一种在线诊断电气设备局部放电的方法、系统、设备及介质与流程

本发明属于高压电气设备状态监测，具体涉及一种在线诊断电气设备局部放电的方法、系统、设备及介质。

背景技术：

1、高压及特高压电气设备在制造缺陷、绝缘老化、金属颗粒、导体尖端、悬浮电位、绝缘气隙或沿面缺陷作用下，可能产生局部放电。局部放电产生的陡峭脉冲可在特高频频段形成电磁波信号，通过设置在gis、gil、变压器或开关设备上的一个或多个特高频传感器进行采集，可获得反映放电状态的波形、频谱、相位及脉冲统计信息。

2、现有相关技术中的局部放电在线诊断方法仍存在以下不足：

3、1.局部放电的判据通常以自然语言、表格、程序分支或分散的专家规则保存，缺少统一的输入输出类型和执行语义，难以组合、复用、审计和迁移。

4、2.特高频波形采样率高，单个时间窗口内包含大量采样点，多传感器、多窗口和多条规则同时运行时，逐窗口、逐规则串行解释执行难以满足实时性要求。

5、3.传统黑盒分类模型虽可输出局部放电的类别，但难以稳定给出与每次诊断结论对应的特征、阈值、相位区间、持续时间和逻辑路径，不便于运维人员复核。

6、4.采用固定阈值的方法判断局部放电，存在难以适应不同设备结构、传感器安装位置、传播路径、噪声环境和运行工况，直接在线修改规则又容易导致误报率或漏报率上升。

7、5.现有相关方案缺少“候选机理形成—合法性校验—张量化编译—历史回测—蒸馏筛选—反馈更新—灰度部署”的完整闭环，无法形成可追溯且持续更新的判断机制。

技术实现思路

1、本发明至少解决现有技术中存在的技术问题之一。为此，本发明实施例提供了一种在线诊断电气设备局部放电的方法、系统、设备及介质，本方法能够进行校验、回测、组合、复用和版本化管理，能够形成跨厂家、跨设备类型的可维护诊断知识资产。

2、为实现上述目的，本发明提供如下技术方案：

3、在第一方面，本公开实施例提供一种在线诊断电气设备局部放电的方法，包括以下步骤：

4、步骤s1：采集高压电器设备中至少一个传感器的特高频波形，并形成初始数据集，对初始数据集进行预处理，得到用于并行处理的数据批次；

5、步骤s2：计算所述数据批次中每个波形窗口的局部放电特征，所述局部放电特征包括时域特征、频域特征、时频特征、相位特征、脉冲统计特征和多通道空间特征；

6、步骤s3：将所述局部放电特征和预先构建的局部放电专用符号体系组织为输入张量，并根据符号树的依赖关系、节点类型和拓扑层级生成张量计算图，通过批处理、同类算子合并、公共子树复用、前置条件剪枝和异构并行，得到初始匹配结果；

7、步骤s4：对所述初始匹配结果进行概率校准，得到所述初始匹配结果的可信反馈标签，基于历史特高频数据和可信反馈标签对所述初始匹配结果进行历史回测和符号蒸馏，得到优选符号机理和候选符号机理；

8、步骤s5：基于处于正式启用状态的所述优选符号机理构建正式在线诊断环境，并输出在线诊断结果。

9、进一步的，所述步骤s1中的初始数据集包括：

10、；

11、式中，为波形采样序列；为采集时间；为采样频率；为传感器或通道标识；为工频相位；为设备标识；

12、在进行所述预处理时，对所述特高频波形执行去除直流分量、带通滤波、工频及窄带干扰抑制、背景噪声估计、脉冲触发、基线校正、幅值归一化和/或异常饱和识别的预处理，并得到所述数据批次；

13、对于多通道数据，基于硬件时钟、同步脉冲或校正信号进行时间对齐，并按照固定长度、脉冲触发或滑动窗口的方式划分波形窗口，并得到所述数据批次。

14、进一步的，所述步骤s2中的得到所述局部放电特征时，包括以下步骤：

15、假设所述波形窗口为，对形窗口为进行短时傅里叶变换或小波变换后，得到随时间和频率变化的系数矩阵，并以各时频单元的幅值、能量及能量占比作为所述波形窗口的时频特征；

