基于Autoformer长时序建模的GIS设备绝缘老化判断方法及系统与流程

本发明属于高压电气设备状态监测，尤其涉及一种基于autoformer长时序建模的gis设备绝缘老化判断方法及系统。

背景技术：

1、气体绝缘开关设备（gas insulated switchgear，gis）具有结构紧凑、运行可靠和环境适应性较强等特点，被广泛应用于变电站及输配电系统。gis设备在长期运行过程中，其内部绝缘状态可能受到局部放电、气体分解产物累积、微水变化、热应力、电应力以及外部环境扰动等因素的共同影响，逐步出现绝缘性能劣化。若不能及时识别绝缘老化的发展趋势，可能造成设备缺陷扩大，影响电网运行安全。

2、现有gis绝缘状态评估通常采用阈值判别、单一状态量分析或基于短期样本的预测方法。阈值判别能够对已经接近或超过限值的状态进行告警，但对尚未越限、已经出现持续劣化趋势的早期状态识别能力有限；单一状态量分析难以综合利用局部放电、sf6气体分解产物、微水含量、温度及运行工况等多源信息；采用一般短序列预测模型时，也难以同时区分长期老化趋势与由环境、负荷或检修周期等因素引起的周期性波动。

3、gis设备多源状态量具有明显的长时序特征：一方面，绝缘材料劣化及气体状态变化体现为缓慢累积的长期趋势；另一方面，设备温度、运行负荷和环境温湿度等因素会形成周期波动或短期扰动。因此，需要一种能够对多源状态量进行趋势—周期分解、提取跨周期长时依赖并据此预测未来绝缘状态变化的方法，以提高绝缘老化判断的前瞻性和可靠性。

技术实现思路

1、本发明是为了解决上述问题而进行的，目的在于提供一种基于autoformer长时序建模的gis设备绝缘老化判断方法、系统及存储介质。所述方法对gis设备多源状态量时间序列进行预处理，通过autoformer模型中的序列分解模块分离长期趋势项和周期项，通过auto-correlation机制提取不同时间延迟下的长时依赖关系，通过编码器—解码器结构输出未来状态量预测序列及趋势分量，并结合趋势斜率、阈值接近程度和持续异常程度判断绝缘老化等级。

2、为解决上述技术问题，本发明提供如下技术方案：

3、一种基于autoformer长时序建模的gis设备绝缘老化判断方法，包括：

4、采集gis设备在连续运行过程中的多源状态量时序数据；并对所述时序数据进行预处理，构建gis设备绝缘状态历史输入序列；

5、构建gis绝缘老化领域知识库，并形成相应的领域知识推理模型，利用所述领域知识推理模型对所述gis绝缘老化领域知识库、当前gis设备多源状态量及设备运行信息进行语义编码和知识推理，生成知识编码数据；并对所述知识编码数据进行多维度一致性校验，得到校验后的gis绝缘老化知识编码结果；

6、基于所述gis设备绝缘状态历史输入序列和所述校验后的gis绝缘老化知识编码结果，构建并训练知识增强的绝缘状态预测模型；

7、将所述gis设备绝缘状态历史输入序列输入训练好的绝缘状态预测模型，利用所述绝缘状态预测模型中的分解机制，依据所述知识编码结果中的趋势约束参数，对不同类型状态量执行自适应趋势—周期分解，得到表征长期退化趋势的趋势项和表征周期波动的周期项；

8、将所述表征长期退化趋势的趋势项和表征周期波动的周期项输入至所述绝缘状态预测模型中的时序依赖提取机制，结合所述知识编码结果对序列中的长程依赖关系进行建模，并输出未来预测时段内多源状态量的预测值以及绝缘老化趋势表征量；

9、根据所述未来预测时段内的多源状态量的预测值及绝缘老化趋势表征量，结合所述知识编码结果中校验后状态量—故障模式关联矩阵和故障模式先验概率，综合判定gis设备的绝缘老化状态等级。

10、进一步地，所述多源状态量时序数据至少包括：局部放电特征量、sf6气体分解产物含量、微水含量、气体压力、设备温度、运行电压、运行电流以及环境温湿度中的一种或多种。

11、进一步地，所述构建gis绝缘老化领域知识库，具体包括：

12、整合gis设备运行规程、状态检修导则、试验报告、历史故障案例、运维检修记录和专家诊断规则，形成包含多源状态量、设备类型、设备部件、运行年限、运行工况、历史检修记录、影响因素、绝缘老化机理、故障模式和状态判断规则的构建gis绝缘老化领域知识库。

13、进一步地，所述生成知识编码数据包括：

14、基于检索增强生成机制，从所述gis绝缘老化领域知识库中检索与当前设备状态相关联的领域知识片段；

15、以通用预训练大模型为基础，通过指令微调或低秩适配微调约束进行gis绝缘老化领域适配，得到具备gis绝缘老化领域知识调用、机理推理和结构化输出能力的领域知识推理模型，并获取所述领域知识推理模型的大模型参数表示；

