基于AI多模态融合的高低压开关柜自适应故障诊断方法及系统与流程

本申请涉及开关柜故障诊断，具体是基于ai多模态融合的高低压开关柜自适应故障诊断方法及系统。

背景技术：

1、高低压开关柜是电力系统中数量最多、分布最广的关键设备，其运行状态直接关系电网安全。开关柜内部结构紧凑、电磁环境复杂，常见故障包括触头过热、局部放电、机械操作机构卡涩、绝缘劣化等，任一故障若未及时处置，均可能引发设备损坏甚至大面积停电事故。

2、目前，开关柜状态监测主要依赖单一类型传感器数据，如红外热像仪监测温度、超声波传感器检测局部放电、特高频传感器捕捉电磁波信号等。然而，单一模态信息难以全面反映设备真实健康状态，不同故障类型在不同模态下的表征强度各异，单一传感器极易受电磁干扰和环境噪声影响而产生误报或漏报。

3、近年来，多传感器融合技术在电力设备诊断中受到关注。现有方法多采用纯数据驱动的深度学习模型，将多源数据直接拼接后输入神经网络。然而，该方法存在两个突出问题：

4、第一，先验物理知识利用不足。纯数据驱动模型从零学习模态间的关联关系，不仅需要大量标注故障样本，还容易将环境因素导致的统计相关性（如夏季环境温度与负荷电流同步升高）误判为故障关联，导致工况变化时误报率升高。同时，模型输出可能违反焦耳定律等基本电工原理，缺乏物理一致性保障。

5、第二，诊断结果缺乏可解释性。深度学习模型本质为“黑盒”，仅输出故障标签或概率，无法提供决策依据和证据链。电力行业运维决策需严谨依据，运维人员难以信任并执行说不清理由的ai诊断建议，严重制约了技术的实际推广应用。

技术实现思路

1、有鉴于此，本申请的目的是提供基于ai多模态融合的高低压开关柜自适应故障诊断方法及系统，以解决背景技术中的问题。

2、为了实现上述目的，本申请采用了如下技术方案：

3、本申请的基于ai多模态融合的高低压开关柜自适应故障诊断方法，包括步骤：

4、获取高低压开关柜在历史运行过程中产生的多模态监测数据，其中，所述多模态监测数据包括多个历史时间点的多种监测参数的值；

5、基于分层时间戳编码对所述多模态监测数据中每种监测参数进行时序对齐，得到对齐后的多模态监测数据；

6、从所述对齐后的多模态监测数据中筛选历史故障样本数据，并基于所述历史故障样本数据构建多种故障模式与监测参数之间的因果关联矩阵，其中，所述因果关联矩阵表征了多种故障模式下，监测参数之间的因果关联关系；

7、将所述因果关联矩阵作为偏置项注入至transformer网络的多头自注意力机制，并基于所述对齐后的多模态监测数据、以及预先构建的引入物理正则化损失项的损失函数对融合因果关联矩阵的transformer网络进行训练，得到故障识别模型；

8、基于所述故障识别模型对高低压开关柜在当前运行过程中产生的多模态监测数据进行识别，得到故障识别结果；并从所述故障识别模型中提取多头自注意力权重，以及基于所述多头自注意力权重对所述故障识别结果进行根因定位，得到导致故障的根因参数。

9、本申请还提供基于ai多模态融合的高低压开关柜自适应故障诊断系统，包括：

10、获取模块，用于获取高低压开关柜在历史运行过程中产生的多模态监测数据，其中，所述多模态监测数据包括多个历史时间点的多种监测参数的值；

11、时序对齐模块，用于基于分层时间戳编码对所述多模态监测数据中每种监测参数进行时序对齐，得到对齐后的多模态监测数据；

12、因果关联模块，用于从所述对齐后的多模态监测数据中筛选历史故障样本数据，并基于所述历史故障样本数据构建多种故障模式与监测参数之间的因果关联矩阵，其中，所述因果关联矩阵表征了多种故障模式下，监测参数之间的因果关联关系；

13、模型构建模块，用于将所述因果关联矩阵作为偏置项注入至transformer网络的多头自注意力机制，并基于所述对齐后的多模态监测数据、以及预先构建的引入物理正则化损失项的损失函数对融合因果关联矩阵的transformer网络进行训练，得到故障识别模型；

14、故障及根因识别模块，用于基于所述故障识别模型对高低压开关柜在当前运行过程中产生的多模态监测数据进行识别，得到故障识别结果；并从所述故障识别模型中提取多头自注意力权重，以及基于所述多头自注意力权重对所述故障识别结果进行根因定位，得到导致故障的根因参数。

15、本申请的有益效果是：本申请的基于ai多模态融合的高低压开关柜自适应故障诊断方法及系统，通过分层时间戳编码将各监测参数统一至共同时间基准，解决了不同采样率数据难以融合的问题。以格兰杰因果校验剔除环境共因导致的统计假相关，构建因果关联矩阵表征故障模式下监测参数间的真实因果关系，并以偏置项注入transformer自注意力机制，引导模型优先关注具有物理因果关系的模态组合，避免了纯数据驱动模型因工况变化产生误报。此外，引入松弛物理正则化损失项约束模型训练，使模型输出不违反焦耳定律、机械动力学等基本原理，增强了诊断结果的可信度。

1.基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，基于分层时间戳编码对所述多模态监测数据中每种监测参数进行时序对齐，得到对齐后的多模态监测数据，包括：

3.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，从所述对齐后的多模态监测数据中筛选历史故障样本数据，并基于所述历史故障样本数据构建多种故障模式与监测参数之间的因果关联矩阵，包括：

4.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，将所述因果关联矩阵作为偏置项注入至transformer网络的多头自注意力机制，包括：

5.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，所述引入物理正则化损失项的损失函数的数学表达式为：

6.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，基于所述对齐后的多模态监测数据、以及预先构建的引入物理正则化损失项的损失函数对融合因果关联矩阵的transformer网络进行训练，得到故障识别模型，包括：

7.根据权利要求1所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，基于所述故障识别模型对高低压开关柜在当前运行过程中产生的多模态监测数据进行识别，得到故障识别结果，包括：

8.根据权利要求7所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，基于所述多头自注意力权重对所述故障识别结果进行根因定位，得到导致故障的根因参数，包括：

9.根据权利要求8所述的基于ai多模态融合的高低压开关柜自适应故障诊断方法，其特征在于，还包括:

10.基于ai多模态融合的高低压开关柜自适应故障诊断系统，其特征在于，包括：