16、所述波形窗口的时域特征包括均方根值和窗口能量，其中，所述均方根值包括：

17、；

18、所述窗口能量包括：

19、；

20、所述波形窗口的频域特征用频谱占比表示，在指定的频带[f1,f2]内的频谱占比包括：

21、；

22、式中，为特高频波形的频谱，为防止除零的正数；

23、所述波形窗口的多通道空间特征用多通道脉冲的到达时间差表示，所述多通道脉冲的到达时间差包括：

24、；

25、式中，为通道脉冲的到达时间；为通道脉冲的到达时间；

26、所述脉冲统计特征包括脉冲次数、峰值、上升时间、脉冲宽度、脉冲间隔和工频相位聚集度，以及所述脉冲统计特征在连续时间窗口内的统计量；

27、基于通道和通道的窗口能量得到通道间能量衰减比：

28、；

29、在预设时延搜索范围内计算通道和通道波形的归一化互相关，得到互相关峰值，将互相关峰值作为相关系数，将互相关峰值对应的时延作为到达时间差；

30、基于所述到达时间差对多通道波形进行对齐，计算任意通道对的相关系数和归一化残差，并计算传播一致性，包括：

31、；

32、其中，归一化残差为通道的波形与经幅值缩放后的通道对齐波形之差的二范数除以通道i波形二范数与之和；的取值范围为[0，1]；

33、将脉冲的工频相位、幅值和出现周期映射为prpd/prps图谱，并在prpd/prps图谱中提取相位分布和工频相位聚集度作为所述相位特征。

34、进一步的，所述步骤s3中局部放电专用符号体系包括波形节点、传感器节点、时间窗口节点、时域运算节点、频域运算节点、相位节点、统计节点、空间关联节点、条件节点、逻辑节点、时序节点和结果节点，且每种节点均被预先定义节点名称、参数数量、输入类型、输出类型、允许的子节点、数值范围和执行函数；

35、还包括初始符号机理，初始符号机理是指由已注册节点、参数、依赖关系及执行语义构成的局部放电诊断表达式，局部放电诊断表达式至少包含特征计算、条件判断和结果输出，局部放电诊断表达式的每一中间节点均保存节点值、阈值、输入窗口和执行状态；

36、在生成所述张量计算图时，包括以下步骤：

37、步骤a1：基于初始符号机理生成候选符号机理，包括：

38、通过预设的参数化规则模板从允许范围内选择或搜索各可配置参数，生成一条或多条候选符号机理，预设的所述参数化规则模板为将经验证的局部放电诊断规则表示为具有固定节点类型及逻辑结构，且可配置阈值、频带、时间窗口和适用设备范围的符号表达式骨架；

39、或者，从历史有效符号机理中选择输入类型与输出类型相同的子树，在类型兼容的节点位置进行子树交叉组合，并对阈值、频带、时间窗口、比较运算符或逻辑连接关系中的至少一项进行变异，生成候选符号机理；

40、或者，由经过训练的符号机理生成模型，将设备类型、目标局部放电类型、可用通道、特征词表、表达式树深度上限和评价目标编码为任务条件，按照前序遍历、后序遍历或带括号函数形式逐符号生成表达式；生成过程中采用语法掩码和类型约束，直至生成结果节点并闭合全部待补充参数，得到候选符号机理；逐符号生成时，根据当前父节点待填输入槽所要求的数据类型，从已注册符号词表中筛选输出类型相匹配的节点，并剔除参数数量超过剩余可生成符号数的节点、完成该节点所需最小深度超过剩余树深度的节点，以及违反节点安全规则或会形成循环依赖的节点，将剩余节点作为下一符号的允许集合，并将其他节点掩码为不可选；

41、步骤a2：对所述候选符号机理的语法、类型和安全性进行校验，对通过校验的候选符号机理实施表达式规范化，复核规范化后表达式的可执行性，并根据通过复核的规范化表达式生成机理哈希值；

