基于多源数据融合的变压器数字孪生管理系统及方法与流程

本发明涉及数据分析，具体是基于多源数据融合的变压器数字孪生管理系统及方法。

背景技术：

1、变压器作为电力系统中的重要设备直接影响电力系统运行的安全性和稳定性，随着智能监测技术和数字化运维技术的发展，越来越多的变压器配置了在线监测装置，通过采集设备运行过程中的多源状态数据，对设备运行状态、健康水平及异常风险进行分析，为变压器状态检修和故障预警提供数据基础，同时，数字孪生技术的发展使得通过构建与实际设备相对应的数字模型，实现设备状态映射、运行过程监测及状态分析成为可能，为提升变压器智能运维水平提供了新的技术途径；

2、然而，现有的变压器状态监测及数字孪生分析方法通常侧重于基于实时监测数据进行当前状态评估，主要通过预设指标、固定模型或历史经验对设备健康状态进行判断，难以充分考虑设备运行过程中受到负荷变化、环境因素以及内部性能退化等多种因素影响所产生的动态变化特征，难以准确反映设备健康状态随时间变化的发展趋势，导致异常风险识别和故障预测能力受到限制，数字孪生模型与实际设备运行状态之间存在一定偏差，因此，需要提供一种能够提高变压器运行状态分析准确性和故障预警可靠性的智能预警方法。

技术实现思路

1、本发明的目的在于提供基于多源数据融合的变压器数字孪生管理系统及方法，以解决现有技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：基于多源数据融合的变压器数字孪生管理方法，方法包括：

3、步骤s100：采集变压器运行过程中的多源监测数据，对所述多源监测数据进行标准化处理，获得统一运行参数序列；

4、步骤s200：根据所述统一运行参数序列构建运行参数之间的参数耦合网络，确定各运行参数之间的动态耦合强度；

5、步骤s300：根据所述动态耦合强度及各运行参数运行状态构建健康演化场，获得各运行参数对应的健康势值及时间健康梯度；

6、步骤s400：依据所述健康势值识别异常节点，并结合所述动态耦合强度及时间健康梯度确定异常扰动在健康演化场中的迁移方向和迁移强度，对健康演化场进行更新；

7、步骤s500：依据异常节点对应的健康势值、时间健康梯度及动态耦合强度，构建异常传播预测模型；

8、步骤s600：将实时运行数据输入训练完成的异常传播预测模型，预测下一时间窗口各异常节点对应的健康势值，依据预测健康势值确定预警节点，并结合异常节点之间的动态耦合强度及异常扰动迁移方向预测异常传播路径，生成变压器异常预警信息。

9、进一步的，步骤s100包括：

10、采集变压器的多源运行数据，所述多源运行数据包括电气量数据、机械量数据、环境量数据及化学量数据；

11、所述电气量数据包括绕组热点温度、顶层油温、负载电流、三相电压、铁芯接地电流及局部放电强度；所述机械量数据包括振动信号；所述环境量数据包括环境温度和环境湿度；所述化学量数据包括油中溶解气体含量；

12、对采集得到的多源运行数据按照统一采样周期进行时间同步，获得时间对齐的数据序列；

13、对时间对齐后的数据序列进行缺失值补全及异常值修正，所述缺失值补全过程为根据相邻采样点的数据进行插值补全；异常值修正过程为以当前采样点为中心构建包含前后若干采样点的滑动窗口，统计窗口内全部采样值并计算所述采样值的中位数，若当前采样值与所述中位数之间的绝对差值超过预设阈值，则判定当前采样值为异常值，并采用所述中位数替换所述当前采样值；

14、对修正后的各类运行数据进行归一化处理，获得统一运行参数序列；

15、通过采集变压器电气量数据、机械量数据、环境量数据及化学量数据等多源运行数据，实现了对变压器运行状态的多维度、全方位监测，相较于单一数据源能够更全面地反映设备运行特性，提高状态感知能力；通过对各类数据按照统一采样周期进行时间同步，消除了不同数据源采样频率不一致带来的时间偏差，为后续多源数据融合分析提供了统一的数据基础；对修正后的各类运行数据进行归一化处理，消除了不同参数之间量纲和数值范围的差异，使各类运行参数具有统一的数据尺度，便于后续状态评估、故障诊断及预测模型进行特征融合和分析，从而提高分析结果的准确性和稳定性，为变压器智能运维提供可靠的数据支撑。

