信息污染融合结果。

40、步骤204：对融合结果进行非线性增强，

41、

42、其中，为可学习的融合网络，用于特征增强。

43、进一步地，所述步骤3因果感知约束模块的执行过程如下：

44、步骤301：构建可学习的因果模式库：

45、，

46、每个模式编码对应一类标准操作因果链，根据当前操作阶段，从模式库中选择对应的模式子集，得到适合当前阶段的模式嵌入向量；

47、步骤302：将时间软对齐增强后的特征序列函数与因果模式进行匹配，匹配度高的特征被增强，匹配度低的特征被抑制，得到因果感知约束后增强的特征值：

48、，

49、其中，为匹配函数，用于计算时序特征与因果模式的相似度，为可学习的增强系数。

50、步骤303：比较因果增强后特征的差异，差异越大，说明信号越不符合因果约束，计算因果违反分数：

51、，

52、其中为因果增强后的特征差值，为可学习的因果违反检测网络，为归一化函数。，分数越高表示越违反因果规律。

53、进一步地，所述步骤4智能诊断模块的执行过程如下：

54、步骤401：构建多任务分类决策网络，输入为因果增强特征和因果违反分数，输出断路器操作方式、动作性质、置信度估计，判断是否存在无命令但有位置变化的因果违反现象，如开关偷跳。

55、所述操作方式包括远方和就地两种操作方式，动作性质包括分闸、合闸和重合闸，置信度根据输入的违反分数计算得出；违反分数接近0，因果增强前后特征差值小，说明信号符合因果规律，违反分数接近1，因果增强前后特征差值大，说明信号违反因果规律，根据违反分数，判断是否存在无命令但有位置变化的因果违反现象。

56、有益效果：本发明提出的基于动态源间加权与时序因果增强的智能诊断方法，通过动态源间加权、时序对齐、因果约束三重融合网络，实现了信号源复杂情况下的智能诊断分析。

57、通过源间注意力动态调整模块，实现多种信号源之间可靠性权重的动态分配，解决了因为信号抖动或者日志缺失而导致的信号源不可靠问题。

58、通过时序软对齐模块实现低频信号特征对高频信号特征的软对齐与插值，解决不同信号源因为通信延迟和时钟偏差导致的时序对齐难题。

59、通过因果感知约束模块进行可学习的因果模式库和因果违反识别，解决无命令有动作这类隐蔽故障难以检测的弊端。

60、通过动态源间加权、时序对齐、因果约束三重融合网络，本方法可以针对信号源可靠性动态变化、时序不同步、因果关系隐匿情况进行高效准确的诊断分析，有效识别断路器异常行为，如“开关偷跳”。