42、所述表达式规范化包括：

43、计算并以结果替换仅含常量的子树；

44、按照子节点哈希值对交换律运算的操作数进行规范排序；

45、将连续两次逻辑非替换为原节点；

46、对条件恒真或恒假的分支仅保留可达分支；

47、以及，将同义节点名称映射为注册表中的标准名称；

48、所述校验用于识别所述候选符号机理中的恒真、恒假和/或无实际作用的分支，并作为表达式规范化的处理对象，在进行所述校验时，包括：

49、检查所述候选符号机理的符号是否属于已注册的符号词表；

50、检查所述候选符号机理的括号和表达式树结构是否完整；

51、检查所述候选符号机理的节点参数数量是否正确；

52、检查所述候选符号机理的节点输入类型与输出类型是否匹配；

53、检查所述候选符号机理的是否存在除零、空窗口和/或无效频带；

54、检查所述候选符号机理的是否存在循环引用和/或表达式树深度超限；

55、检查所述候选符号机理的是否存在调用未注册和/或不允许执行的算子；

56、步骤a3：将b个数据批次、c个传感器通道、w个时间窗口和f个局部放电特征组织为所述输入张量：

57、；

58、其中，x[b，c，w，f]表示第b个批次、第c个通道、第w个窗口的第f项归一化特征，并设置与x同形状的有效值掩码以标识缺失或异常数据；

59、步骤a4：以所述机理哈希值为检索键，对通过所述校验的候选符号机理进行分组，对机理哈希值相同且规范化表达式一致的重复候选符号机理保留一条，将保留的m条候选符号机理描述组织为机理参数张量：

60、；

61、所述每条候选符号机理最多包含的n个节点，以及d个维度的节点；每个所述机理参数张量至少包括节点类型编码、子节点索引、阈值或频带参数、时间窗口参数和有效节点掩码；

62、步骤a5：基于所述输入张量和所述机理参数张量，得到所述初始匹配结果，其中，所述输入张量提供待诊断样本的特征值，机理参数张量提供对所述特征值进行运算和判定的节点结构及参数；

63、按照符号表达式树的拓扑层级读取所述机理参数张量p中的节点类型和依赖索引，将相同类型或具有相同执行语义的节点编译为批量张量算子；所述批量张量算子从输入张量或前一拓扑层的中间结果中索引输入，结合所述机理参数张量p中的节点参数计算节点值，并按照依赖关系连接为有向无环的张量计算图，最终输出b个数据批次与m条候选符号机理对应的初始匹配结果。

64、进一步的，所述步骤s3中在并行计算单元上执行所述张量计算图，得到所述初始匹配结果时，所述并行计算单元执行：

65、在执行所述张量计算图时，将维度对应数据批次、被监测设备、传感器通道、波形窗口、局部放电特征和/或候选符号机理进行批处理和异构并行处理；

66、通过前置条件剪枝，先执行计算成本低于预设成本阈值、且其布尔输出是后续分支执行必要条件的节点，所述前置条件包括脉冲次数、幅值、数据质量和/或设备适用范围条件；对未满足前置条件的批次、通道或窗口样本，以及对应候选符号机理的后续子树分支设置布尔掩码，并跳过频域、时频和/或多通道关联计算；

67、对相同节点类型通过同类算子合并和公共子树复用执行算子合并，对相同公共子树执行中间结果复用；

68、以及，记录每条所述候选符号机理的初始匹配结果、中间节点值、执行时延、计算资源占用和/或异常状态。

69、进一步的，在步骤s4中，将第条所述候选符号机理与当前局部放电数据的匹配程度，作为原始机理匹配度，并基于原始机理匹配度得到触发判定结果；

70、所述原始机理匹配度包括：

71、；

72、所述触发判定结果包括：

73、；

74、其中，表示第条所述候选符号机理与当前局部放电数据的匹配程度；表示使所述候选符号机理产生阳性判定的最小匹配度，并作为触发阈值；

75、当同类设备和同类放电任务具有不少于预设数量的已标注校准样本，且阳性样本和阴性样本均达到预设占比，并通过样本分布一致性检查时，采用逻辑回归校准、保序回归或温度缩放方法拟合概率映射函数，得到第条候选符号机理的诊断概率：