16、进一步的，步骤s200包括：

17、将统一运行参数序列中的各运行参数作为参数节点；

18、按照预设时间长度划分连续滑动时间窗口，分别获取每一时间窗口内任意两个运行参数在当前时间窗口内对应的数据序列；

19、根据两个运行参数在当前时间窗口内相邻采样点之间的变化增量，分别构建两个运行参数对应的变化序列；

20、根据两个变化序列中对应采样点的变化增量符号是否一致，逐一判断各对应采样点的变化方向是否相同，统计变化方向相同的对应采样点数量，并将所述对应采样点数量除以全部对应采样点数量，计算得到两个运行参数之间的方向关联系数；

21、基于两个变化序列中对应采样点的变化增量，计算对应采样点变化增量之间的绝对差值，将所述绝对差值作为对应采样点的幅值差异程度，并对各对应采样点的幅值差异程度进行平均统计，得到幅值差异程度平均值，根据所述幅值差异程度平均值计算两个运行参数之间的幅值关联系数a=1/（1+b），其中，b表示为幅值差异程度平均值；

22、按照预设权重对方向关联系数和幅值关联系数进行加权求和，得到两个运行参数之间的初始关联系数；

23、统计当前时间窗口内两个运行参数变化方向保持一致的持续时长，采集当前时间窗口内两个运行参数每个采样点对应的幅值差异程度，计算所述幅值差异程度与幅值差异程度平均值的绝对差值，将所有采样点对应的绝对差值进行求和，计算得到幅值偏差总量，分别对持续时长和幅值偏差总量进行归一化计算，将归一化后的持续时长和幅值偏差总量按照预设修正权重进行加权求和，计算得到两个运行参数之间的持续变化系数，将所述持续变化系数与初始关联系数相乘，计算得到两个运行参数之间的动态耦合强度；

24、将各运行参数作为网络节点，将任意两个运行参数之间的动态耦合强度作为对应节点之间连接边的权重，构建当前时间窗口的参数耦合网络；

25、以统一运行参数序列中的各运行参数作为网络节点，通过连续滑动时间窗口对各运行参数之间的动态关系进行分析，能够准确反映变压器运行状态随时间变化的耦合特性，避免传统静态关联分析难以刻画时变关系的问题；通过分别构建运行参数变化序列，并综合变化方向一致性和变化幅值相似性计算初始关联系数，能够识别不同运行参数之间的协同变化趋势，同时兼顾变化程度的接近性，提高参数关联分析的准确性；引入持续变化系数，对变化方向持续一致时长及幅值偏差稳定性进行综合修正，使计算得到的动态耦合强度能够体现参数之间是否相关，有效降低瞬时波动、随机噪声及偶然异常对关联结果的影响，实现了变压器多源运行参数之间复杂关联关系的网络化表达，能够更加直观地揭示各运行参数之间的信息传递路径和相互影响机制，为关键参数识别、异常传播分析、健康状态评估及故障预警提供更加准确、可靠的数据基础。

26、进一步的，步骤s300包括：

27、将运行过程按照预设时间长度划分为多个连续滑动时间窗口，获取各时间窗口对应的参数耦合网络；

28、遍历当前时间窗口参数耦合网络中各运行参数对应的节点，获取当前运行参数对应节点与其相邻节点之间连接边对应的动态耦合强度；

29、依据各运行参数对应的正常运行参考范围，判断实际监测值是否位于所述正常运行参考范围内；当实际监测值位于正常运行参考范围内时，将偏离程度设定为零；当实际监测值超出正常运行参考范围时，计算实际监测值与所述正常运行参考范围最近边界之间的差值作为偏离程度，并依据所述偏离程度与所述正常运行参考范围区间宽度之间的比例，计算得到各运行参数对应的参数健康损耗值；

30、根据当前运行参数与各相邻节点之间的动态耦合强度分别乘以各相邻节点运行参数的参数健康损耗值，得到各相邻节点对当前运行参数的耦合影响量，对全部耦合影响量进行累加，得到当前运行参数对应的累计耦合影响值；