16、根据检索得到的领域知识片段、gis设备多源状态量、设备类型、设备部件、运行年限、运行工况、历史检修记录和结构化输出约束，构建大模型输入提示；

17、基于所述大模型参数表示，领域知识推理模型对所述大模型输入提示进行语义编码，得到语义隐藏表示；并通过池化或映射得到绝缘老化机理先验向量：

18、根据绝缘老化机理先验向量和大模型结构化输出约束，生成知识编码数据；包括大模型绝缘老化机理先验向量、大模型状态量重要性权重、大模型状态量—故障模式关联矩阵、大模型故障模式先验概率、大模型趋势约束参数和大模型时延先验信息。

19、进一步地，所述对所述知识编码数据进行多维度一致性校验，得到校验后的gis绝缘老化知识编码结果包括：

20、根据gis绝缘老化领域知识库中的专家诊断规则和历史故障案例，构建专家规则基准参数；包括专家规则状态量重要性得分，专家规则状态量—故障模式关联矩阵，专家规则故障模式先验得分，专家规则趋势约束参数和专家规则时延先验函数；

21、对所述知识编码数据进行维度校验、范围校验、归一化校验和专家规则一致性校验，基于大模型状态量—故障模式关联矩阵和专家规则状态量—故障模式关联矩阵计算冲突度，并计算检索相关度：

22、基于所述检索相关度计算一致性得分：

23、基于所述领域知识推理模型的置信度、检索相关度、一致性得分和冲突度，计算可信融合系数：

24、根据大模型状态量重要性得分、专家规则状态量重要性得分和可信融合系数，生成校验后的状态量重要性权重：

25、根据大模型状态量—故障模式关联矩阵、专家规则状态量—故障模式关联矩阵和可信融合系数，生成校验后的状态量—故障模式关联矩阵：

26、根据大模型故障模式先验得分、专家规则故障模式先验得分和可信融合系数，生成校验后的故障模式先验概率：

27、根据大模型趋势约束参数、专家规则趋势约束参数和可信融合系数，生成校验后的趋势约束参数：

28、根据领域知识推理模型识别得到的gis运行周期、环境周期、检修周期和老化机理周期，生成大模型时延先验函数：并与专家规则时延先验函数融合，得到校验后的时延先验信息：

29、当冲突度大于预设冲突阈值时，重新构造大模型输入提示，并重复上述步骤；若重复次数达到预设上限后冲突度仍大于预设冲突阈值，则降低可信融合系数，并采用专家规则基准参数。

30、进一步地，构建并训练知识增强的绝缘状态预测模型包括：

31、根据gis设备的多源状态量的采样周期、状态量维度和绝缘老化判断需求，设定绝缘状态预测模型的历史输入长度、预测长度、状态量维度、模型隐层维度、编码器层数、解码器层数、多头数、前馈网络维度、移动平均核大小范围以及auto-correlation时延选择系数；

32、将gis设备的多源状态量历史输入序列和校验后的gis绝缘老化知识编码结果共同映射至隐空间，得到知识增强输入表示；

33、根据校验后的状态量重要性权重和趋势约束参数，为不同gis设备的状态量分配不同的移动平均核大小或趋势提取权重，使多源状态量中的绝缘老化敏感状态量侧重长期趋势提取，使多源状态量中的扰动相关状态量侧重周期波动分离；

34、构建查询矩阵、键矩阵和值矩阵的线性映射参数，并将大模型时延先验信息引入auto-correlation机制，对不同时间延迟下的序列相关性进行知识增强；

35、构建由个编码层堆叠形成的编码器和由个解码层堆叠形成的解码器；其中，每个编码层包括知识增强auto-correlation模块、残差连接模块、知识约束序列分解模块和前馈网络，每个解码层包括解码器内部知识增强auto-correlation模块、编码器—解码器知识增强auto-correlation模块、前馈网络、多个知识约束序列分解模块以及趋势项累积结构；