76、；

77、采用重采样方法或校准残差分位数计算诊断概率的置信区间，不满足校准条件时，输出机理匹配度、风险评分 及“未校准”标识；

78、根据机理匹配度、诊断概率、数据质量系数 和严重程度系数计算风险评分，包括：

79、；

80、其中，分别为机理匹配度、诊断概率、数据质量和严重程度对应的非负权重；为概率校准状态标识，当诊断概率已经校准时，，否则 ；，所述风险评分的取值范围为0～100；

81、当所述优选符号机理和候选符号机理的比例关系不符合优选阈值时，调整所述候选符号机理的部分参数，再次进行历史回测和符号蒸馏，并更新优选符号机理和候选符号机理，基于更新后的优选符号机理更新目标机理库；

82、调整所述候选符号机理的部分参数时，包括：特征阈值、特征频带、时间窗口长度、节点参数、逻辑连接关系、机理融合权重、适用设备范围和/或启用状态。

83、进一步的，所述步骤s5中，将处于正式启用状态的优选符号机理编译并加载至正式在线诊断环境；候选符号机理、验证中机理和灰度运行机理在与正式告警隔离的旁路环境中执行，仅生成带有验证标识的评价记录；

84、所述目标机理库包括：机理标识、符号表达式树、张量计算图、适用设备类型、适用传感器类型、目标局部放电类型、特征阈值及时间窗口、数据版本、历史回测指标、表达式复杂度、机理创建来源、机理版本号和/或机理启用状态；

85、所述目标机理库至少具有候选机理、验证中机理、灰度运行机理，以及正式启用、停用和回滚的状态，当灰度运行机理满足所述条件并经审核后切换为正式启用状态；

86、在基于所述正式在线诊断环境进行在线局部放电诊断时，包括以下步骤：

87、对目标特高频数据并行执行多条优选符号机理；对于第条优选符号机理，将其验证集综合性能、设备适配度、输入数据质量和目标数据覆盖率的乘积进行归一化，得到融合权重：

88、；

89、基于所述融合权重对每一局部放电类型k计算融合评分：

90、；

91、式中，为第条优选符号机理对类型k的诊断概率或归一化匹配度；

92、预设权重阈值，选择融合权重高于预设权重阈值的高权重优选符号机理，在融合评分中选择最大值作为最高融合评分，当多个所述高权重优选符号机理的局部放电类型判定一致，且该局部放电类型与最高融合评分对应的局部放电类型相同，并且最高融合评分达到告警阈值时，输出所述局部放电类型的告警结论，否则输出待复核状态，并展示冲突机理及证据，所述证据包括机理标识、输入通道和时间窗口、关键特征值、关键特征对应的判定阈值、机理触发阈值及告警阈值、原始机理匹配度、校准状态、在满足概率校准条件时输出的诊断概率，以及完整判定路径；

93、所述在线诊断结果按照如下方式形成：以最高融合评分对应的类型作为局部放电类型，以最高融合评分及告警阈值确定局部放电状态；根据风险评分的区间确定局部放电的严重程度；根据多通道到达时间差、安装位置、通道间能量衰减比和传播一致性确定疑似放电位置或区域；将对融合评分贡献达到预设贡献阈值的机理和特征分别确定为触发符号机理和关键特征，并输出节点判定路径；

94、所述在线诊断结果还包括放电发展趋势：基于连续k个时间窗口的脉冲次数、窗口能量、特征频带能量和相位聚集度，以及处于正式启用状态的优选符号机理在相应窗口输出的原始机理匹配度，以窗口对应时间为自变量分别进行线性回归或鲁棒回归，以回归斜率作为增长速度，以相邻回归斜率之差除以对应时间间隔作为增长加速度，并将所述增长速度、增长加速度和同向持续窗口数作为趋势特征，其中k不小于3；