31、根据当前运行参数对应的参数健康损耗值与所述累计耦合影响值进行加权求和，得到当前运行参数对应的健康势值，按照时间顺序排列各滑动时间窗口对应的健康势值，形成各运行参数对应的健康势值时间序列，对所述健康势值时间序列进行插值平滑处理，并基于全部运行参数对应的健康势值时间序列构建连续时间维度下的健康演化场；

32、根据健康演化场中各运行参数健康势值关于时间的变化率，得到各运行参数对应的时间健康梯度；

33、通过将运行过程划分为多个连续滑动时间窗口，并结合各时间窗口对应的参数耦合网络开展健康状态分析，能够动态反映变压器运行状态的时序演化过程，相较于单一时刻的状态评价具有更好的连续性和时效性；通过依据各运行参数的正常运行参考范围计算参数健康损耗值，实现了对各参数健康状态的定量表征，使不同类型运行参数具备统一的健康评价尺度；将参数之间的动态耦合强度与相邻节点的参数健康损耗值相结合，计算累计耦合影响值，充分考虑了参数异常在耦合网络中的传播效应及相互影响，避免仅依据单一参数状态进行评估，提高了健康评价结果的全面性和准确性。

34、进一步的，步骤s400包括：

35、依据各运行参数对应的健康势值，判断是否大于健康异常阈值，当健康势值大于健康异常阈值时，将对应运行参数确定为当前时间窗口对应的异常节点，所述健康异常阈值为根据历史健康势值，统计得到历史健康势值的均值及标准差，将预设健康异常系数与所述标准差相乘，并与所述均值相加，计算得到健康异常阈值；

36、针对每一异常节点，获取所述异常节点与各相邻运行参数之间连接边对应的动态耦合强度，筛选动态耦合强度大于耦合强度阈值的相邻运行参数作为候选迁移节点，所述耦合强度阈值为根据历史动态耦合强度，统计得到历史动态耦合强度的平均值和标准差，将预设耦合强度系数与所述标准差相乘，并与所述均值相加，计算得到耦合强度阈值；

37、分别计算异常节点对应的时间健康梯度与各候选迁移节点对应时间健康梯度之间的梯度变化量，基于所述梯度变化量的符号关系确定异常扰动在异常节点与候选迁移节点之间的迁移方向，针对各候选迁移节点，分别将异常节点对应时间健康梯度的绝对值与异常节点和对应候选迁移节点之间的动态耦合强度进行乘积计算，得到异常扰动向各候选迁移节点迁移对应的迁移强度；

38、根据异常扰动向各候选迁移节点的迁移方向及对应迁移强度，计算异常节点向各候选迁移节点对应的迁移强度占总迁移强度的比例，并将所述比例与异常节点对应的健康势值相乘，计算得到异常节点向各候选迁移节点对应的异常迁移量；

39、针对每一异常节点，将该异常节点向各候选迁移节点对应的异常迁移量进行累加，得到异常节点对应的累计迁出量，并根据所述累计迁出量对异常节点对应的健康势值进行扣减更新，得到异常节点更新后的健康势值；

40、针对每一候选迁移节点，将来自各异常节点的异常迁移量进行累加，得到候选迁移节点对应的累计迁入量，并根据所述累计迁入量对候选迁移节点对应的健康势值进行增长更新，得到候选迁移节点更新后的健康势值；

41、根据更新后的异常节点健康势值、更新后的候选迁移节点健康势值以及未参与传播节点对应的健康势值，形成当前时间窗口对应的更新健康演化场；

42、通过依据历史健康势值和历史动态耦合强度自适应计算健康异常阈值及耦合强度阈值，使异常节点识别和传播路径筛选能够适应不同运行工况，提高异常检测的准确性和环境适应能力；通过计算异常迁移量，对异常节点和候选迁移节点的健康势值分别进行迁出、迁入更新，实现了异常能量在参数耦合网络中的动态传递与重新分配，使更新后的健康演化场能够连续反映异常扩散后的整体健康状态变化，能够有效揭示异常传播路径、识别异常扩散趋势及潜在受影响参数，为故障源定位、风险范围预测、异常传播预警及检修决策提供更加准确、可靠的依据。

43、进一步的，步骤s500包括：

44、选取连续若干天作为训练周期，获取训练周期内多个连续时间窗口对应的健康演化场，按照时间顺序提取各时间窗口对应的异常节点、异常节点对应的健康势值、时间健康梯度、异常节点之间的动态耦合强度，对健康势值、时间健康梯度及动态耦合强度进行归一化处理；