36、根据预测损失、趋势一致性损失、机理一致性损失和诊断蒸馏损失构建总训练损失；

37、用梯度下降优化方法对知识增强的绝缘状态预测模型中的可训练参数进行反向传播更新，直至总训练损失收敛或达到预设训练轮次。

38、进一步地，对不同类型状态量执行自适应趋势—周期分解，得到表征长期演化规律的趋势项和表征周期波动影响的周期项包括：

39、根据所述校验后的状态量重要性权重和趋势约束参数，确定各状态量对应的自适应移动平均核大小；

40、对每个状态量序列进行带边界填充的移动平均池化操作，提取各状态量的趋势项；

41、将各状态量的原始序列与对应的趋势项作差，得到各状态量的周期项；

42、将各状态量的趋势项按照所述状态量重要性权重进行加权，得到gis设备绝缘老化综合趋势分量，作为所述趋势项的表征。

43、进一步地，所述时序依赖提取机制具体包括：

44、将gis设备状态量的隐藏表示分别映射为查询矩阵、键矩阵和值矩阵；

45、计算查询矩阵和键矩阵之间在不同时间延迟下的自相关关系；

46、将所述自相关关系与校验后的时延先验信息进行融合，得到知识增强自相关结果；

47、根据所述知识增强自相关结果选取显著时间延迟，并对各显著时间延迟对应的自相关值进行归一化处理；

48、按照所选时间延迟对值矩阵进行循环移位并加权聚合获取聚合结果；

49、通过编码器-解码器结构对聚合结果进行处理，生成未来预测序列及未来趋势分量；

50、按照校验后的状态量重要性权重，对所述未来趋势分量进行加权求和，得到未来绝缘老化综合趋势分量，并将所述未来绝缘老化综合趋势分量作为所述绝缘老化趋势表征量输出。

51、进一步地，所述综合判定gis设备的绝缘老化状态等级，具体包括：

52、针对每个状态量，根据未来趋势分量计算其在未来预测时段内的趋势斜率，用于表征该状态量的变化速率；

53、针对具有绝缘老化指示意义的状态量，计算其预测值相对于预设正常参考值和告警限值的阈值接近程度；

54、统计每个状态量的未来预测序列中超过预设关注阈值的采样点比例，作为该状态量的持续异常程度；

55、根据各状态量的所述趋势斜率、阈值接近程度和持续异常程度，结合校验后的状态量—故障模式关联矩阵中各状态量与各故障模式之间的关联强度，以及校验后的故障模式先验概率，计算各类故障模式的综合置信度；

56、根据各类故障模式的综合置信度及各故障模式对应的预设风险权重，加权计算得到gis设备绝缘老化综合风险值；

57、根据所述绝缘老化综合风险值所处的预设多级阈值区间，确定gis设备的绝缘老化状态等级，所述老化状态等级至少包括绝缘状态正常、绝缘老化关注、绝缘老化预警和绝缘老化严重。

58、另一方面，本发明提供一种基于autoformer长时序建模的gis设备绝缘老化判断系统，包括：

59、状态量采集与预处理模块，其用于采集gis设备在连续运行过程中的多源状态量时序数据；并对所述时序数据进行预处理，构建gis设备绝缘状态历史输入序列；

60、知识编码模块，其用于构建gis绝缘老化领域知识库，并形成相应的领域知识推理模型，利用所述领域知识推理模型对所述gis绝缘老化领域知识库、当前gis设备多源状态量及设备运行信息进行语义编码和知识推理，生成知识编码数据；并对所述知识编码数据进行多维度一致性校验，得到校验后的gis绝缘老化知识编码结果；

61、模型构建与训练模块，其用于基于所述gis设备绝缘状态历史输入序列和所述校验后的gis绝缘老化知识编码结果，构建并训练知识增强的绝缘状态预测模型；

62、序列分解模块，其用于将所述gis设备绝缘状态历史输入序列输入训练好的绝缘状态预测模型，利用所述绝缘状态预测模型中的分解机制，依据所述知识编码结果中的趋势约束参数，对不同类型状态量执行自适应趋势—周期分解，得到表征长期退化趋势的趋势项和表征周期波动的周期项；

63、时序依赖提取与预测模块，其用于将所述表征长期退化趋势的趋势项和表征周期波动的周期项输入至所述绝缘状态预测模型中的时序依赖提取机制，结合所述知识编码结果对序列中的长程依赖关系进行建模，并输出未来预测时段内多源状态量的预测值以及绝缘老化趋势表征量；

64、绝缘老化综合判定模块，其用于根据所述未来预测时段内的多源状态量的预测值及绝缘老化趋势表征量，结合所述知识编码结果中校验后状态量—故障模式关联矩阵和故障模式先验概率，综合判定gis设备的绝缘老化状态等级。

65、与现有技术相比，本发明具有如下有益效果：

66、1，本发明通过采集并融合局部放电特征量、sf6气体分解产物含量、微水含量、气体压力、设备温度、运行参数和环境温湿度等多源状态量，能够避免仅依赖单一指标导致的状态描述不充分问题。

67、2，本发明利用autoformer内置序列分解结构对多源状态量隐藏序列进行逐层趋势—周期分解，使绝缘老化的缓慢累积演化趋势与运行工况、环境变化等周期性扰动相分离，便于基于趋势分量进行绝缘老化判断。

68、3.本发明利用auto-correlation机制在不同时间延迟下进行相关性计算、时延选择和对齐聚合，能够提取gis设备状态量在长时间尺度上的周期性依赖关系和跨周期演化规律，适用于绝缘状态变化持续时间长、短期波动影响明显的预测任务。

69、4.本发明基于未来预测时段内的趋势斜率、阈值接近程度和持续异常程度综合给出绝缘老化等级，能够在状态量未发生严重越限前识别持续劣化倾向，为巡视、检测和检修安排提供辅助依据。