95、在数据质量和样本覆盖率达到对应阈值的前提下，若至少两条处于正式启用状态的优选符号机理支持相同趋势，或者一条高权重优选符号机理持续支持所述趋势，则根据所述趋势的特征判定放电发展趋势：当增长速度的置信区间落入预设零值邻域，且持续窗口数达到稳定判定阈值时，输出稳定的放电发展趋势；在未满足稳定判定条件，且k个窗口中至少l个窗口的变化方向一致、相应增长速度的置信区间不包含零时，根据增长速度的正负以及增长速度、增长加速度与预设快速上升阈值的比较结果，输出上升、快速上升或下降的放电发展趋势；未满足对应判定条件时，输出不确定的放电发展趋势，其中1≤l≤k；

96、利用包含时序节点的优选符号机理，在当前时刻之后的预设预测时长h内，按照当前增长速度和增长加速度外推各趋势特征；将外推后的机理融合评分、归一化增长速度、增长加速度和持续时间进行加权并映射至0～100，得到趋势风险评分；将[t，t+h]作为预测时间窗口，将趋势风险评分首次达到预设风险阈值的时刻作为预计触发时间，并基于回归残差或重采样结果给出预计触发时间的不确定性区间。

97、在第二方面，本公开实施例提供一种在线诊断电气设备局部放电的系统，包括：

98、初始化单元，被配置为采集高压电器设备中至少一个传感器的特高频波形，并形成初始数据集，对初始数据集进行预处理，得到用于并行处理的数据批次；

99、特征单元，被配置为计算所述数据批次中每个波形窗口的局部放电特征，所述局部放电特征包括时域特征、频域特征、时频特征、相位特征、脉冲统计特征和多通道空间特征；

100、匹配单元，被配置为将所述局部放电特征和预先构建的局部放电专用符号体系组织为输入张量，并根据符号树的依赖关系、节点类型和拓扑层级生成张量计算图，通过批处理、同类算子合并、公共子树复用、前置条件剪枝和异构并行，得到初始匹配结果；

101、蒸馏单元，被配置为对所述初始匹配结果进行概率校准，得到所述初始匹配结果的可信反馈标签，基于历史特高频数据和可信反馈标签对所述初始匹配结果进行历史回测和符号蒸馏，得到优选符号机理和候选符号机理；

102、输出单元，被配置为基于处于正式启用状态的所述优选符号机理构建正式在线诊断环境，并输出在线诊断结果。

103、在第三方面，本公开实施例提供一种电子设备，其特征在于，该电子设备包括：

104、至少一个处理器；以及，

105、与该至少一个处理器通信连接的存储器；其中，

106、该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行所述的在线诊断电气设备局部放电的方法。

107、在第四方面，本公开实施例提供一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行所述的在线诊断电气设备局部放电的方法。

108、与现有技术相比，本发明具有以下有益的技术效果：

109、本发明提供一种在线诊断电气设备局部放电的方法、系统、设备及介质，本方法对采集的初始数据集进行预处理，并转化为能够并行处理的数据批次，通过计算所述数据批次中每个波形窗口的局部放电特征，将所述局部放电特征和预先构建的局部放电专用符号体系组织为输入张量，根据符号树的依赖关系、节点类型和拓扑层级生成张量计算图，并在异构计算资源上批量执行，可实现同时处理多设备、多通道、多窗口和多机理任务，适合高采样率特高频数据的在线应用，采用公共子树复用、算子合并和前置条件剪枝能够进一步降低重复计算，为站端低时延部署和大规模中心化分析提供技术基础，然后，对所述初始匹配结果进行概率校准，得到所述初始匹配结果的可信反馈标签，基于历史特高频数据和可信反馈标签对所述初始匹配结果进行历史回测和符号蒸馏，得到优选符号机理和候选符号机理，此过程能够将局部放电专家知识由自然语言或分散程序规则转换为具有类型约束和确定执行语义的符号机理，使机理能够被校验、回测、组合、复用和版本化管理，有利于形成跨厂家、跨设备类型的可维护诊断知识资产。