45、将连续多个时间窗口对应归一化后的异常节点健康势值序列、归一化后的时间健康梯度序列、归一化后的动态耦合强度序列，按照时间顺序组成训练样本，并以未来时间窗口对应的异常节点的健康势值作为预测目标，构建异常传播预测模型训练数据集；

46、将所述训练数据集输入异常传播预测模型进行训练，所述训练过程为将训练数据集中的训练样本按照时间窗口顺序输入长短期记忆网络模型中，采用未来时间窗口对应的异常节点健康势值作为监督标签，通过反向传播算法迭代更新网络参数，当预测误差小于预设误差阈值或者训练轮次达到预设次数时，停止训练，得到训练完成的异常传播预测模型；

47、基于连续时间窗口对应的健康演化场构建异常传播预测模型训练数据集，将异常节点健康势值、时间健康梯度及动态耦合强度等多维时序特征进行融合建模，能够充分挖掘异常传播过程中的时间关联特性及参数耦合规律，相较于仅利用单一状态参数进行预测的方法，具有更高的预测准确性和稳定性；通过对健康势值、时间健康梯度及动态耦合强度进行归一化处理，有效消除了不同特征量纲差异，采用长短期记忆网络对连续时间窗口样本进行学习，能够充分利用历史运行状态对未来异常演化的影响，准确捕获异常传播过程中的长期依赖关系及动态变化趋势，通过以未来时间窗口异常节点健康势值作为监督标签，并采用反向传播算法对网络参数进行迭代优化，使模型能够不断提升异常传播预测精度，训练完成后得到的异常传播预测模型能够提前预测异常节点健康状态的发展趋势及异常扩散程度，为设备故障预警、风险评估及检修计划制定提供前瞻性决策依据，提高变压器运行状态预测的智能化水平。

48、进一步的，步骤s600包括：

49、将实时采集的变压器运行数据按照步骤s300-s500的方法构建当前时间窗口对应的健康演化场，提取异常节点对应的健康势值、时间健康梯度及异常节点之间的动态耦合强度，并完成归一化处理，并将归一化后的健康势值、时间健康梯度及动态耦合强度输入到训练完成的异常传播预测模型中，获得下一预测时间窗口对应各异常节点的预测健康势值；

50、将各异常节点对应的预测健康势值与预设预警阈值进行比较，当预测健康势值大于预设预警阈值时，将所述异常节点确定为预警节点，根据预警节点之间对应的动态耦合强度及异常扰动迁移方向，预测异常扰动的未来传播路径，根据预测得到的预警节点及预测传播路径生成变压器异常预警信息，并将所述变压器异常预警信息发送至工作人员；

51、实现对下一预测时间窗口异常健康状态的提前预测，相较于传统基于当前状态进行阈值告警的方法，能够充分利用异常传播的时序演化规律，实现由“事后告警”向“事前预警”的转变，提高异常预警的及时性和准确性；通过将预测健康势值与预设预警阈值进行比较，准确识别未来可能发生异常的预警节点，并结合预警节点之间的动态耦合强度及异常扰动迁移方向，对异常未来传播路径进行预测，能够预测异常的发展趋势及扩散范围，使运维人员能够提前掌握潜在风险，合理安排检修及处置措施，有效降低异常扩散导致的设备故障风险，提高变压器运行状态监测的智能化水平和故障预警能力，保障电力设备运行的安全性、稳定性和可靠性。

52、为了更好实现上述方法还提出了基于多源数据融合的变压器数字孪生管理系统，系统包括统一运行参数序列模块、动态耦合强度模块、健康演化场模块、更新健康演化场模块、异常传播预测模型模块和预警信息模块；

53、统一运行参数序列模块：采集变压器运行过程中的多源监测数据，对所述多源监测数据进行标准化处理，获得统一运行参数序列；

54、动态耦合强度模块：根据所述统一运行参数序列构建运行参数之间的参数耦合网络，确定各运行参数之间的动态耦合强度；

55、健康演化场模块：根据所述动态耦合强度及各运行参数运行状态构建健康演化场，获得各运行参数对应的健康势值及时间健康梯度；

56、更新健康演化场模块：依据所述健康势值识别异常节点，并结合所述动态耦合强度及时间健康梯度确定异常扰动在健康演化场中的迁移方向和迁移强度，对健康演化场进行更新；

57、异常传播预测模型模块：依据异常节点对应的健康势值、时间健康梯度及动态耦合强度，构建异常传播预测模型；

58、预警信息模块：将实时运行数据输入训练完成的异常传播预测模型，预测下一时间窗口各异常节点对应的健康势值，依据预测健康势值确定预警节点，并结合异常节点之间的动态耦合强度及异常扰动迁移方向预测异常传播路径，生成变压器异常预警信息。

59、进一步的，异常传播预测模型模块包括构建训练数据集单元和训练异常传播预测模型单元：

60、构建训练数据集单元：选取连续若干天作为训练周期，获取训练周期内多个连续时间窗口对应的健康演化场，按照时间顺序提取各时间窗口对应的异常节点、异常节点对应的健康势值、时间健康梯度、异常节点之间的动态耦合强度，对健康势值、时间健康梯度及动态耦合强度进行归一化处理，将连续多个时间窗口对应归一化后的异常节点健康势值序列、归一化后的时间健康梯度序列、归一化后的动态耦合强度序列，按照时间顺序组成训练样本，并以未来时间窗口对应的异常节点的健康势值作为预测目标，构建异常传播预测模型训练数据集；

61、训练异常传播预测模型单元：将所述训练数据集输入异常传播预测模型进行训练，所述训练过程为将训练数据集中的训练样本按照时间窗口顺序输入长短期记忆网络模型中，采用未来时间窗口对应的异常节点健康势值作为监督标签，通过反向传播算法迭代更新网络参数，当预测误差小于预设误差阈值或者训练轮次达到预设次数时，停止训练，得到训练完成的异常传播预测模型。

62、进一步的，预警信息模块包括预测健康势值单元和生成预警信息单元：

63、预测健康势值单元：将实时采集的变压器运行数据按照步骤s300-s500的方法构建当前时间窗口对应的健康演化场，提取异常节点对应的健康势值、时间健康梯度及异常节点之间的动态耦合强度，并完成归一化处理，并将归一化后的健康势值、时间健康梯度及动态耦合强度输入到训练完成的异常传播预测模型中，获得下一预测时间窗口对应各异常节点的预测健康势值；

64、生成预警信息单元：将各异常节点对应的预测健康势值与预设预警阈值进行比较，当预测健康势值大于预设预警阈值时，将所述异常节点确定为预警节点，根据预警节点之间对应的动态耦合强度及异常扰动迁移方向，预测异常扰动的未来传播路径，根据预测得到的预警节点及预测传播路径生成变压器异常预警信息，并将所述变压器异常预警信息发送至工作人员。

65、与现有技术相比，本发明的有益效果是：本发明综合考虑运行参数变化方向一致性、变化幅值一致性及持续变化特征，建立动态耦合强度，并构建参数耦合网络，能够描述各运行参数之间是否相关，同时反映关联关系随运行状态变化而动态演化，相比传统采用固定相关系数或静态关联模型的方法，能够更加准确地揭示变压器内部运行参数之间的耦合机制；

66、根据参数健康损耗及参数之间的动态耦合影响构建健康势值，并进一步形成连续时间维度下的健康演化场，引入时间健康梯度描述健康状态变化趋势，使健康状态由传统单一指标评价扩展为连续动态演化过程，能够更加准确地反映设备健康状态的发展趋势，提高数字孪生模型对运行状态的表达能力；

67、依据健康势值识别异常节点，并结合动态耦合强度及时间健康梯度计算异常扰动迁移方向、迁移强度及异常迁移量，对健康演化场进行动态更新，实现异常扰动在参数网络中的传播模拟，相比现有技术仅定位单一异常参数，能够分析异常扩散过程及传播规律，为故障机理分析提供更加直观的依据，相比仅依据当前监测值设定固定阈值进行报警的方式，本发明能够提前预测异常发展，提高预警准确率，降低误报率和漏报率；

68、将数字孪生模型与异常传播预测相结合，识别当前异常状态，预测未来预警节点及异常传播路径，帮助运维人员提前制定检修策略，实现由事后故障处理向事前主动预防转变，提高变压器运行可靠性，降低故障停运风险。